Dedicado a "Nacho" Padilla (1968-2016)

Es evidente que uno de los mayores problemas existentes al establecer programas sólidos  de desarrollo social es la falta de información detallada obtenida oportunamente y a costos accesibles, con relación a la pobreza existente en el mundo. 

Durante décadas, este tipo de información se ha obtenido con base en encuestas que muy frecuentemente se ven limitadas por factores de interés político, económico o hasta de seguridad personal. Sin diagnósticos confiables es prácticamente imposible garantizar la efectividad de estrategias para acabar con la pobreza en amplias regiones de nuestro planeta.

En  este contexto es importante promover el vínculo que recientemente se ha establecido entre  la alta tecnología de identificación de imágenes, el desarrollo de la inteligencia artificial y el combate a la pobreza. 

Hace algunos años se hicieron famosas algunas imágenes satelitales en las cuales se muestra a la Tierra por la noche. Los países altamente industrializados se mostraban muy iluminados,  en contraste con la obscuridad existente en vastas regiones en vías de desarrollo. Mucho se ha avanzadoa partir de ese primer indicador, que además puede ser ampliamente cuestionado como parámetro fundamental para describir la pobreza.

La tecnología satelital contemporánea es ahora de muy alta resolución de forma que se puede examinar cualquier extensión del planeta con superficies del orden de un kilómetro cuadrado.  Ello permite determinar la existencia de elementos indicativos de desarrollo tales como caminos pavimentados, construcciones, plantas generadoras de energía y fuentes de suministro de agua. Los satélites utilizados para estos fines operan cotidianamente y son también empleados para detectar la formación de perturbaciones atmosféricas y huracanes.

Ahora bien, más allá de la recolección de montañas de datos fidedignos sin necesidad de mecanismos tipo encuesta, ahora también es posible realizar el análisis y la interpretación de los mismos sin que se requiera una inversión prohibitiva en horas de trabajo de escrutinio y discernimiento.

Técnicas de análisis matemático que involucran el uso de conceptos tales como probabilidad condicional, funciones de distribución, redes neurales y convoluciones han permitido que las mismas máquinas que realizan la observación aprendan a crear y desplegar mapas de pobreza objetivos, sin que medien grandes gastos y/o lentas y costosas encuestas de opinión.

Los primeros resultados indicativos de la fiabilidad de este tipo de sistemas fueron publicados muy recientemente en la prestigiosa revista Science por un equipo especializado de la Universidad de Stanford (nota al pie 1). En dicho trabajo se han reproducido con precisión mapas de pobreza en cinco países Africanos que a su vez han sido objeto de estudios independientes por parte de la Organización de las Naciones Unidas.

Las técnicas matemáticas involucradas en el análisis de bases de dato públicas, identificadas con el término Big Data, forman parte de un vigoroso enfoque de las matemáticas aplicadas  encaminado a la solución de problemas sociales  complejos (nota al pie 2).

A su vez, los planes de estudio contemporáneos relacionados con esta área del conocimiento (tales como los de la licenciatura en Actuaría, de próxima apertura en la IBERO) están adoptando rápidamente estos conceptos, de manera que los profesionistas egresados en estos programas se encuentren favorablemente posicionados para contribuir a la necesaria transformación de nuestra sociedad.

1 Neal Jean*, Marshall Burke*, Michael Xie, Matt Davis, David Lobell, Stefano Ermon. 2016. "Combining machine learning and satellite imagery to predict poverty". Science, 353(6301), 790-794 (2016).

2 Michael Xie, Neal Jean, Marshall Burke, David Lobell, Stefano Ermon, “Transfer Learning from Deep Features for Remote Sensing and Poverty Mapping” , In Proc. 30th AAAI Conference on Artificial Intelligence (2016)  https://arxiv.org/pdf/1510.00098v2.pdf .

prl/ICM