Glauco Arbix
O Human Poverty Index das Nações Unidas registra 1,2 bilhão de pessoas vivendo em condições de pobreza em todo o mundo, ou seja, uma população que ganha menos do que 1,25 dólares ou 4,0 reais por dia, segundo critérios do Banco Mundial.
Embora as políticas públicas tenham evoluído muito nos últimos 50 anos, um dos maiores desafios continua sendo a localização das pessoas pobres ou das que vivem em situação de pobreza extrema. E a falta de informação confiável é uma das principais razões para a baixa precisão e efetividade das medidas de mitigação de pobreza.
Com esse problema em mente, pesquisadores da Universidade de Stanford desenvolveram metodologia e ferramentas de machine learning (um dos ramos da Inteligência Artificial) para a identificação da pobreza. Engenheiros da computação, economistas, sociólogos e matemáticos se reuniram e desenvolveram algoritmos capazes de extrair informações consistentes sobre a pobreza em cinco países africanos, a partir de imagens de alta definição coletadas por satélites (ver nota). A técnica utilizada para captar e identificar as relações entre milhões de imagens diurnas e noturnas chama-se convolutional neural network, um modelo inspirado na arquitetura biológica do córtex, que contém um arranjo complexo de células sensíveis a pequenas regiões e sub-regiões do campo visual.
Essas propriedades estimularam os pesquisadores a trabalhar com informação escassa e de má-qualidade para mapear pobreza, uma vez que os levantamentos tradicionais, além de caros e descontínuos, não conseguiam capturar as variações locais necessárias para circunscrever as áreas mais pobres.
Ao analisar imagens colhidas por satélites e tratadas por algoritmos, os pesquisadores da Universidade de Stanford conseguiram identificar, medir e estimar os sinais de pobreza e riqueza em cinco países africanos: Nigéria, Tanzânia, Uganda, Malawi e Ruanda. Testes preliminares e comparações com outras metodologias indicaram, surpreendentemente, o bom nível de rigor alcançado pelo novo mapeamento.
A pesquisa desenvolvida pela Universidade de Stanford realça a força das abordagens de machine Learning e big data, assim como abrem novas perspectivas para as ciências sociais, com a elaboração de metodologias rigorosas – e baratas – que podem ajudar na elaboração de políticas e programas voltados para a diminuição da pobreza em outros países, além da vantagem de conseguirem mostrar resultados a partir da análise de dados não estruturados.
Boa notícia para o mundo, que passa a contar com instrumentos mais poderosos para derrubar a pobreza e a desigualdade. E também para o Brasil, que pode se beneficiar desses avanços para a erradicação da miséria extrema, ao mesclar as novas técnicas com os dados de boa qualidade que as instituições brasileiras (como o IBGE) conseguem produzir.
Na USP, pesquisadores do Observatório da Inovação do Instituto de Estudos Avançados articulam projeto semelhante, estimulados pela Pró-Reitoria de Pesquisa e com base no pioneirismo brasileiro na execução de políticas públicas bem-sucedidas de redução da pobreza.
Para saber mais, visite o site da pesquisa.
[…] setores como o de mineração, energia, defesa, agricultura e navegação. O mapa da pobreza, já apresentado aos leitores de Hi Arbix dá uma ideia de como as novas técnicas podem impactar o mundo […]