تصاویر ماهواره ای تلفن اطلاعات کمک راهنمای همه گیر کمک های در معرض خطر کشورهای در حال توسعه

دولت در بنگلادش و دیگر کشورهای در حال توسعه تبدیل شده به دانشگاه برکلی مرکز موثر اقدام جهانی برای کمک در استفاده از فن آوری های پیشرفته برای پشتیبانی از برنامه های امداد برای افراد تحت تاثیر COVID-19 بیماری همه گیر. (عکس Jubair1985 از طریق Wikimedia Commons)

برای برخی از فقیرترین کشورهای روی زمین COVID-19 همه گیر را مطرح کرد یک زندگی یا مرگ دوراهی: اگر مردم همچنان به کار virus ممکن است گسترش بدون کنترل. اما اگر آنها را به ماندن در خانه برای محدود کردن سرایت گرسنگی و سوء تغذیه می تواند افزایش یابد.

جاشوا Blumenstock دانشکده co-مدیر UC برکلی مرکز موثر اقدام جهانی (توجه)

در این کشور غرب آفریقا از توگو سیاستگذاران تصمیم گرفت که متوسط پرداخت کمک به نیازمندترین افراد مردم بخشی از راه حل — و آنها برای کمک به این مرکز موثر اقدام جهانی (توجه) در دانشگاه برکلی است. این همکاری به کاوش چگونه هوش مصنوعی — رانده شده توسط داده های بزرگ و یادگیری ماشین, تصاویر ماهواره ای و سوابق تلفن — کمک می کند با دقت اشاره کردن مناطق که در آن نیازهای فوری ترین.

در هفته های اخیر با توجه ارومیه همکاری مدیر جاشوا Blumenstock کار کرده با سیاستگذاران در توگو و نیجریه در آفریقا و در بنگلادش در جنوب آسیا به تمرکز قدرت از فن آوری های پیشرفته در همه گیر امداد. Blumenstock دقیق این پروژه ها در یک مقاله منتشر شده از طبیعت در مه 14.

تکنولوژی است نه یک پاسخ توسط خود Blumenstock گفت: در مصاحبه اخیر اما می توان آن را یک ابزار قدرتمند برای دولت ها و یا سازمان با ماموریت های انسان دوستانه. و او گفت: این کار نمونه ای از آرمان ها و بر روی زمین پتانسیل برکلی بخش جدید از محاسبات داده های علم و جامعه است.

علاوه بر پست خود را در توجه, Blumenstock یک دستیار استاد در برکلی دانشکده اطلاعات و مدیر داده-فشرده توسعه آزمایشگاه. با توجه با این نسخهها کار با همکاران در سراسر جهان برای کاهش فقر و پیشبرد تغییرات اجتماعی از طریق پژوهش و نوآوری است.

[این مصاحبه شده است به آرامی ویرایش شده برای طول و وضوح است.]

Berkeley News: بیایید شروع با اصول اولیه: آنچه که در یادگیری ماشین و چگونه کار می کند ؟

جاشوا Blumenstock: یادگیری ماشین است که شاخه ای از هوش مصنوعی است که به طور کلی فکر به عنوان یک روش برای پیدا کردن الگوهای موجود در داده ها. این یک راه برای طراحی یک سیستم است که می توانند یاد بگیرند و بهبود خود به خود بدون اینکه به صراحت برنامه ریزی شده است. این تکنولوژی های اساسی که زیربنای بسیاری از خدمات آنلاین ما استفاده از امروز, همه چیز مانند گوگل و YouTube و Netflix و Spotify در – بلکه آفلاین تصمیم گیری مانند استخدام و اخراج و اعطای وام و درمان های پزشکی. آن را نیز به رونویسی کلاس تدریس میکنم.

چگونه دولت ها در کشورهای در حال توسعه با استفاده از این ابزار در حال حاضر در طول COVID-19 همه گیر?

تاپیک حاد بحران انسانی در کشورهای در حال توسعه که در حال رانده شده توسط coronavirus همه گیر و آن را به بینی بدتر. کشورها در سراسر جهان در حال سازماندهی همان مستند سیاست هایی که ما در اینجا در ایالات متحده — stay-at-home سفارشات که متوقف کردن مردم از کار. تفاوت کلیدی این است که در بسیاری از کشورهای در حال توسعه بسیار بخش های بزرگی از جمعیت زیادی ندارد و در این راه از پس انداز و یا دسترسی به حمایت اجتماعی.

گزارش سازمان جهانی غذا برنامه پیش بینی شده بیش از یک چهارم از یک میلیارد نفر هستند به احتمال زیاد رفتن گرسنه در کشورهای در حال توسعه تا پایان سال است. و بسیاری از این است که با توجه به پیامدهای اقتصادی COVID-19.

سیاستگذاران که در حال تلاش برای رفع این گرسنگی همه گیر نیاز به می دانم که مردم نیاز به کمک های بیشتر است. وجود ندارد به اندازه کافی منابع برای انجام کاری مانند جهانی درآمد اولیه که در آن شما به حمایت از همه. و بنابراین آنها باید این مشکل واقعا دشوار است: "چه کسی باید ما را از این منابع محدود ،

اما آنها واقعا نمی تواند پاسخ این سوال با استفاده از داده های سنتی. برای مثال در جایی مثل نیجریه زیادی از درآمد رسمی است. تقریبا هیچ یک از فایل های مالیات. دولت نمی تواند ببینید که چه کسی فقیر و ثروتمند که فقط با نگاه کردن اظهارنامه مالیات بر درآمد.

که این ابزار جدید در آمده است. آنچه که ما در حال انجام است با استفاده از داده های ماهواره و شبکه های تلفن همراه را امتحان کنید و شناسایی مناطق خاص و یا خاص مشترکین تلفن همراه که به احتمال زیاد نیاز دارند. یادگیری ماشین را فراهم می کند یک راه برای پردازش و ساخت حس از این بزرگ غیر سنتی منابع داده.

چه تصاویر ماهواره ای و یا استفاده از تلفن همراه الگوهای ما بگویید که در مورد چه کسی نیاز دارید ؟

ثروتمند مناطق فقط نگاه متفاوت از مناطق فقیر. سقف ساخته شده از مواد مختلف است. خیابان ها با کیفیت های مختلف. مزرعه توطئه هستند و اندازه های مختلف. و همه این است که بسیار آموزنده در مورد کدام مناطق هستند و ثروتمندی که فقیر هستند. یک انسان می تواند در یک تصویر و شاید شکل که اما شما نیاز به الگوریتم برای انجام این کار در مقیاس کل کشور از 195 میلیون نفر است.

با گوشی اطلاعات آن را بسیار شبیه به یک ایده است. افراد ثروتمند با استفاده از تلفن های خود را متفاوت از مردم فقیر. افراد ثروتمند تمایل به تماس های دیگر. آنها تمایل به تماس های بین المللی. آنها تمایل به اضافه کردن اعتبار به تلفن خود را در بزرگتر فرقه. ما نشان داده ایم در مقالات در طول چند سال گذشته که الگوریتم های یادگیری ماشین می توانید انتخاب کنید تا در این الگوها و استفاده از آنها به منظور توسعه پیش بینی های دقیق از وضعیت اجتماعی و اقتصادی فرد از تلفن همراه ،

اما وجود دارد ظرفیت برای شناسایی خاص جوامع شده است که ضربه همه گیر?

ما در حال کار بر روی آن در حال حاضر. برخی از من زودتر کار را نشان می دهد که شما می تواند تشخیص زمانی که مردم منفی و نیز مثبت و شوک های اقتصادی بر اساس چگونه آنها با استفاده از تلفن خود را. بر اساس تصاویر ماهواره ای, شما می توانید ببینید در طول زمان چگونه کیفیت راه تغییرات. اما ما هنوز در تلاش برای درک اینکه چگونه دقت شما می توانید ارزیابی اینکه آیا یک خانواده شده است نهفته COVID-19. این نیاز جدید جمع آوری داده ها.

و این یک نکته بسیار مهم: جدید یادگیری ماشین مدل ها تنها به عنوان خوب به عنوان داده ها که در حال استفاده می شود به آموزش آنها. آنها به معنی این نیست به جای اشکال سنتی, اندازه گیری مانند بررسی مبتنی بر جمع آوری داده ها بلکه برای تکمیل آنها است. بنابراین آنچه که ما در حال انجام در توگو و بنگلادش به عنوان مثال در حال انجام rapid-fire phone نظرسنجی به درخواست مردم در مورد چگونه COVID-19 مؤثر بر آن است آنها را. سپس ما می توانیم با استفاده از آن داده ها برای کالیبره کردن مدل های پیش بینی.

شما در حال کار با توگو نیجریه و بنگلادش است. چه چیزی آنها را امیدوار به رسیدن با این ابزار جدید?

خود هدف اولیه این است که واقعا فقط برای مدیریت بحران انسانی که اتفاق می افتند. این سیاستگذاران هستند بسیار سخت کوش — آنها ماندن تا به صحبت کردن با ما در ساعت 3 صبح در توگو زیرا آنها می خواهید مطمئن شوید که هموطنان خود را از گرسنگی مردن نیست.

در توگو آنها یک موجود اجتماعی حفاظت از برنامه که بر اساس سنتی دولت رجیستری داده است. این یک برنامه قابل توجه, اما آنها نگران است که شاید مردم وجود دارد لغزش از طریق ترک. و به این ترتیب آنها می گویند: آیا می توانید داده های ماهواره ای و داده های تلفن کمک به ما در شناسایی این افراد است؟'

چه چالش های آن دولت ،

یکی از جنبه های مهم این روش این است به شکل از چگونه برای پاسخ به بحران در راه است که حل فوری هدف اما نمی سازش اخلاقی و یا استانداردهای حفظ حریم خصوصی — که ممکن است در دراز مدت عواقب.

ایالات متحده یک مثال نخست است که در آن ملی بحران منجر به کاهش محدودیت در حریم خصوصی شخصی است. من فکر کردن به طور خاص از USA PATRIOT Act که به تصویب رسید پس از حملات 11 سپتامبر در سال 2001 است. قانون گسترش نظارت دولت ظرفیت و کسانی که مقررات قرار بود به غروب آفتاب, اما بسیاری از آنها هنوز هم در اثر.

هیچ راه ساده برای پرداختن به این نگرانی ها. سیاستگذاران می خواهید خود را COVID پاسخ به عنوان موثر به عنوان امکان پذیر است اما آنها نمی خواهند به باز کردن درب به سوء استفاده از اطلاعات خصوصی. خوب وجود دستورالعمل ها و چارچوب هایی که وجود دارند اما بسیاری از آنها استرس تست در حال حاضر برای اولین بار.

ما در حال صحبت کردن در مورد هوش مصنوعی و یادگیری ماشین اما شما در حفظ و آینده را به نقطه ای که این تلاش بشر است.

الگوریتم های مرتب کردن بر اساس شی براق و آنها دریافت مقدار زیادی از توجه. اما وقتی که می آید به واقع اجرای, اجتماعی, حمایت, رفتن آخرین مایل به قرار دادن پول در دست مردم که به آن نیاز دارید این الگوریتم فقط یک لینک کوچک در یک مقدار بزرگتر زنجیره ای از کمک های انسان دوستانه. بسیاری از لینک های دیگر انسان هستند. الگوریتم می تواند کمک به سطح اطلاعات مربوطه اما انسان باید تصمیم بگیرد چه چیزی برای انجام با آن.