Datele furnizate de către diverși sateliți pot ajuta responsabilii politici să identifice rapid zone în care se află persoane care au nevoie de ajutor. Totuși, în urma cercetărilor s-a arătat faptul că aceste date pot conține și informații eronate referitoare la grupurile marginalizate.
Sistemele de învățare automată, care scanează imaginile satelit pentru a obține o serie de indicatori cu privire la nivelul scăzut de trai sau daune cauzate de catastrofe, devin un instrument popular pentru evaluarea nevoilor în ceea ce privește oferirea de ajutor umanitar și necesitatea de dezvoltare a zonei. Totuși, Lukas Kondmann și Xiao Xiang Zhu din cadrul Centrului Aerospațial German din Köln sunt de părere că se acordă puțină atenție potențialelor prejudecăți încorporate în aceste date.
Ei au dezvoltat un model utilizat pentru a prezice nivelurile de sărăcie și consumul de electricitate în satele indiene. Acesta folosește imagini satelit pentru a identifica numărul de lumini, care reprezintă o metodă comună pentru determinarea nivelului de dezvoltare din diverse zone. Modelul a avut erori consistente pentru satele cu un număr mare de caste și triburi, două grupuri desemnate oficial în India, cu o lungă istorie în ceea ce privește discriminarea. Rezultatele au fost prezentate în data de 15 august în cadrul unei conferințe virtuale organizate de către Asociația pentru Mașini de Calcul.
„Aceste descoperiri sugerează faptul că datele reflectă prejudecăți istorice care ar putea conduce la o discriminare. Noi capturăm tiparele pe care le vedem la sol și, dacă aceste tipare au un tip de prejudecată, atunci satelitul doar va captura tiparul și îl va replica”, a declarat Kondmann, care a condus cercetarea.
În etapa de dezvoltate, în model au fost încorporate date socioeconomice, imagini satelit și coordonate din 386.000 de sate indiene. După aceea, sistemul a folosit date și coordonate prin satelit pentru a face predicții cu privire la satele despre care nu existau informații. În cazul satelor cu un număr mai mare de triburi decât media, nivelurile sărăciei au fost supraestimate, iar nivelurile de electricitate au fost subestimate, în medie, cu aproximativ 1%. Pentru castele din aceste zone, predicțiile privind sărăcia și nivelul de electricitate au fost cu 0,3% în direcția opusă.
„Motivele prejudecății sunt greu de evaluat, dar acestea s-ar putea datora alocării neloiale a investițiilor publice sau a distanțelor mici dintre cartierele bogate și cele sărace”, a declarat Kondmann.
„Acest tip de analiză este cu adevărat important. Cu toate acestea, tendința măsurată este mică, așa că aș dori să văd repetarea experimentului folosind o serie de modele mai eficiente”, a declarat Marshall Burke din cadrul Universității Stanford din California.
