Die Coronavirus-Pandemie betraf alle, aber ihre Intensität war nicht überall gleich. In einigen Ländern wie Spanien, Italien und den Vereinigten Staaten haben das Ausmaß dieser zerstörten Gesundheitssysteme und vorbeugende Maßnahmen wie die Quarantäne die Länder zu einer wirtschaftlichen Rezession geführt.
Diese Gebiete verfügen jedoch immer noch über Mechanismen, mit denen sie versuchen können, zu schweben. Andererseits verfügen die Entwicklungsländer heute nicht immer über die erforderlichen Ressourcen.
Viele von ihnen haben Bevölkerungsgruppen in Armutssituationen, die aufgrund der weltweit etablierten Quarantäne- und Isolationsmaßnahmen noch anfälliger geworden sind. Organisationen wie das Welternährungsprogramm der Vereinten Nationen warnen bereits davor, dass sich der Welthunger infolge des Coronavirus verdoppeln könnte.
Es wird eine der vielen Krisen sein, die die am stärksten gefährdeten Gruppen überwinden müssen, um mit einer Pandemie fertig zu werden. Die Regierungen dieser Nationen sind sich dieser gefährlichen Möglichkeit bewusst und haben sich daher entschlossen, technologische Unterstützung zu suchen, um die Nebenwirkungen von COVID-19 zu bekämpfen.
Wie können große Datenmengen und maschinelles Lernen helfen?
Hier erscheinen Konzepte wie Big Data und maschinelles Lernen. Ersteres wird einerseits zu einer enormen und ständig aktualisierten Informationsquelle, die es uns ermöglicht, die Bedingungen der Bürger und ihre unmittelbaren Bedürfnisse besser zu verstehen.
Maschinelles Lernen wird das Element sein, das dazu beiträgt, große Datengruppen zu bilden, um die erforderlichen Informationen für die entsprechende Aktion zu erhalten. In Togo, Afrika, ist beispielsweise geplant, diese Technologie zu verwenden, um Ausbrüche extremer Armut im Land zu definieren.
Zu diesem Zweck werden sie über einen Mechanismus für maschinelles Lernen verfügen, der Satellitenbilder des gesamten togolesischen Territoriums verarbeitet. Auf diese Weise können Sie detaillierte Karten erstellen, die die Gebiete mit der größten Armut zeigen. Dies wiederum wird zu den Hauptpunkten werden, an denen die Regierung während der Krise mehr Hilfe leisten wird.
Andere Alternativen
Dies ist nicht die einzige Möglichkeit, maschinelles Lernen als Hilfsmittel zur Unterstützung der Ursache einzusetzen. In der Tat verwenden andere Länder wie Uganda dies, verarbeiten jedoch Daten, die von lokalen Telefonisten erhalten wurden.
In einigen Entwicklungsländern verfügen diese Drittunternehmen im Allgemeinen über mehr Informationen über den aktuellen Standort und die Situation ihrer Kunden als die Regierung ihrer Bürger. Daher ist die Verwendung von proprietären Daten eine Methode, die die höchstmögliche Genauigkeit der Informationen garantiert.
In diesen Fällen werden der Ort, die Häufigkeit der Anrufe, die Dauer, die Anzahl der Kontakte und die Häufigkeit des Ladens der Kontostanddaten verwendet. Daher kann maschinelles Lernen die Situation von Online-Benutzern sehr genau einschätzen. Auf diese Weise kann die Regierung wissen, welche Bürger zuerst unterstützt werden müssen.
Wir finden Bangladesch mit einer ähnlichen Idee. In diesem Fall verwenden sie maschinelles Lernen und Telefoninformationen für Benutzer, um die Zulassungskriterien zu bestimmen. Zusammenfassend wird das Land anhand der aus den Analysen gewonnenen Informationen wissen, welche Bürger für das Hilfsprogramm in Frage kommen und wer die Anforderungen nicht erfüllt. Offensichtlich reichen diese Informationen allein nicht aus, um einen Kandidaten vollständig auszuschließen, aber sie können darauf hindeuten, dass eingehende Studien dieser Person oder sogar dieses Bereichs erforderlich sind.
Vorteile dieser neuen Systeme.
Der Reiz dieser neuen Vorschläge liegt in ihrem Potenzial. Dank ihnen wird die Regierung endlich in der Lage sein, aktualisierte und wahre Informationen über ihre Bevölkerung zu erhalten.
Infolgedessen würde dies zu einem besseren Ressourcenmanagement und besseren Regierungsentscheidungen führen. Um die Sache noch schlimmer zu machen, hätten sie auch zuverlässigere Kontrollkanäle und Möglichkeiten, um schnell Hilfe nur für diejenigen zu erhalten, die sie am dringendsten benötigen, selbst wenn sie nicht in anderen Regierungsdatenbanken registriert sind.
Einige Nachteile können Sie auf dem Weg bemerken
Allerdings ist nicht alles in diesen Vorschlägen gut. Tatsächlich besteht auch das Risiko, dass die Bürger von dem Betriebssystem profitieren, das sich zu ihren Gunsten neigt.
Wenn beispielsweise bekannt ist, dass Personen mit weniger Ressourcen kürzere Verbindungen herstellen und der Algorithmus für maschinelles Lernen dies erkennt, können Personen die Kommunikationszeit absichtlich verkürzen, um qualifizierte Kandidaten für Hilfe zu werden.
Ebenso haben diese Systeme die große Möglichkeit ignoriert, dass die wahrscheinlich am stärksten gefährdete Bevölkerung nicht einmal über ein Mobiltelefon verfügt. Daher wäre die Registrierung in diesen Hilfsprozessen viel komplizierter.
Schließlich scheinen alle theoretischen Theorien eine einfache Operation für eine einfache Prämisse zu bieten. Die Notwendigkeit, die Protokollierung und Überwachung auf diese Weise auf mehr als 160 Millionen Menschen im wirklichen Leben anzuwenden, scheint jedoch nicht so einfach zu sein.
Zumal die Erfahrung mit solchen Mechanismen in diesen Ländern grundsätzlich Null ist. Dies würde bedeuten, dass der letzte Versuch auch der erste sein würde und daher auch anfällig wäre.
Können wir diese Technologie heute nutzen?
Die Möglichkeiten sind bereits vorhanden, aber das notwendige Wissen ist nicht vorhanden. Es ist jedoch nicht immer möglich, in einer Krise die üblichen Vorsichtsmaßnahmen zu treffen. Ein Ereignis wie eine Pandemie erwartet keine Labortests, kontrollierten Tests oder eine schrittweise praktische Anwendung.
In dringenden Fällen müssen Sie schnell handeln. Zum Glück verfügen wir jetzt über die Technologie und die Ressourcen, um diese Initiativen umzusetzen. Die Länder Togo, Uganda und Bangladesch haben diese Situation ernst genommen und unternehmen derzeit besondere Anstrengungen, um dieses Ziel zu erreichen.
Blinder Fortschritt ist jedoch auch keine Option. Für einen Moment wie diesen ist es in Eile besser, Informationen auszutauschen und gemeinsame Forschung zu betreiben. So wie Informationen über das Coronavirus an Nationen auf der ganzen Welt weitergegeben werden, können detaillierte Informationen zu anderen Initiativen für maschinelles Lernen auch eine Reihe von Informationen für Länder sein, die es anwenden möchten.
Auf diese Weise kann das Scheitern des einen zum Lernen des anderen werden und umgekehrt. Dank dessen führen gemeinsame Anstrengungen in kürzerer Zeit zu besseren und schnelleren Ergebnissen. Auf diese Weise können sie ihre Ressourcen bei besonderen und intensiven Turbulenzen wie der Pandemie optimal nutzen.
