Wereldwijd leven ongeveer 700 miljoen mensen in extreme armoede (ze moeten rondkomen van minder dan 2,15 dollar per dag). Het uitroeien van armoede is een van de Duurzame Ontwikkelingsdoelstellingen van de Verenigde Naties, maar het meten van armoede is een uitdaging geweest, vooral omdat het verzamelen van gegevens duur en tijdrovend is. Kunstmatige intelligentie (AI) kan niet alleen gegevens snel analyseren, maar ook een breder scala aan mensen bereiken en patronen identificeren die experts mogelijk over het hoofd zien. De Wereldbank ontwikkelt ook AI-instrumenten om voedselcrises en gewelddadige conflicten te voorspellen en inzichten te verkrijgen uit gegevens over hulpinterventies.

AI-modellen hebben echter last van bias-problemen en missen mogelijk de armste mensen voor wie geen digitale gegevens worden vastgelegd. Niettemin is het huidige armoedebeoordelingssysteem even onvolkomen. Traditionele methoden zoals enquêtes onder huishoudens zijn tijdrovend en kostbaar, maar AI in combinatie met satellietbeelden en mobiele telefoongegevens kan arme gebieden en individuen efficiënter identificeren. Een onderzoeksteam van Stanford University in de Verenigde Staten gebruikte bijvoorbeeld AI om satellietbeelden te analyseren en met succes de armoedeniveaus in Afrikaanse dorpen te voorspellen. Het effect was gelijk aan dat van veldonderzoek, maar de kosten waren aanzienlijk lager.

Het socialezekerheidsprogramma ‘NOVISSI’ in het West-Afrikaanse land Togo gebruikte bijvoorbeeld AI om gebruikspatronen van mobiele telefoons en satellietbeelden te analyseren om zo nauwkeurig 34 miljoen dollar aan hulpfondsen toe te wijzen. Soortgelijke projecten lopen in andere Afrikaanse landen. Hoewel AI-voorspellingen niet helemaal accuraat zijn, is het vermogen om snel te reageren cruciaal in noodsituaties.

Hoewel AI potentie heeft getoond bij het verlichten van de armoede, waarschuwen deskundigen dat het met de nodige voorzichtigheid moet worden gebruikt. AI kan veldonderzoek niet volledig vervangen, vooral niet bij multidimensionale armoedemeting. Te midden van budgettaire beperkingen en economische schokken zou AI echter een cruciaal instrument kunnen zijn om hulp in handen te krijgen van degenen die deze het meest nodig hebben. In de toekomst kan de combinatie van AI en veldonderzoek een nieuwe richting worden voor armoedebestrijding.


Prioriteit wordt gegeven aan de armste dorpen en gemeenschappen. We hebben deep learning-algoritmen toegepast op satellietbeelden met hoge resolutie om microscopische schattingen te maken van de welvaart per 2,4 kilometer (km) rastercel (linksboven), deze schattingen gecombineerd met informatie over de bevolkingsdichtheid voor elke rastercel (middenboven) en deze informatie gebruikt om de 100 armste provincies in Togo te identificeren (rechtsboven).
Met behulp van ground-truth-gegevens over rijkdom en armoede, verzameld uit een groot telefonisch onderzoek onder actieve gebruikers van mobiele telefoons, hebben de onderzoekers een machine learning-algoritme getraind om de rijkdom van elke mobiele gebruiker te schatten (linksboven). In de 100 armste provincies (rode verdeling aan de rechterkant) krijgen degenen met een geschat verbruik van minder dan $ 1,25 per dag prioriteit voor opname in het Novissi-programma (onderbroken verticale lijn). Deze mensen zijn veel armer dan de gemiddelde inwoner van Togo (blauwe verdeling). Bron: Josh Blumenstock, University of California, Berkeley, 11 januari 2021: Josh Blumenstock, University of California, Berkeley, 11 januari 2021.