İklim ve Çevre

Yapay zekadan yararlanma: Karar vermeyi iyileştirmek için büyük verilerden yararlanma

IFAD, özellikle kırsal ekonomileri ve gıda sistemlerini daha kapsayıcı, üretken, dayanıklı ve sürdürülebilir hale getirmek için dönüştürmeye odaklanan tek çok taraflı kalkınma kurumudur. IFAD’a katkımız olarak İnovasyon Mücadelesiyakın zamanda bir çalışmak daha fazla veriye dayalı karar vermeyi teşvik ederek bu çabaları ilerletmek için yapay zekanın (AI) potansiyelini araştıran. Çalışma özellikle, veri biliminin başarılı proje tasarımı için mekanizmaları güçlendirmemize ve sonuçlara odaklanmamızı geliştirmemize nasıl yardımcı olabileceğini inceledi. Bu metodoloji, tam olarak uygulandığı takdirde, IFAD’ı Sürdürülebilir Kalkınma Hedeflerine (SDG’ler) ulaşılmasına yönelik kalkınma etkisini ölçme ve ilişkilendirmede bir lider olarak ilerletmeye yardımcı olabilir.

Genel olarak yapay zeka, karar verme süreçlerini otomatikleştirmek için bilgisayarları kullanır. Yapay zekanın birçok uygulamasından ve yaklaşımından biri olan makine öğrenimi, bilgisayarların verilerdeki kalıpları tanımasını ve ardından bu kalıpları tahminlerde bulunmak için kullanmasını sağlayan bir yöntemler koleksiyonu sağlar. Bu son teknoloji bilgi üretimi, geleneksel işleme yöntemleri için fazla karmaşık olan ancak makine öğrenimi algoritmaları tarafından toplanıp analiz edilebilen büyük hacimli veriler olan “büyük verilere” bağlıdır.

Bu potansiyelden yararlanmak için çok disiplinli bir ekonomistler, veri bilimcileri ve sosyal bilimciler ekibi yakın zamanda makine öğrenimi tekniklerini kullanarak IFAD’ın 1981’den 2019’a kadar olan projeleri kapsayan tüm yatırım portföyünden içgörüler çıkardı. Sonuçlar çok cesaret verici oldu.

Bu projenin üç ana amacı vardı:

  1. Yaklaşık 40 yıllık proje uygulamasının tarihsel portföy sınıflandırması yoluyla, yatırım dağılımımız ve sonuçlarımız hakkında küresel bir genel bakış elde etmek için makine öğrenimini kullanın.
  2. Bilgi yönetimimizi geliştirmek ve hızlandırmak ve ayrıca yeterince değerlendirilmeyen alanlarda IFAD destekli projelerin etki değerlendirmelerini iyileştirmek için kilit yatırımların etkisi hakkında kanıtlar elde edin.
  3. Proje döngüsünü destekleyen algoritmalar geliştirmek için tahmine dayalı analitiği keşfedin.

Başlangıç ​​noktası, hem finansal veriler ve hanehalkı düzeyindeki etki değerlendirme verileri gibi yapılandırılmış verilerin hem de yapılandırılmamış verilerin (örn. proje belgelerinden metin) kritik bir kitlesinin toplanmasıydı. Ekip daha sonra hem veri türlerini birleştirmek hem de kalıpları ortaya çıkarmak için metin madenciliği, doğal dil işleme, sistematik incelemeler, meta-analiz ve tahmine dayalı analitik yoluyla karma yöntemli bir analitik yaklaşım uygulayabildi.

Örneğin, 2.000’den fazla proje belgesinde metin madenciliği, zaman içinde projelerin giderek artan bir şekilde IFAD’ın ana akım temalarına (iklim değişikliği, cinsiyet, gençlik ve beslenme) karşı rapor verdiğini gösterdi; bu, müdahalelerin giderek artan bir şekilde bunları ele almaya odaklandığının bir göstergesidir. Benzer şekilde, SDG’lerle ilgili anahtar terimlerin daha fazla metin madenciliği, en sık ele alınan SDG2: Açlığa Son olmak üzere 17 hedefin tamamı için proje belgelerinde SDG ile ilgili içeriğin varlığında bir artış tespit etti.

Ayrıca Cornell Üniversitesi ile iş birliği içinde, proje raporlarını incelemek için tarıma özel olarak tasarlanmış gelişmiş bir makine öğrenimi modeli kullandık. Model, projeler tarafından üstlenilen ana müdahale kategorilerini, bu müdahalelere dahil edilen faaliyet türlerini ve beklenen en yaygın sonuçları saptadı. Genel olarak, model, proje dokümantasyonu genelinde 2.200 farklı aktivite tespit etti. Sosyoekonomik müdahaleler, veri setinin yüzde 37’sini temsil ediyordu ve içinde finans ve hükümetle ilgili faaliyetler en sık rapor ediliyordu. Teknolojik müdahaleler bunu çok yakından takip etti (%36) ve temel olarak mahsul ve sulama odaklı faaliyetlerden oluşuyordu.

Son olarak, bu projedeki üçüncü adım, proje performansını ve başarısını tahmin edebilen modeller geliştirmek için makine öğrenimi yoluyla üretilen kanıtları entegre etmekti. Tahmine dayalı analitik, mevcut ve geçmiş gerçekleri incelemek ve gelecekteki sonuçlar veya eğilimler hakkında tahminler yapmak için makine öğrenimi, veri madenciliği ve tahmine dayalı modellemeden alınan çeşitli istatistiksel teknikleri içerir. Amacı, onları bir karar verme çerçevesine uygulamak için kullanılan “mutlaklar” olarak düşünmek yerine, tartışmaya ve eleştirel sorgulamaya rehberlik etmek için makine tarafından üretilen içgörüleri kullanmaktır.

Bu durumda, belirli bir portföy seti ve yararlanıcı özellikleri göz önüne alındığında, geliştirme politikalarından kaynaklanan olumlu etkilerin olasılığı ve performansın ön tahminleri yoluyla proje döngüsünü desteklemek için algoritmalar tasarlamayı amaçladık. Bunu yapmak için proje ekibi iki ana tahmin modeli oluşturdu. İlki – proje düzeyinde bir tahmin modeli – hangi projelerin başarılı olabileceğinin bir göstergesi olarak başarılı portföy performans özelliklerini belirlemek için tasarlandı. Ekip, hangi yararlanıcı ve proje özelliklerinin olumlu etki yarattığını belirleyerek proje tasarımına dahil edilen hane düzeyindeki hedeflemeyi bilgilendirmek için ikinci modeli (hane düzeyinde bir tahmin modeli) oluşturdu.

Şimdiye kadar, IFAD AI projesi, yatırım türleri ve sonuçları hakkında küresel bir genel bakış oluşturmuştur; temel müdahalelerin etkisini belgelemek için tamamlanmış sistematik incelemeler; belirli hedefleme ve proje düzeyinde özellikler göz önüne alındığında, proje düzeyinde gelecekteki performansı ve olumlu etkilerin olasılığını tahmin edebilen modeller geliştirdi.

Yenilikçi bilgi yönetimi teknolojilerini deneme fırsatı, proje belgelerini analiz etmek ve etkileri tahmin etmek için entegre, makine öğrenimi odaklı bir yaklaşım sağlayarak IFAD’ın bunu günlük işlerimize dahil etme olasılığını açtı. Portföyümüzün kapsamlı bir resmi, proje ülkelerimizdeki etkimizi ve sürdürülebilirliğimizi ikiye katlayacak şekilde daha büyük, daha az ve daha odaklı yatırımlar yapma şeklindeki stratejik hedefimize ulaşmak için ihtiyaç duyduğumuz içgörüyü bize verecektir. Daha da önemlisi, makine öğrenimi ve diğer yapay zeka yaklaşımlarının, yeni soruları keşfetmek ve sonuçlara odaklanmayı iyileştirmek, başarılı proje tasarımı için mekanizmaları güçlendirmek ve ölçme ve ilişkilendirmeyi iyileştirmek için gereken ek bilgileri elde etmek için mevcut verileri kullanmayı mümkün kıldığını gösteriyor. darbe. Daha etkili olan yatırımlar, SKH’lere ulaşmada daha da güçlü katkılar sağlayacaktır.

Sonraki adımlar? Algoritmaları iyileştirme ve modelleri ve sonuçları farklı büyük veri kümeleriyle çapraz doğrulama. Bizi izlemeye devam edin!

Raporun bir kopyasını bulun Burada.

Daha fazla bilgi için lütfen proje lideri ile iletişime geçin, Alessandra GarberoAraştırma ve Etki Değerlendirme Bölümü (RIA) Kıdemli Ekonomisti.

Bir yanıt yazın

E-posta adresiniz yayınlanmayacak. Gerekli alanlar * ile işaretlenmişlerdir