Documentare la situazione demografica in Medio Oriente è una sfida resa possibile da un approccio computazionale che permette di comprendere le differenze che sussistono tra individui più e meno abbienti, combinando tra loro sedici algoritmi e aprendo a numerose riflessioni.

TAKEAWAY

• Effettuare analisi sui livelli di povertà nel mondo può risultare meno dispendioso, in termini di tempo e di costo, nel momento in cui si fa ricorso all’intelligenza artificiale.
• In Giordania un gruppo di ricercatori ha sviluppato una serie di algoritmi per esaminare, in maniera efficace, il disagio economico all’interno dei propri confini.
• Il lavoro dimostra il ruolo degli algoritmi di machine learning nei processi decisionali nell’andare verso una società più equa.

---

Parlare di algoritmi di machine learning e disagio economico significa fare riferimento a uno strumento concreto per analizzare e classificare uno dei problemi che affligge molteplici aree del pianeta e divenuto il contenuto di uno dei diciassette obiettivi (Sustainable Development Goals – SDGs) dell’Agenda 2030.

Si tratta, in particolare, dell’Obiettivo 1 (“Porre fine ad ogni forma di povertà nel mondo”), che – recita il documento – si propone di proteggere e tutelare le fasce socialmente ed economicamente più deboli, riducendone l’esposizione a eventi estremi e aumentando, al contempo, l’accesso ai servizi di base.

Come si inseriscono in tale quadro le tecnologie che fanno capo all’ambito di studi dell’intelligenza artificiale? Una domanda a cui aveva tentato di rispondere, nel novembre del 2013, una pubblicazione del MIT – Massachusetts Institute of Technology intitolata “Machine learning for science and society”, dove si partiva dal data mining, l’insieme di metodologie che hanno come scopo l’estrazione di informazioni con l’ausilio di sistemi di automazione.

Il passaggio successivo è stato l’elaborazione dei dati acquisiti tramite le potenzialità del machine learning, branca dell’artificial intelligence che consiste proprio nell’apprendimento di modelli (o pattern) a partire dai dati.

È il presupposto da cui ha preso origine la ricerca “Poverty Classification Using Machine Learning: The Case of Jordan”, realizzata dall’Università della Giordania, Paese dove la scarsità di servizi e di cibo affligge oltre un milione di cittadini, il 15% del totale (stima aggiornata al 2019).

Machine learning per monitorare il disagio economico: mappare il territorio identificando i luoghi in cui il reddito è più basso

Lo studio – nell’ambito del quale algoritmi di machine learning e disagio economico si incontrano – ha consentito di mappare i luoghi in cui il reddito è più basso. In alcune regioni, finanziare sondaggi del genere risulta difficile e le procedure sono spesso obsolete, per cui diventa fondamentale avvalersi di strumentazioni all’avanguardia.

Il contributo citato – pubblicato sulla rivista Sustainability – vuole essere un’alternativa agli attuali criteri di censimento che sono infruttuosi e, peraltro, eccessivamente lunghi. 

Negli ultimi tempi, progetti più trasversali hanno preso in considerazione migliaia di villaggi sparsi per il continente, andando ad analizzare fattori comuni di disagio, come lo stato di abbandono delle abitazioni e delle strade, si veda in merito lo studio presentato dall’American Geophysical Union all’AGU Fall Meeting del 2019, dedicato alle soluzioni avveniristiche con ripercussioni positive sul pianeta.

All’opposto, la prospettiva giordana si distingue per essere prettamente nazionale, ma, nonostante il terreno sia più circoscritto, si tratta comunque di un case study interessante. I motivi? L’originalità delle metodologie, ma anche le notizie che vi si apprendono, le quali sono parecchio discostanti dai report governativi e, di conseguenza, “disruptive”.

Gli autori, Adham Alsharkawi, Mohammad Al-Fetyani, Maha Dawas, Heba Saadeh e Musa Alyaman, hanno preso le mosse dalle survey del locale Dipartimento di Statistica, effettuate tra il 2002 e il 2017.

Una grande mole di cifre per la quale hanno impiegato sedici algoritmi, uno sforzo così descritto dal team: “Per testare l’accuratezza di un modello predittivo e offrire quindi una visione assolutamente imparziale – hanno chiarito nel paper – bisogna allineare i dati acquisiti sul medesimo piano di comparazione, per non giungere a conclusioni imprecise o addirittura false”.

Il ruolo dell’apprendimento supervisionato

L’allestimento del dataset, propedeutico all’utilizzo del machine learning per monitorare il disagio economico, è avvenuto in due modi. Nel primo – detto “normalizzazione” – i numeri sono ridimensionati su un intervallo fisso, solitamente da 0 a 1, per cui le cifre discriminanti sono poste esattamente dopo la virgola.

La seconda opzione è la “standardizzazione”, ovvero la trasformazione di variabili quantitative in corrispettivi adimensionali con apposite formule matematiche.

Gli scienziati si sono concentrati sull’apprendimento supervisionato, tipologia di machine learning in cui vengono sottoposte alle macchine degli esempi su come attribuire determinati oggetti alle classi a cui appartengono. Il meccanismo viene istruito fino ad ottenere, automaticamente, previsioni sulla base delle immagini fornite.

Nel caso giordano, sussiste un forte squilibrio tra l’86,1% di famiglie più facoltose, e il 13,9% di nuclei poveri. L’ostacolo è stato superato con tre differenti modalità, come spiega il team:

“Abbiamo optato per il sovra-campionamento, in cui una porzione della classe minoritaria viene duplicata, e il sotto-campionamento, nel quale si elimina una fetta del sottoinsieme più esteso. Una terza strada è l’attribuzione di pesi a una delle due sezioni, per far sì che possa essere rilevata con maggiore facilità”

Nella circostanza descritta, il rapporto di ponderazione più ovvio è di 6 a 1 ma, nel corso dei test, l’algoritmo, denominato “LightGBM”, ha identificato come pesi ottimali rispettivamente i valori 0,58 e 0,42.

Machine learning per monitorare il disagio economico: gli impatti della ricerca

I risultati conseguiti potranno essere implementati da non specialisti in modo da creare un dibattito sull’opportunità di adottare le tecniche di machine learning per monitorare il disagio economico.

Intanto sarebbe interessante capire se può esserci un’applicazione in aree con caratteristiche simili alla Giordania, esposta a frequenti flussi migratori, oltre che a scenari bellici al confine con la Siria.

L’impatto dell’AI può essere davvero decisivo nel cogliere eventuali crisi, sin dal loro stadio iniziale, nei decenni a venire. Appare ormai evidente una particolare attenzione per la comunità e per l’ambiente, direzione che gli esperti hanno ribattezzato con l’espressione “Tech4Good”.

Il 23 settembre 2021 si terrà a Roma il World Summit on Food Systems (FSS), organizzato dall’ONU, in cui si discuterà del fatto che quasi 4 miliardi di persone, pari alla metà della popolazione mondiale, soffrono per malnutrizione anche se, nel complesso, la produzione alimentare sarebbe sufficiente per tutti.

La speranza è che al tavolo dei relatori possano arrivare idee e suggerimenti provenienti direttamente dall’universo dell’industria 5.0, il comparto che, come chiarito nell’omonimo report della Commissione Europea, si muove a sostegno delle esigenze individuali e nel rispetto dei diritti umani.