News Press Service
Banco Mundial
Chris Mahony Varalakshmi VemuruEvie Calcutt
En el momento en que el Gobierno de Sudáfrica contactó al equipo del Programa de Financiamiento del Riesgo de Desastres (FRD) del Banco Mundial para analizar más exhaustivamente las catástrofes naturales y riesgos sociales como la violencia social, que cuestan al país USD 45 600 millones anuales (13 % del PIB), ya habíamos comenzado a explorar este desafío.
Estábamos tratando de abordar la forma compleja y dinámica en que los riesgos sociales interactúan con las emergencias de salud pública, el comercio, los conflictos, los fenómenos meteorológicos extremos y las percepciones que las personas tienen de ellos en diferentes lugares: una combinación que comúnmente se conoce como policrisis.
Con el apoyo financiero del fondo fiduciario general sobre el financiamiento del riesgo (RFU) y el Mecanismo de Financiamiento del Escudo Mundial, exploramos el poder de la inteligencia artificial (IA) para medir, predecir y explicar los riesgos sociales con el fin de mejorar la preparación y el impacto en el desarrollo.
Creíamos que, si los modelos de IA podían predecir con exactitud los cambios en los fenómenos sociales e identificar sus causas, podríamos adaptar de manera más eficaz y eficiente la información sobre la naturaleza, la escala, la ubicación y los plazos de las actividades de desarrollo antes de que se produzcan las crisis.
Sabíamos que predecir el comportamiento humano requiere considerar el contexto de la compleja relación dinámica entre millones de dimensiones de la realidad y las percepciones con respecto a ellas.
Nuestro desafío consistía en identificar los fenómenos adecuados y encontrar datos de buena calidad para medirlos, es decir, conjuntos de datos frecuentes y de larga data que permitieran a un modelo de aprendizaje automático analizar suficientes episodios de cambio.
Para algunos fenómenos, como las variaciones en los tamaños de la población o los niveles de delincuencia, nuestros científicos de datos tuvieron que recurrir a la IA para el análisis de los reportajes periodísticos sobre el crimen y las imágenes satelitales de las estructuras construidas con el fin de producir datos apropiados que se pudieran incorporar en nuestros modelos.
Factores basados en las ciencias sociales incorporados en el modelo
Nuestro equipo de científicos sociales identificó dimensiones del mundo natural, construido y social, así como el lenguaje utilizado en línea para referirse a ellas, lo que sirvió de base para la recopilación de datos para tres modelos de prueba de concepto que predicen la violencia en la República Democrática del Congo, los cambios en la población del Cuerno de África y las variaciones en los niveles de delincuencia en un pequeño Estado insular en desarrollo.
Hoy en día, nuestros modelos de IA que analizan los factores que impulsan los riesgos sociales ya están orientando el diseño y la implementación de las políticas y las operaciones del Banco Mundial en África (y otros lugares), así como de análisis posteriores.
En la República Democrática del Congo
Nos focalizamos en tres provincias del este de la República Democrática del Congo históricamente asoladas por conflictos —Kivu del Norte, Kivu del Sur e Ituri—, y nuestro primer modelo pronosticó cambios en el número de eventos de conflicto e identificó, entre las miles de variables del modelo, los fenómenos con la mayor asociación al cambio.
Esto incluyó opiniones sobre temas delicados como la tierra, la minería, la identidad y la gobernanza, el tamaño de las reservas oficiales del Gobierno, el precio del azúcar y el volumen de las exportaciones de cobre.
El modelo está orientando los análisis nacionales, incluida la evaluación de riesgos y resiliencia del Banco Mundial, así como la información sobre la naturaleza, la escala, la ubicación, la secuencia y los plazos de las actividades respaldadas por el Banco Mundial, entre ellas el Proyecto de Estabilización y Recuperación en el Este de la República Democrática del Congo (STAREST) que contempla un mecanismo de financiamiento del riesgo para responder a los niveles de conflicto observados o previstos.
En el Cuerno de África
En las zonas fronterizas del Cuerno de África, con escasez de datos y donde se encuentran Etiopía, Kenya y Somalia, nuestro equipo generó datos mensuales sobre estructuras construidas en 56 pueblos y ciudades para un período de cinco años, utilizando imágenes satelitales como un indicador sustitutivo del cambio demográfico.
Un segundo modelo pronostica cambios en estos datos indirectos: el gráfico muestra la importancia de los factores relacionados con eventos de conflicto, económicos y ambientales, al igual que de las percepciones sociales ellos, como efectos en los cambios demográficos.
Estos datos sirvieron de base para el diseño del proyecto DRIVE (Reducción del Riesgo, Inclusión y Mejora del Valor de las Economías Pastoriles en el Cuerno de África), en el que se analiza actualmente la adaptación de modelos para pronosticar los elementos de la cadena de suministro del ganado que afectan la vulnerabilidad de la actividad agropecuaria.
El modelo también sirve de base para diseñar un modelo de previsión del riesgo de desplazamiento para la segunda etapa del Proyecto de Respuesta de Desarrollo a los Impactos del Desplazamiento en Etiopía.
Asociación de factores identificados por modelos con cambios en el tamaño de la población en las zonas fronterizas del Cuerno de África
En un pequeño Estado insular en desarrollo
Luego centramos nuestra atención en la previsión y explicación del número de días que faltaban hasta el próximo episodio de disturbios sociales y el cambio en los niveles de delincuencia en un pequeño Estado insular en desarrollo.
Los expertos en ciencias sociales identificaron los niveles de delito como un probable factor que impulsa los disturbios; sin embargo, nos sorprendió que no hubiera disponibles datos con suficiente frecuencia y antigüedad. Esto nos llevó a utilizar un modelo de lenguaje de gran tamaño (LLM) para producir estos datos a partir de noticias en línea. Luego desarrollamos un modelo predictivo que pronostica los cambios diarios en estos datos sobre delincuencia con una precisión del 87,1 %.
Posteriormente, analizamos el modelo para identificar los factores más asociados con el cambio. Gracias a esto, pudimos producir, pronosticar e identificar los factores asociados, lo que nos permitió medir la delincuencia con el fin de dar fundamento al índice de políticas e instituciones nacionales en materia de crimen y violencia del Banco Mundial para el desarrollo de la cartera de proyectos.
El desempeño del modelo predictivo frente a los niveles actuales de delitos denunciados
Los departamentos de Políticas Sociales y de Fragilidad, Conflicto y Violencia (FCV) ya han mejorado este modelo para respaldar el primer mecanismo mundial de financiamiento del riesgo de desplazamiento que permite al Gobierno de Uganda ampliar la capacidad de los servicios públicos antes de la llegada de los refugiados en lugar de hacerlo después de su arribo.
Estos modelos innovadores muestran el poder de la IA para transformar la forma en que el Banco Mundial mide, comprende y predice los riesgos sociales con el fin de conseguir mejores resultados de desarrollo en una amplia gama de aplicaciones como se ilustra.
De cara al futuro, planeamos compartir más detalles sobre estos modelos a medida que se adquieran los aprendizajes operacionales
Utilidad de los modelos de IA predictivos y explicativos para las políticas, las operaciones y los conocimientos
