По словам ученых, разработанная ими технология может быть применена для эффективной оценки уровня бедности в условиях отсутствия достоверных статистических данных, а использование этой методики позволит сэкономить значительные средства на проведении дорогостоящих опросов и других исследований.
Исследователи разбили процесс обучения нейросети на несколько этапов. На первом этапе они при помощи крупной базы изображений подготовили систему, научив ее определять, что изображено на снимке, и находить мелкие детали вроде крыш домов. Затем в нейросеть были загружены ночные и дневные спутниковые снимки местности. Алгоритм научился сопоставлять эти снимки, чтобы находить на них экономически богатые районы, учитывая уровень освещенности. Сочетание этих двух этапов обучения позволило нейросети самостоятельно определить, какие еще особенности отличают благополучные области на карте. Например, к таким факторам были отнесены наличие дорог или воды.
После этого разработчики загрузили в систему данные опросов о средних потребительских расходах домохозяйств и «индексе богатства», который рассчитывается на основе сведений об имуществе во владении домохозяйств. Результаты опросов, привязанные к картам местности, нейросеть сопоставляла со спутниковыми снимками той же местности и теми ее особенностями, которые указывают на экономическую активность населения. В результате нейросеть обучилась восполнять пробелы в данных на основе деталей определенной местности.
Точность работы обученного алгоритма была проверена при помощи спутниковых снимков пяти африканских стран (Нигерии, Танзании, Уганды, Малави и Руанды), по которым были доступны результаты опросов, и превзошла точность предложенных ранее методов, включая оценку бедности по данным сотовых операторов о звонках и SMS-сообщениях.
