概述
這很重要,因為與需求相比,援助預算很小,而且更早、更有針對性的幫助可以挽救生命。相關人員往往極為脆弱,因此錯誤和資料外洩會帶來嚴重後果。
深入探討
人道人工智慧分為三大類工作:預測危機、尋找需要幫助的人、營運營運。在預測方面,美國政府在 20 世紀 80 年代中期非洲發生飢荒後於 1985 年建立的飢荒早期預警系統網絡 (FEWS NET),結合衛星降雨和植被數據、市場價格和實地報告,使用五階段 IPC 規模來預測未來幾個月的糧食不安全狀況。它的大部分判斷都是專家驅動的,但模型越來越多地為它提供基礎。世界糧食計畫署的 HungerMap LIVE 使用機器學習模型來預測近期調查缺失的糧食不安全情況。聯合國難民署的傑特森計畫試圖根據河流水位、降雨量和市場價格等訊號來預測索馬利亞的流離失所情況。在目標方面,最著名的案例是多哥在 COVID-19 大流行期間的諾維西現金轉移計劃。研究人員和政府使用高解析度衛星影像來估計哪些地區最貧困,然後使用手機使用模式來估計這些地區的哪些用戶最貧困,並透過行動貨幣向他們支付。一項經過同行評審的評估發現,這種方法比當時可用的更簡單的地理選項更準確地接觸到窮人,但它仍然犯了很多錯誤,並且無法接觸到沒有手機的人。最大的風險涉及數據。難民的生物辨識登記,例如虹膜和指紋登記,可以加快分配速度並減少欺詐,但它會創建有關可能逃離本國政府的人的永久記錄。人權觀察組織 2021 年報告稱,從孟加拉國羅興亞難民收集的數據已與緬甸共享,以便在未充分知情同意的情況下進行遣返檢查。一個常見的誤解是更多的數據總是意味著更好的援助。有偏見或不完整的數據可能會隱藏整個群體,當食物依賴說「是」時,同意就很難有意義。紅十字國際委員會的《人道行動中的資料保護手冊》規定了處理這些風險的原則。
現實世界的實施
一個預警小組結合了衛星降雨量估計、植被綠度和當地糧食價格,來標記一個可能在未來幾個月達到危機等級糧食不安全的地區,讓捐助者有時間預先儲備糧食。
世界糧食計劃署的 HungerMap LIVE 使用模型來估計最近沒有進行家庭調查的地區當前的糧食不安全狀況,因此分析師不會根據多年的數據進行工作。
在新冠肺炎 (COVID-19) 大流行期間,多哥的 Novissi 計劃利用衛星圖像尋找最貧困的地區,並利用手機使用模式來估計最貧困的個人,然後透過行動貨幣發送現金。
難民機構透過虹膜掃描來登記抵達者,以便人們無需紙卡即可領取口糧,同時必須決定誰可以存取這些生物識別記錄以及多長時間。
人工智慧在人道援助和難民應對方面的未來
更好的衛星覆蓋、更便宜的電話調查和改進的天氣預報應該會使早期預警更加及時,而在預測衝擊到來之前發放資金的預期行動正在獲得各機構的支持。瓶颈与其说与算法有关,不如与资金、冲突地区的准入和信任有关。削减援助预算可能会中断模型所依赖的数据系统。預計對目標模型的獨立審計、更清晰的生物識別同意做法以及與政府共享難民數據的規則的壓力將會越來越大。人工智能能否改善结果将取决于预测是否真正触发早期资助以及被排除在外的群体是否有办法上诉。
付諸實踐
為什麼這很重要
- 背景與規則. 產業背景決定了人工智慧創意能否與現實接觸。
- 品質管控. 領域約束會影響可接受的錯誤率和監督模型。
- 配裝選擇. 成功的部署使技術能力與第一線工作流程保持一致。
留意
- 監理要求可能會使原本強大的原型失效。
- 歷史資料可能會編碼損害特定社區的偏見。
- 遺留系統可能會造成整合瓶頸和隱性成本。
後續步驟
- 讓領域專家參與從問題框架到評估的整個過程。
- 在啟動前設計審計追蹤和文件。
- 儘早驗證合規性和安全義務。
- 分階段推出,並有明確的停止和回滾標準。
不斷探索
常見問題
什么是人道主义援助和难民应对中的人工智能?
人道援助中的人工智慧意味著利用衛星圖像、市場價格、天氣和手機數據的機器學習來預測飢荒等危機,決定誰應該接受幫助,並更有效地進行救援行動。這很重要,因為與需求相比,援助預算很小,而且更早、更有針對性的幫助可以挽救生命。相關人員往往極為脆弱,因此錯誤和資料外洩會帶來嚴重後果。
多哥的 Novissi 計劃結合了哪些數據來確定現金轉移目標?
衛星影像估計哪些地區最貧困,行動電話使用模式估計這些地區的哪些個人用戶最貧困。
基於電話的援助定位的已知限制是什麼?
如果根據電話記錄估計資格,則可能會完全錯過沒有電話或共用電話的人。
哪個機構的工具 HungerMap LIVE 在近期調查缺失的情況下即時預測糧食不安全狀況?
HungerMap LIVE 由世界糧食計劃署運營,並使用模型來估計兩次調查之間當前的糧食不安全狀況。
人權觀察為何對 2021 年羅辛亞難民數據表示擔憂?
報告稱,在孟加拉收集的數據在未經充分知情同意的情況下與難民逃離的國家緬甸共享,以便進行可能的遣返檢查。
在評估援助目標模型時,為什麼團隊應該單獨報告排除錯誤?
整體準確性可以隱藏有多少符合資格的人被排除在外。排除錯誤直接統計模型漏掉的貧窮人口。