Новий інструмент машинного навчання прогнозує спалахи дитячого недоїдання

Прогнозування недоїдання за допомогою ШІ

Новий інструмент прогнозування, розроблений дослідниками з Коледжу бізнесу Корнелла SC Johnson та Школи інформації Каліфорнійського університету в Берклі, може допомогти урядам запобігти спалахам недоїдання серед дітей. Ця система машинного навчання здатна передбачати осередки недоїдання за три місяці до їх появи, що дозволяє гуманітарним та урядовим організаціям своєчасно надавати превентивну допомогу.

Сусана Констенла-Вільослада, аспірантка Каліфорнійського університету в Берклі, представила систему на саміті Data Science to Build Resilience and Improve Humanitarian Response Thought Summit. Вона зазначила, що дитяче виснаження має 45% летальність без лікування, а ті, хто виживає, можуть мати довгострокові наслідки для розвитку, що посилює цикли бідності.

Джерела даних та співпраця

Дослідження є результатом довгострокової співпраці з Національним управлінням з питань боротьби з посухами Кенії (NDMA). Модель була розроблена з використанням даних NDMA про моніторинг посух, враховуючи їхні операційні потреби та місцевий досвід.

Найсильніша прогностична модель дослідницької групи використовує численні публічні потоки даних, включаючи екологічні та соціально-економічні показники. Вона переважно застосовує супутникові знімки для створення проксі-показників опадів та стану рослинності, які є предикторами поширеності дитячого недоїдання. Модель також використовує загальнодоступні дані про конфлікти (кількість загиблих та випадків) та дані NDMA про щомісячні вимірювання дітей для визначення результатів поширеності недоїдання.

Точність та реальне застосування

Дослідницька група виявила, що машинне навчання розширило їхні прогностичні можливості, виявляючи складні взаємозв'язки між численними змінними. Конфлікти та посухи є основними рушіями сплесків дитячого недоїдання. Модель була протестована на історичних даних, і за місяць до кризи приблизно половина її попереджень збігалася з реальними кризами, а за шість місяців — третина.

Точність моделі значною мірою залежала від частоти та безперервності даних. У період з 2006 по 2009 рік, коли місця збору даних були стабільними, модель могла виявити до 77% майбутніх осередків. Однак у 2016 році, коли Кенія змінила розташування багатьох контрольних пунктів, чутливість моделі різко знизилася на наступні два роки.

Система також добре зарекомендувала себе в реальних сценаріях. Коли вона передбачила зростання недоїдання в районі Голбо округу Марсабіт, звіти сторонніх організацій підтвердили ці умови. Технологія була передана партнерським організаціям у Кенії, які зараз вивчають найкращі способи використання даних. NDMA використовує перенавчену модель для ініціювання попереджувальних грошових переказів матерям у районах з підвищеним рівнем дитячого недоїдання.

Майбутні плани

Наступна мета команди — розробити велику мовну модель всередині панелі прогнозування, щоб пояснювати наслідки даних аудиторіям з різним рівнем технічної підготовки. За оцінками, у Великому Африканському Розі близько 10 мільйонів дітей страждають від недоїдання. Мета полягає в тому, щоб надати урядам можливість зміцнювати демократію та ефективніше піклуватися про своїх громадян.