Este artículo fue escrito por Rebeca Moreno Jiménez, científica de datos del Servicio de Innovación del Alto Comisionado de las Naciones Unidas para los Refugiados.

En el mundo del marketing, el aprendizaje automático se ha utilizado para procesar grandes cantidades de información para ayudar a mejorar los servicios para los clientes.

En el sector humanitario, las aplicaciones de IA son un área nueva para la exploración. Pueden permitir a los trabajadores humanitarios, innovadores y especialistas en datos recopilar, procesar y visualizar grandes cantidades de datos en segundos.

Muchas emergencias humanitarias son complejas y los socorristas a menudo solo tienen información parcial. Para tener una imagen completa de una situación compleja, se deben analizar muchos elementos. Lamentablemente, los humanos no pueden recopilar toda la información diferente en el corto período de tiempo necesario para responder. Y aquí es precisamente donde las máquinas pueden ayudar.

• ¿Quieres escribir para nosotros? Echa un vistazo a la guía de Apolitical para contribuyentes

Big Data: desafíos y oportunidades en el contexto humanitario

Dependiendo del contexto, para tener una imagen completa de una situación específica, los trabajadores humanitarios utilizan con frecuencia representantes: puntos de datos que no son directamente relevantes, pero que proporcionan una muestra de algunos problemas que son completamente desconocidos para ellos.

A menudo, estas ideas se encuentran en formas tradicionales de datos: información del censo, encuestas, notas de discusión de grupos focales o entrevistas a informantes clave.

Sin embargo, también se pueden encontrar información adicional en otras formas de datos: transmisiones de radio, datos geoespaciales, registros de datos de llamadas, wearables y redes sociales, solo por mencionar algunos.

La cantidad de datos producidos por estas fuentes de datos no tradicionales es enorme y generalmente 'pesada'. Por ejemplo, Twitter produce una enorme cantidad de datos en cuestión de segundos. Se calcula que se producen aproximadamente 200 mil millones de tweets en un año ( 6,000 tweets por segundo ).

La cantidad de energía y tiempo que nuestros colegas del ACNUR, particularmente nuestros colegas de comunicación, necesitarían recopilar y analizar resultados para responder a preguntas específicas sería un desafío para su trabajo ya oneroso. Algunos de ellos lo han hecho manualmente, mediante la recopilación de ideas significativas .

Pero para ampliar este proceso, y lo más importante, para poder cuantificarlo con un cierto grado de significación estadística, los humanitarios pueden confiar en las máquinas: para muestrear, compilar y catalogar datos en tiempo real.

Entrenando una máquina para detectar xenofobia

En 2015, el Servicio de Innovación del ACNUR se asoció con UN Global Pulse, la iniciativa de las Naciones Unidas para el análisis de big data, para encontrar información adicional sobre un entorno en rápida evolución: la situación de los refugiados en el Mediterráneo.

Los equipos utilizaron el aprendizaje automático para "encontrar", "leer", "compilar" y "catalogar" tweets, intentando encontrar intenciones de movimiento o comentarios sobre la provisión de servicios que incentivaran el movimiento. Aunque algunos comentarios fueron relevantes, la muestra de tweets encontrados no fue suficiente para proporcionar evidencia sólida basada en matemáticas.

Sin embargo, la máquina encontró comentarios anómalos que se exacerbaron particularmente durante los incidentes terroristas en Europa . Cada vez que ocurría un nuevo incidente, Munich, París, Berlín, por nombrar algunos de los eventos clave, aparecían publicaciones con un sentimiento negativo hacia los refugiados en diferentes partes del mundo. A veces, estas publicaciones incluso tenían una asociación negativa con los refugiados con los incidentes.

Luego, los equipos volvieron a entrenar la máquina con un sesgo basado en los derechos humanos: para encontrar comentarios que demostraran la xenofobia. El equipo 'enseñó' una máquina para 'aprender' cómo leer, compilar, clasificar, anonimizar y agregar diferentes tipos de publicaciones de Twitter, en diferentes idiomas y en diferentes ciudades, y cuantificar tanto la xenofobia como los comentarios favorables para la integración.

Redactamos un Libro Blanco para compartir el proceso y los resultados cuantitativos de experimentar con el aprendizaje automático para comprender la dimensión del sentimiento en la región. Podría usarse como evidencia para las organizaciones humanitarias que preparan una campaña de defensa o redactan recomendaciones de políticas para contrarrestar la xenofobia. Para los equipos del ACNUR, podría servir para dirigir sus iniciativas de protección basadas en la comunidad, al comprender los principales problemas que enfrentan los refugiados al llegar a un nuevo país.

La promesa del aprendizaje automático: más preguntas que respuestas

Al utilizar el aprendizaje automático, ambos equipos obtuvieron una instantánea de la evidencia sobre cuestiones relacionadas con la integración para una región. Sin embargo, en la ciencia de datos, donde los datos son el rey, las ideas siempre producen más preguntas.

Después de analizar algunos de los resultados, los equipos reflexionaron sobre las siguientes preguntas: A) ¿cómo podemos usar la IA con fines de promoción en otras regiones? B) ¿ cómo podemos ayudar a otras agencias y organizaciones a usar estas herramientas para comprender contextos complejos donde las redes sociales no son frecuentes o no hay electricidad / conectividad? Además, cuando se levantan más paredes, C) ¿cómo podemos aprovechar la inteligencia artificial para analizar grandes datos y crear una contra-narrativa para el discurso de odio? Y finalmente, D) ¿cómo podemos traducir la integración y contrarrestar la xenofobia en un mundo digital?

Si tiene una respuesta a alguna de estas preguntas o desea experimentar con nosotros, no dude en comunicarse con nosotros. Tenemos algunos 'robots' que podrían ayudar con algunas de las tareas. - Rebeca Moreno Jiménez

Una versión más larga de este artículo se publicó originalmente en el blog del Servicio de Innovación del ACNUR.

(Crédito de la imagen: Flickr / UNHCR Photo Unit)