Як Фейсбук використовує машинне навчання щоб утворити карту населення

Якщо мова заходить про те, де насправді живуть люди по всьому світу, інформаційні ресурси варіюються різною мірою точності.

Сильно урбанізовані та зрілі економіки, як правило, дають велику кількість актуальної інформації про щільність населення та детальні демографічні дані. У сільській Африці або інших регіонах країн, що розвиваються, методи відстеження не завжди можуть бути в курсі, або в деяких випадках можуть бути відсутніми.

Тут з’являються нові карти, розроблені дослідниками у Facebook. На основі проекту CIESIN “Сітка популяція світу”, Facebook використовує моделі машинного навчання на супутникових знімках високої роздільної здатності, щоб намалювати остаточну картину людських поселень у всьому світі.

З’єднання крапок

Якщо відкинути всі інші деталі, людське поселення може утворити деякі цікаві схеми. Одним з найбільш переконливих прикладів є Єгипет, де 95% населення проживає вздовж річки Ніл. Ми можемо чітко бачити, де люди живуть, а де їх немає.

Хоча можна використовувати такий інструмент, як Google Earth, для перегляду майже будь-якого місця по всьому світу, проблема полягає в аналізі зображень у масштабі. Саме тут стає потрібним машинне навчання.

Пошук людей у петабайтах

Зображення у всьому світі з високою роздільною здатністю займають близько 1,5 петабайтів, що робить завдання класифікації даних надзвичайно складним. Лише зовсім недавно технології отримали змогу правильно визначити будівлі у всіх цих зображеннях.

Для отримання результатів, які ми бачимо сьогодні, дослідники використовували процес усунення, щоб відкинути місця, які не могли містити будівлю, а потім класифікували їх на основі ймовірності, що вони можуть містити будівлю.

Facebook визначив структури в масштабі, використовуючи процес, який називається слабко контрольованим навчанням. Навчивши модель, використовуючи великі партії фотографій, а потім перевіривши результати, Facebook зміг досягти 99,6% точності маркування.

Чому це має значення

Точна картина, де живуть люди, може бути справою життя та смерті.
Для гуманітарних установ, що працюють в Африці, ефективне розповсюдження допомоги чи вакцинації населення залишається проблемою через відсутність надійних карт та інформації про щільність населення. Дослідники сподіваються, що ці детальні карти будуть використані для порятунку життя та покращення умов життя в регіонах, що розвиваються.

Наприклад, Малаві – одна з найменш урбанізованих країн світу, тому знайти 19 мільйонів громадян – непросте завдання для людей, які займаються там гуманітарною роботою. Ці карти чітко показують, де живуть люди, і дозволяють організаціям створювати точні оцінки щільності населення для конкретних районів.

Джерело: https://www.visualcapitalist.com/facebook-machine-learning-world-population-map/