技术促进发展

Daniel Björkegren和Joshua Blumenstock 人工智能必须仔细适应穷人的利益，显示在肯尼亚，塞拉利昂和多哥的研究 A人工智能(AI)重塑发展-在经济中，它引发了人们熟悉的破坏风险-调查、错误信息和监视-但是也承诺了许多潜在的好处。最近示例说明基于AI的技术 可以更好地针对援助和信贷，并改善获得服务的机会-失去了教学和医疗建议。但是平衡这些风险和机遇意味着不仅仅是插头和发挥现有技术的作用-它需要本地创新和适应。 fi人工智能的最新进展-在富裕国家成立-在这些国家发展对于本地用户，使用本地数据。在过去的几个 在航空图像和移动用户中发展他们的手机余额低。基于目标在这些签名上有助于确保现金转移-Fers接触到了最需要的人(艾肯和其他2022年）。 多年来，我们与合作伙伴进行了研究低收入国家，致力于人工智能应用这些国家/地区、用户和数据。在此类设置中，基于AI的解决方案只有在他们fit本地社会和制度背景。 肯尼亚青年出席a机器人和编码类学习未来技术。 此应用程序在多哥工作只是因为政府与研究人员合作-ER和非Profit组织，定制了满足当地需求的技术。他们建立了一个系统-用于分发移动货币支付的项目为所有移动用户工作，适应现有的机器学习软件以现金转移为目标，并采访了成千上万的Benefi读者以确保系统反映了当地的defin -贫困。即便如此，基于人工智能的解决方案- 在多哥，政府使用机器学习技术，以现金援助为目标COVID - 19大流行，我们发现让人工智能适应当地条件是取得成功的关键。政府最初重新利用了技术旨在针对在线广告的任务确定该国最贫穷的居民。使用AI，该系统处理来自卫星和手机公司识别签名：贫困— —比如出现在下面的村庄— — 这并不是为了永久而设计的；它应该是大流行结束后逐步淘汰。 cern:在实验室中表现良好的算法知识投资基于AI的计划还提出了另一个问题-实地决策。例如，在基础设施，特别是部署时可能不可靠，因为结果-可能会调整他们的行为以符合fits的资格，在发展中经济体，像多哥这样的援助目标系统，人们从而削弱了系统的指挥能力现金给穷人矿山小额贷款的资格，基于移动穷人是数字化的在其他地方，机器学习被用来阻止-例如，在肯尼亚，超过四分之一的成年人代表性不足”。电话行为（比约克格伦和格里森2020年）。用他们的手机贷款。但是如果那些有更多Facebook朋友的人更有可能成为批准贷款，一些申请人可能会考虑快速添加朋友。最终，这可以使系统很难瞄准目标人群。在肯尼亚Busara中心的一项研究中，我们发现人们能够学习和调整他们的响应此类算法的智能手机行为-mic rules (Björkegren, Blumenstock, and Knight,即将到来)。我们展示了一个概念证明对算法的调整，预期这些反应，表现更好。然而，技术-仅靠Nology无法克服出现的问题在实施过程中；建设这样的系统是确保它们是可靠的-能够在现实世界的条件下。另一方面，一些系统需要自适应-tation之前，它们将是有用的。例如，在许多低收入国家，教师必须-dle资源有限的大型班级。在SierraLeone，当地合作伙伴试用了AI聊天机器人系统对于教师来说，叫做TheTeacher. AI，也就是simi -LAR到ChatGPT，但针对当地课程和指导和访问，即使在互联网连接-nections are poor. In the pilot phase, many teachers不能用一种能产生使用的方式来表达问题-完整的答案，但一小群开始使用系统-定期帮助教学概念、计划-ninglessons, and creatingclassroom materials (Choiand others 2023). It taken training and experimenta -教师在实践中使用它。人工智能的使用可能对于那些站在beefit；发现许多用途将取决于尝试和错误和共享应用程序，帮助。 “AI系统将需要 具有负数和分数的算法低收入居民。但是我们的团队发现更简单传达这些概念的方法。很明显当人们对算法做出回应时，他们掌握了这个概念。尽管如此，复杂的人工智能系统即使对于AI研究人员来说，di CNS也很难理解。 有些应用程序不要求用户知道算法是如何工作的。例如，Netflix电影建议可以使fit用户受益，即使他们这样做不明白算法如何选择内容它认为他们会喜欢。同样，在人类中-Ian危机，政策制定者可能认为这是可以接受的使用一种神秘的“黑匣子”算法，就像多哥的政府在应对COVID - 19危机时这样做了。透明度有时至关重要。当tar -在非紧急情况下获得社会保护，向潜在受益者解释资格标准fi-ciaries是必不可少的。这说起来容易做起来难:大量的访谈和焦点小组向我们展示了围绕数据和隐私的规范和价值观如何在农村这样的环境中从根本上不同多哥比富裕国家更多，那里基于人工智能的系统-tems更常见。例如，很少有人我们交谈时担心政府或公司访问他们的数据(占主导地位的公司-欧洲和美国的CERN)，但许多 沟通障碍 掌握人工智能的潜力可能会更难低收入国家的人们，文学和算术较低，居民不太熟悉用数字数据和处理这个问题的算法信息。例如，在我们的fi场实验中肯尼亚内罗毕，wefounditdiúculttoexplainsimple 然后验证响应，而不是整理信息-来自几个在线资源的信息。 然而，一些人工智能系统将需要投资-在知识基础设施方面，特别是在发展中经济体，数据缺口持续存在，穷人的数字代表性不足。人工智能模型关于需求的信息不完整和低收入居民的愿望，国家他们的健康，人民的外表和邪恶-语言和较少使用的语言的结构。 收集这些数据可能需要集成诊所、学校和企业进入数字记录-保持系统；为它们的使用创造激励；并建立对所得数据的合法权利。 此外，AI系统应针对本地值和条件。例如，Western AI系统可能会建议教师使用费用-丰富的资源，如数字白板或数字-斜体幻灯片演示文稿。这些系统必须是调整为与缺乏这些的教师相关资源。投资于能力和培训本地AI开发人员和设计师可以帮助确保下一代技术创新更好地反映当地的价值观和优先事项。 想知道这些信息是否以及如何与邻居分享。 在a上工作笔记本电脑在i-Hub技术创新中心在肯尼亚内罗毕。 随着AI的部署越来越普遍，人群必须了解其更广泛的社会影响。对于例如，AI可以生成挑衅性的照片完全是假的和模拟的robcalls声音。这些快速的变化将影响多少人们应该信任他们在网上看到的信息。即使是偏远人群也必须被告知这些可能性，使他们不会被误导-和以确保他们的关切在制定法规。 丹尼尔·比约克格伦是一个助理教授哥伦比亚大学国际学院和公共广播。Joshua blumenstockis大学校长的副教授加利福尼亚，伯克利，信息学院和高盛公共政策学院。 参 考 文 献 艾肯，艾米丽，苏珊·贝卢，迪恩·卡兰，克里斯·乌德里，和约书亚·E·布鲁门斯托克。2022年。“。机器学习电话数据可以改善人道主义目标援助。”性质603（7903）：864 - 70。https: / / doi. org /10.1038 /s41586 - 022 - 04484 - 9.比约克格伦、丹尼尔和达雷尔·格里森。2020年。“。手机使用中显示的ior预测信用偿还。“世界银行经济评论34https: / / doi. org / 10.1093 / wber / lhz006. 建筑连接 人工智能解决方案依赖于现有的物理数字基础设施-结构：从服务器上的海量数据库，到fi光纤电缆和手机信号塔，到移动电话在人们的手中。在过去的二十年里，发展-开放经济投资具有蜂窝和互联网连接的偏远地区，为这些新应用奠定基础。 比约克格伦、丹尼尔、约书亚·E·布鲁门斯托克和萨姆森·奈特。即将到来。“操纵-证明机器学习”。 Choi, Jun Ho, Oliver Garrod, Paul Atherton, Andrew乔伊斯-吉本斯、米里亚姆·梅森-塞赛和丹尼尔Bj ö rkegren. 2023."Are LLM useful in the poorestSchools? theTeacherAI in Sierra Leone.”Paper presented神经信息处理系统(NeurIPS)教育生成人工智能研讨会(GAIED)。 即使AI应用得益于数字化基础设施，有些可以更好地利用现有的-ING资源。例如，塞拉的许多教师Leone与互联网接入不良作斗争。对于一些任务，从聊天机器人那里获得想法可能更容易