برای کمک موثر به کاهش فقر، تعیین محل استقرار افراد نیازمند بسیار مهم است. در بسیاری از کشورها معمولاً از نظرسنجی خانوارها برای این منظور استفاده می شود، اما نادر است و مناطق محدودی را پوشش می دهد.
تصاویر هوش مصنوعی چگونه به تشخیص فقر کمک می کند؟
پیشرفت های اخیر در هوش مصنوعی (AI) روش اندازه گیری فقر و سایر شاخص های توسعه انسانی را متحول کرده است. یک گروه، از نوعی هوش مصنوعی به نام شبکه عصبی کانولوشن عمیق (DCNN) برای تجزیه و تحلیل تصاویر ماهواره‌ای و شناسایی شاخص‌های فقر خاص با دقت قابل مقایسه با نظرسنجی‌های خانگی استفاده کرده است.
استفاده از این فناوری هوش مصنوعی می تواند سودمند باشد، به ویژه در کشورهای در حال توسعه که تغییرات سریعی را در کاربری زمین تجربه می کنند. هوش مصنوعی می‌تواند مناطق نیازمند کمک را از طریق ماهواره رصد کند و جایگزینی سریع‌تر برای بررسی‌های زمینی ارائه دهد.
علاوه بر این، تصاویر تولید شده توسط مدل یادگیری عمیق ما دیدگاه منحصر به فردی را در مورد چگونگی درک جهان توسط هوش مصنوعی ارائه می دهد.
الگوریتم پردازش تصاویر هوش مصنوعی DCNN
DCNN یک الگوریتم هوش مصنوعی پیشرفته است که معمولا برای پردازش و تجزیه و تحلیل تصاویر بصری استفاده می شود. “عمیق” در نام خود به لایه های متعددی اشاره دارد که داده ها از طریق آنها پردازش می شوند و آن را به بخشی از خانواده گسترده تر فناوری های یادگیری عمیق تبدیل می کند.
تیم ما با استفاده از DCNN به کشف مهمی دست یافت. پس از آموزش اولیه روی مجموعه داده وسیعی از تصاویر برچسب‌گذاری شده، شبکه با استفاده از تصاویر ماهواره‌ای نور روز مناطق پرجمعیت تنظیم شد. DCNN که با این آموزش تخصصی تقویت شده است، توانایی ارزیابی سطوح فقر را از تصاویر ماهواره‌ای با وضوح پایین با دقت بیشتری نسبت به انسان‌هایی که تصاویر با وضوح بالا را تجزیه و تحلیل می‌کنند، نشان داد.
پس از تکمیل مرحله آموزشی، بررسی شد که DCNN چه ویژگی هایی را به عنوان نشانه ای از “ثروت بالا” در تصاویر ماهواره ای شناسایی کرده است. با شروع با یک تصویر “لوح خالی” متشکل از نویز تصادفی، این مدل به طور سیستماتیک تصویر را بر اساس درک داخلی و داده های آموزشی خود به گونه ای تنظیم کرد که شبیه یک مکان ثروتمندتر باشد.
پیشرفت تصاویر نمایش داده شده در تحقیق یک هدف مهم را دنبال می کند، که با یک تصویر ماهواره ای پایه که به عنوان “ضعیف” طبقه بندی می شود، شروع می شود. با بهبود تدریجی تصاویر بعدی با ویژگی هایی مانند ساختمان ها و جاده ها، به صورت بصری نشان داده می شود که هوش مصنوعی چگونه “ثروت” را درک می کند.
آیا ایده تشخیص فقر با تصاویر هوش مصنوعی ممکن است؟
توجه به این نکته مهم است که تجسم های حاصل، اگرچه اغلب انتزاعی یا سورئال هستند، به جای ارائه یک بازنمایی عینی از ثروت، فرآیند تفکر شبکه را منعکس می کنند. این تصاویر بینش هایی را در مورد پیچیدگی ها و محدودیت های یادگیری ماشین در بازتاب ادراک انسان ارائه می دهند.
درک فقر، به ویژه در یک زمینه جغرافیایی یا منطقه ای، پیچیده است. هوش مصنوعی، با استفاده از تصاویر ماهواره‌ای، بینش‌های ارزشمندی را در مورد الگوهای فقر منطقه‌ای، تکمیل تحقیقات سنتی فقر و کمک به توسعه مداخلات هدفمندتر، ارائه می‌کند.
