Нейросеть научилась определять бедность людей по снимкам из космоса

Источник материала:

Американские ученые предложили использовать нейросеть для определения уровня бедности в развивающихся странах Африки. Метод заключается в том, что искусственный интеллект анализирует спутниковые фотографии местности, после чего на основе ее особенностей дает оценку благосостояния жителей района. По словам исследователей, такой подход не требует больших денежных затрат и может восполнить пробелы в необходимых данных. Об этом рассказывает статья, опубликованная в журнале Science, ее краткий пересказ размещен на n+1.

Какие методы используются сейчас

В число популярных методов для определения достатка регионов входят опросы, которые помогают оценить величину расходов человека на удовлетворение минимальных потребностей и стоимость имущества одного домохозяйства — группы людей, проживающих вместе.

Однако крупномасштабные исследования обычно требуют больших затрат со стороны правительств, поэтому в экономически слабо развитых странах они проводятся не часто и не повсеместно. Это создает дефицит информации, который, в свою очередь, не только мешает определить области страны, наиболее нуждающиеся в помощи, но и оценить ситуацию в мире.

Сейчас исследователи пытаются придумать альтернативные способы восполнения пробелов в традиционных методах. Например, в прошлом году ученые предложили использовать данные мобильных операторов об истории звонков и СМС пользователей, чтобы предсказать уровень богатства в разных районах страны.

Другим относительно новым и удобным методом стала оценка благосостояния районов по интенсивности ночного освещения (чем оно ярче, тем богаче там люди). Однако такой подход хуже работает на местности, где люди живут за международной чертой бедности (1,90 долларов на душу населения), — там освещение слабое в принципе.

Внимание! У вас отключен JavaScript, ваш браузер не поддерживает HTML5, или установлена старая версия проигрывателя Adobe Flash Player.

Как это работает

В новой работе ученые предложили использовать сверхточную нейросеть, обрабатывающую спутниковые снимки местности. Многослойная архитектура такого типа сетей позволяет анализировать изображения высокого уровня абстракции.

В данном случае на вход нейрона подается не вся картинка, а небольшая ее часть, которая обрабатывается программой. После этого получается карта признаков, которая тоже несколько раз «пропускается» через нейросеть, и в конечном итоге искусственный интеллект определяет, что изображено на снимке.

Авторы работы разбили процесс обучения нейросети на несколько этапов. Сначала они с помощью крупной базы изображений подготовили систему: научили ее определять, что изображено на снимке, и находить мелкие детали, вроде крыш домов.

Затем исследователи взяли ночные и дневные спутниковые фотографии местности и научили программу сопоставлять эти снимки, чтобы находить на них по уровню освещенности экономически богатые районы. Сочетание этих двух этапов обучения позволило нейросети самостоятельно определить, какие еще особенности отличают благополучные области на карте — например, наличие дорог или воды.

После этого программисты использовали результаты двух опросов, проведенных Всемирным банком и проектом Demographic and Health Surveys.

Из первого были взяты данные о средних потребительских расходах домохозяйств, которые были на карте объединены в отдельные кластеры (фактически, отдельный кластер был эквивалентен деревне или городскому району). Из второго опроса ученые использовали данные об «индексе богатства», рассчитанного на основе владения имуществом домохозяйствами, также поделенными на группы.

Нейросеть сопоставляла карты с результатами обоих исследований со спутниковыми снимками и особенностями, которые связаны с экономической активностью, чтобы научиться предсказывать уровень благосостояния района.

По оси Y показаны прогнозы модели на основе спутниковых снимков, по оси X — пронозы на основе реальных результатов:

В итоге программа научилась самостоятельно восполнять пробелы в данных на основе деталей местности. Ее работу ученые проверили на примере пяти стран с доступными результатами опросов — Нигерии, Танзании, Уганды, Малави и Руанды.

Для чего это нужно

В результате предсказания искусственного интеллекта в 75 процентах случаев совпадали с реальными данными о среднем богатстве домохозяйств (если говорить более точно, то проценты — это на самом деле коэффициент детерминации, который показывает, насколько условная дисперсия модели отличается от дисперсии реальных значений). В случае с предсказанием на основе потребительских расходов программа показала меньший результат — 55 процентов.

Точность оценки новой программы превзошла предыдущие методы. Кроме того, так как искусственный интеллект работает исключительно с открытыми и легко получаемыми данными (в отличие, например, от метода с историей звонков и СМС), такой подход оказывается более простым и дешевым. То, что карты обновляются относительно часто (приблизительно раз в год), позволяет отслеживать динамику изменений.

Наиболее явным практическим результатом может стать более точное распределение денег со стороны как самого правительства страны, так и международных организаций. 

Читайте также:

В России создают искусственный интеллект червя