Los problemas para medir la pobreza

En el año 2015, las Naciones Unidas presentó las Metas de Desarrollo Sostenible (MDS) que son 17 objetivos globales que se espera cumplir en 2030. La más ambiciosa es eliminar la pobreza. Sin embargo, como dice el artículo de Quartz titulado “The best way to predict poverty is by combining satellite images with machine learning”, actualmente no existe una forma universal de calcular o predecir la pobreza con total efectividad.

¿Cómo plantear una meta, si no se cuenta con las herramientas para comprobar si es posible de ser alcanzada?

Precisamente, esa es la reflexión que se hizo Marshall Burke, un profesor asistente del Departamento de Ciencia del Sistema Terrestre de la Universidad de Stanford.

Si el mundo no está en capacidad de coleccionar datos para sistematizar y analizar cómo va la pobreza, ¿Cómo sabremos que la hemos eliminado?

Por eso, con la ayuda de unos colegas, creó un sistema que “puede predecir la pobreza de mejor forma y de manera más barata que cualquier otro método”. Este sistema consiste en utilizar satélites y datos, y combinarlos para realizar algo llamado aprendizaje por transferencia.

Se utilizan tres factores: fotos de satélite de la luz proyectada durante la noche, imágenes de alta resolución del planeta de día, y datos recolectados en censos que miden dos cosas: cuánto se consume y la riqueza de activos que tiene cada región.

Luego, con todo esto, utilizan el aprendizaje por transferencia en un algoritmo. Primero, se combinan las imágenes de noche y de día y automáticamente, el algoritmo empieza a reconocer vías, zonas urbanas, cuerpos de agua y zonas de cultivo. Luego, el algoritmo busca relaciones en los resultados, como, por ejemplo, que las áreas con zonas urbanas están más iluminadas y que las más iluminadas son zonas más ricas; o que la presencia de más carros significa que se gasta y se tiene más posesiones en esa zona.

Con este proceso terminado, el algoritmo empieza a predecir la pobreza o riqueza de las zonas donde no hay muchos datos utilizando las relaciones encontradas. De esta forma es capaz de predecir mejor que con cualquier otro método qué tan pobres son diferentes regiones del mundo.

Burke y sus colegas afirman que el sistema creado es sumamente barato. Además, al contrastar diferentes imágenes a lo largo del tiempo, se puede determinar satisfactoriamente si la pobreza se ha reducido como se deseaba.