Hoe kan AI de ontwikkelingslanden helpen?

Volgens de Wereldbank zijn er ongeveer 750 miljoen mensen in extreme armoede, zij die nauwelijks overleven met $ 1,90 USD per dag of minder. Hoewel dit feit onthutsend is, en zelfs beschamend gezien de overvloed aan ontwikkelde landen, is er enige hoop voor de toekomst. In 1990 schatte de Wereldbank dat 36% van de bevolking, bijna twee miljard mensen, in extreme armoede leefde. Vandaag is dat aantal teruggebracht tot 10% van de wereld. Helaas is er ook slecht nieuws: volgens schattingen van de Wereldbank lopen 70 tot 100 miljoen mensen het risico in extreme armoede terecht te komen als gevolg van de wereldwijde COVID-19-pandemie, waaronder veel vrouwen.

Dus hoe kan kunstmatige intelligentie (AI) helpen? Ed Hsu is de senior adviseur van ontwrichtende technologieën bij de Wereldbank, en het is zijn taak om het doel van de organisatie te verwezenlijken om extreme armoede terug te dringen tot slechts 3% van de bevolking tegen 2030. In een recente Intel on AI-podcast bespraken hij en gastheer Abigail Wen een aantal problemen rond AI, armoede, gezondheidszorg en meer.

“We zijn hier niet voor een of twee kortetermijnoplossingen. . . we willen echt oplossingen hebben die de economische groei op de lange termijn kunnen stimuleren.”

-Ed Hsu

AI & Gezondheidszorg

Zoals ik in een eerdere blog over Andrew Ng schreef, is het vermogen van AI om de gezondheidszorg te verbeteren een van de meest veelbelovende toepassingsgebieden, vooral op het gebied van diagnose. Maar zoals Ed in de podcast opmerkt, heeft het overbrengen van die technologie naar andere regio's van de wereld valkuilen, omdat zoveel van de algoritmen die we nu gebruiken, zijn getraind op gegevens uit ontwikkelde landen. De beeldvormingsapparatuur die bijvoorbeeld wordt gebruikt om een ​​trainingsset in een Amerikaans academisch ziekenhuis te bouwen, kan van een heel andere specificatie zijn dan de beeldvormingssuite die beschikbaar is in een klein ziekenhuis in een ontwikkelingsland.

Bovendien kunnen verschillende regio's hebben enorm verschillende ziekteprofielen. “Welvaartsziekten” vormen een groot deel van de caseload in de ontwikkelde wereld, terwijl artsen in de derde wereld mogelijk meer tijd besteden aan het behandelen van ziekten die verband houden met slechte levensomstandigheden, zoals tuberculose, of omgevingsfactoren. (Mijn eigen vader vergat nooit de tol die malaria eist van zijn patiënten in Afrika bezuiden de Sahara).

Beschikbare behandelingen verschillen ook, omdat veel van de behandelingen die beschikbaar zijn in bijvoorbeeld Europa of Noord-Amerika, niet beschikbaar zijn in andere delen van de wereld. Bij het bekijken van mogelijke behandelingen moeten artsen rekening houden met de beschikbare middelen, de locatie van levensvatbare openbare gezondheidsklinieken, de kwaliteit en werkzaamheid van apotheken. Hier is een technische uitdaging voor de dapperen: bedenk een manier om patiënten te beschermen tegen namaakmedicatie.

Dit is de reden waarom onderwijs een cruciaal onderdeel is voor AI-succes in ontwikkelingslanden: net als bij elk softwareontwikkelingsproject, hoe dichter je bij de eindgebruiker en het probleem dat je probeert op te lossen, hoe groter je kansen op succes. Een van de grootste obstakels die Ed ziet, is de capaciteit van overheden en niet-gouvernementele organisaties (NGO's) die niet het personeel of de datawetenschapstraining hebben die nodig is om te evalueren welke AI-projecten het meest effectief kunnen zijn. Ed ziet het als de rol van organisaties zoals de Wereldbank om deze leemte op te vullen, samen te werken met technologiebedrijven, AI-oplossingen te onderzoeken en aan te bevelen waar overheden en NGO's hun inspanningen op moeten richten. Intel werkt eraan om deel uit te maken van deze oplossing door ons AI for Youth-programma dit jaar op te schalen naar negen landen.

Gegevens gebruiken om problemen te voorspellen

Een set gegevens die over de hele wereld relatief standaard is, omdat het een visuele kaart van de hele wereld is, zijn satellietbeelden. Dit beeldmateriaal is niet zonder problemen: een deel ervan kan behoorlijk duur zijn om aan te schaffen, terwijl een deel ervan, als het gratis wordt verstrekt, niet de resolutie heeft die nodig is voor nauwkeurige modellen. Een andere uitdaging is dat om satellietbeelden interpreteerbaar te maken het verzamelen van grondwaarheidsgegevens uit de juiste regio vereist. Bijvoorbeeld: datasets uit Europa of Amerika hebben misschien veel tarwe- en aardappelvelden, maar niet veel cassave. En zelfs als de gewassen een match zijn, ziet de handmatige teelt op kleine bedrijven er heel anders uit dan de sterk gemechaniseerde teelt van enorme velden die gebruikelijk zijn in Europa en Noord-Amerika.

Er zijn echter nog steeds zeer interessante gebruiksscenario's in de buurt. landbouw beter kunnen begrijpen, zoals het voorspellen van gewasopbrengsten, de gevolgen van klimaatverandering en verwoesting van de bosbouw. Twee jaar geleden werkte de Wereldbank bijvoorbeeld samen met Amazon, Microsoft en Google om een ​​AI-model te bouwen, het Famine Action Mechanism genaamd, dat zou helpen voorspellen wanneer en waar de volgende hongersnood zou plaatsvinden door de gewasopbrengst, weerpatronen, marktprijsschommelingen te analyseren, en meer.

Een ander probleem dat de Wereldbank probeert op te lossen, is het feit dat meer dan een miljard mensen geen toegang hebben tot betrouwbare energie – een van de fundamenten voor economische kansen en banen. AI-modellen kunnen de vraag naar energie helpen voorspellen en helpen bij het vinden van de plaatsen om nieuwe capaciteit toe te voegen. Een betere optimalisatie tussen vraag en aanbod kan helpen zorgen voor betrouwbare energie, met name uit hernieuwbare bronnen zoals zon en wind.

Mobiliteit en economische kansen

Naast satellietbeeldgegevens kijkt de Wereldbank breed naar mobiliteitsgegevens om trends te vinden voor waar mensen zich verplaatsen om de beste plaatsing voor COVID-testsites te bepalen en hoe verdere verspreiding van het virus kan worden voorkomen. Buiten de COVID-reactie om legt Ed uit dat mobiliteitsgegevens kunnen worden gebruikt om de reistijden te verkorten: snelle verstedelijking in ontwikkelingslanden (de sleutel tot het creëren van nieuwe banen en het verminderen van armoede) heeft geleid tot extreem lange woon-werkverkeer op zwaar overbelaste wegen, waardoor de reistijden een belangrijke economische en sociale kwestie. Meerdere uren per dag onderweg zijn kan niet alleen schadelijk zijn voor de directe reiskosten, maar ook voor de gevolgen voor het gezins- en gezinsleven. Het gebruik van AI om transport te optimaliseren kan economische kansen bieden aan de mensen die ze het meest nodig hebben.

Er zijn echter belangrijke belemmeringen voor dit idee. Een daarvan is dat de gegevens niet direct beschikbaar zijn, omdat ze niet zo goed worden verzameld als in ontwikkelde landen. Een tweede barrière is een gebrek aan data governance. Er zijn niet genoeg landen die regels hebben opgesteld rond data. De particuliere sector mag dan wel de gegevens hebben, maar er zijn geen duidelijke regels over wie toegang heeft tot die informatie of er is geen manier waarop overheden en NGO's met de particuliere sector kunnen samenwerken om toegang te krijgen tot gegevens.

Gegevensprivacy

In de podcast merkt Ed op dat er nog steeds veel risico's zijn rond het verzamelen van gegevens en vreest hij dat eventuele voordelen van dergelijke toegang niet zullen gaan naar degenen die het het meest nodig hebben. Hij benadrukt ook het feit dat mensen, ongeacht hun economische status, zich grote zorgen maken over gegevensprivacy.

De Wereldbank voerde een onderzoek uit waaruit bleek dat in Kenia slechts 40% van de klanten bereid was de verkoop van hun financiële gegevens toe te staan. Specifiek in Nairobi koos 64% van de klanten voor een lening met een vergoeding van 10% en sterke gegevensprivacy in plaats van een lening tegen de helft van dat tarief met minder gegevensbescherming. Ook in andere regio's waren de resultaten vergelijkbaar. In Bangalore koos 66% van de klanten voor een lening met veel privacy tegen een tarief van 10% versus een met een lager tarief, en 82% koos ervoor om langer te wachten met het aanvragen van een lening die meer privacy bood. Dit onderstreept het belang van strenge regels voor gegevensprivacy en hoe belangrijk het is voor mensen om te begrijpen hoe hun gegevens zullen worden gebruikt.

Een van de redenen waarom ik graag bij Intel werk, is omdat het bedrijf zich inzet voor gelijkschakeling AI-bronnen, -mogelijkheden en -diensten die de wereld ten goede komen via programma's zoals AI 4 Social Good. “Het versnellen van de uitbanning van extreme armoede” is niet iets dat ik eerder had beschouwd als een potentiëringstoepassingsgebied voor AI. Het gesprek van Ed en Abigail is fascinerend en inspirerend, luister vooral naar het geheel. Ik kijk uit naar toekomstige afleveringen!

Ga voor meer informatie over Intel's werk op het gebied van AI naar: https://intel.com/ai

Voor meer informatie over Intel over AI afleveringen met fascinerende gasten, bezoek: intel.com/aipodcast

Edward Dixon
Data Scientist, Intel