Đo lường nghèo đói là bước đầu tiên để cung cấp hỗ trợ, nhưng từ lâu việc đánh giá nghèo đói đã là một nhiệm vụ tốn kém, mất nhiều thời gian và gây tranh cãi.
Cuối năm 2020, khi đại dịch COVID-19 vẫn đang hoành hành, hàng chục nghìn người dân nghèo ở Togo nhận được tin vui qua điện thoại di động: tiền của họ đã sẵn sàng. Với sự hỗ trợ của trí tuệ nhân tạo (AI), những người dân ở dải đất hẹp thuộc Tây Phi này đã được phê duyệt để nhận khoảng 10 USD mỗi hai tuần, chuyển thẳng vào tài khoản tiền điện tử của họ. Mặc dù số tiền đó có vẻ không nhiều, nhưng nó có thể giúp họ tránh khỏi nạn đói.
Các chương trình hỗ trợ người nghèo thông thường dựa vào dữ liệu thu thập qua khảo sát trực tiếp—điều không thể thực hiện trong đại dịch. Nhưng dự án của Togo, có tên Novissi, đã sử dụng AI để xác định ai sẽ nhận được viện trợ. Dự án này do bà Cina Lawson, Bộ trưởng Kinh tế Số và Chuyển đổi số của Togo, dẫn đầu, hợp tác với các nhà khoa học từ Đại học California, Berkeley và tổ chức phi chính phủ GiveDirectly. Họ đã phân tích hình ảnh vệ tinh và dữ liệu từ mạng di động để ước tính mức sống của từng khu vực và cá nhân. “Chúng tôi cần một cách tiếp cận chính xác (a surgical approach),” Lawson nói. Theo bà, đây là một thời điểm quan trọng đối với việc ứng dụng AI vào công tác chống đói nghèo.
Khoảng 700 triệu người trên thế giới đang sống trong cảnh nghèo cùng cực, theo định nghĩa của Ngân hàng Thế giới là có dưới 2,15 USD mỗi ngày. Xóa bỏ đói nghèo—một trong những Mục tiêu Phát triển Bền vững của Liên Hợp Quốc—đòi hỏi phải hiểu ai là người cần giúp đỡ và họ cần gì. Tuy nhiên, đo lường nghèo đói từ lâu đã là một thách thức lớn, phần lớn do chi phí và thời gian thu thập dữ liệu từ những nhóm dân cư nghèo nhất và dễ bị tổn thương nhất.
AI đã giúp Lawson vượt qua những trở ngại thông thường của việc sử dụng dữ liệu lỗi thời và không đầy đủ, cho phép bà nhanh chóng tối ưu hóa ngân sách hạn chế của mình. Đây là một cách tiếp cận đang thu hút sự quan tâm nhưng cũng gây tranh cãi, theo Joshua Blumenstock, nhà khoa học máy tính tại Đại học California, Berkeley, người đã hợp tác trong dự án Novissi.
AI không chỉ nhanh, theo Ariel BenYishay, nhà kinh tế phát triển tại Phòng thí nghiệm Nghiên cứu AidData của Đại học William & Mary ở Williamsburg, Virginia, mà còn có thể bao quát một phần lớn hơn và mang tính đại diện tốt hơn so với các cuộc khảo sát trực tiếp từng hộ gia đình. Nó cũng có thể xác định các mô hình trong dữ liệu mà ngay cả các chuyên gia cũng có thể bỏ sót.
AI cũng có thể giúp các nhà nghiên cứu đánh giá mức độ hiệu quả của các chương trình, đồng thời chứng minh tác động của đầu tư vào các lĩnh vực như y tế, nông nghiệp, giáo dục và cơ sở hạ tầng—cho thấy chúng có mang lại hiệu quả (pay off) hay không. Ngân hàng Thế giới nhận thấy giá trị này và đang phát triển các công cụ AI tiên tiến để dự báo khủng hoảng lương thực, xung đột bạo lực và rút ra thông tin từ khối dữ liệu khổng lồ sau khi thực hiện viện trợ can thiệp. Báo cáo “Nghèo đói, Thịnh vượng và Hành tinh” của tổ chức này, công bố vào tháng 10-2024, kết luận rằng các nỗ lực chống đói nghèo “nên tập trung vào việc tận dụng mô hình học máy và trí tuệ nhân tạo để lấp đầy khoảng trống dữ liệu và giúp giám sát kịp thời hơn”.
Tuy nhiên, cần có sự thận trọng, theo Ola Hall, nhà địa lý nhân văn tại Đại học Lund ở Thụy Điển, người nghiên cứu về mối liên hệ giữa AI và nghèo đói. Các mô hình AI từng bị chỉ trích vì có thiên kiến về chủng tộc, giới tính và các yếu tố khác. Cũng giống như các cuộc khảo sát hộ gia đình thường bỏ sót những gia đình nghèo nhất vì họ không có nơi ở cố định, các chương trình dựa trên AI có thể không giúp được những người không có dấu vết dữ liệu số (digital data trails), theo Hall. Ông cho rằng AI hiện tại vẫn chưa đủ chính xác để quyết định ai đủ điều kiện nhận viện trợ hay trợ cấp tiền mặt.
Đo lường nghèo đói
Nhà cải cách xã hội người Anh Charles Booth đã thực hiện một trong những nỗ lực đầu tiên nhằm định lượng nghèo đói từ năm 1886 đến 1903. Ông đi khắp các con đường lát đá ở London để thu thập dữ liệu về thu nhập và tầng lớp xã hội của người dân. Booth đã tạo ra một bản đồ thành phố được mã hóa màu và công bố phát hiện của mình trong một chuyên luận có tựa đề Cuộc sống và Lao động của Người dân London.
Nhà xã hội học người Anh Seebohm Rowntree cùng nhóm của ông đã phỏng vấn 11.560 hộ gia đình ở York, Anh, và công bố kết quả trong cuốn sách năm 1901 có tên Nghèo đói: Nghiên cứu về Đời sống Thành thị. Nhóm nghiên cứu đã tính toán mức nghèo dựa trên khả năng đáp ứng “hiệu suất thể chất” của một người, tức là nhu cầu dinh dưỡng tối thiểu.
Sau khi Tổng thống Mỹ Lyndon Johnson tuyên bố phát động “Cuộc chiến chống nghèo đói” vào năm 1964, Văn phòng Cơ hội Kinh tế đã áp dụng ngưỡng nghèo do nhà kinh tế học Mollie Orshansky đề xuất, với cách tiếp cận tương tự. Định nghĩa này xác định nghèo đói là mức thu nhập tối thiểu cần thiết để trang trải thực phẩm, nơi ở và các chi phí cơ bản khác. Cùng thời điểm đó, Ấn Độ cũng thực hiện các tính toán tương tự cho dân số của mình. Mặc dù mỗi chuyên gia đều điều chỉnh công thức để phù hợp với sự khác biệt về giá thuê nhà và thực phẩm tại từng địa phương, nhưng tất cả đều xác định nghèo đói dựa trên số tiền mà một người có để sống mỗi ngày.
Nhà kinh tế học Sabina Alkire cho rằng cần một cách tiếp cận tinh tế hơn để định nghĩa nghèo đói. “Tôi muốn biết có bao nhiêu người nghèo không có nhà ở, có bao nhiêu người nghèo có con em không được đến trường, để từ đó có thể đưa ra giải pháp cụ thể và trực tiếp,” Alkire nói. Bà hiện là Giám đốc Sáng kiến Nghèo đói và Phát triển Con người Oxford tại Đại học Oxford, Anh.
Đầu những năm 2000, Alkire mong muốn tìm ra một cách để đo lường các tác động đa chiều của nghèo đói lên con người. Năm 2008, Alkire đã hợp tác với James Foster, một nhà kinh tế tại Đại học George Washington ở Washington DC, để xây dựng Chỉ số Nghèo đa chiều (MPI). Cách tiếp cận này đo lường mức độ nghèo đói bằng cách tổng hợp các thiếu thốn và cường độ của chúng, với tổng cộng 10 chỉ số bao gồm dinh dưỡng, tỷ lệ đến trường, khả năng tiếp cận nước uống và loại nhiên liệu mà hộ gia đình sử dụng để nấu ăn…
Trong lĩnh vực nghiên cứu nghèo đói, đây là một sự thay đổi lớn. Chỉ số MPI cho phép các nhà hoạch định chính sách và các bên liên quan đo lường, phân tích và nhắm mục tiêu đến các yếu tố tương tác góp phần gây ra nghèo đói ở cấp hộ gia đình. UNDP đã thay thế Chỉ số Nghèo đói Nhân loại, vốn tập trung vào khả năng sống sót, mức độ biết chữ và tiêu chuẩn sống, bằng chỉ số MPI của Alkire và Foster vào năm 2010. Tuy nhiên, một số cơ quan của Liên Hợp Quốc cùng Ngân hàng Thế giới vẫn tiếp tục sử dụng phương pháp xác định nghèo đói dựa trên số tiền kiếm được mỗi ngày.
Bên cạnh sự thiếu đồng thuận về định nghĩa, còn có vấn đề về thời gian. Ngay cả một nhóm khảo sát hoạt động hiệu quả cũng cần vài giờ để thu thập dữ liệu từ một hộ gia đình. Mặc dù các nhà nghiên cứu về nghèo đói đã tinh chỉnh các chỉ số và ứng dụng các phương pháp tính toán hiện đại để phân tích dữ liệu, họ vẫn chủ yếu dựa vào khảo sát trực tiếp để thu thập thông tin.
Chuyển sang AI
Là một nghiên cứu sinh tiến sĩ về kinh tế nông nghiệp và tài nguyên, Marshall Burke rất quen thuộc với việc thu thập dữ liệu thủ công. Để tìm hiểu về canh tác và thực hành nông nghiệp ở Đông Phi, Burke đã đến Kenya và Uganda, dành nhiều tháng để trò chuyện với nông dân và đi bộ qua các cánh đồng. Nhưng khi thành lập Phòng thí nghiệm Biến đổi Môi trường và Kết quả Con người tại Đại học Stanford vào năm 2015, ông bắt đầu tự hỏi liệu cuộc cách mạng máy tính có thể mang lại cách tiếp cận tốt hơn hay không.
David Lobell, một chuyên gia giàu kinh nghiệm về viễn thám, có văn phòng ngay bên cạnh Burke. Cùng thời điểm đó, Stefano Ermon, một chuyên gia về AI và nhận diện hình ảnh, cũng gia nhập Đại học Stanford. Những cuộc thảo luận giữa ba người dần xoay quanh cách sử dụng dữ liệu ngày càng phong phú từ hình ảnh vệ tinh để xác định các cộng đồng nghèo trên thế giới. Biết rằng ánh sáng ban đêm có thể là một chỉ số sơ bộ về mức độ giàu có, nhóm nghiên cứu đã kết hợp hình ảnh vệ tinh ban đêm và ban ngày của các khu vực khác nhau ở châu Phi để huấn luyện các mô hình máy tính nhận diện những đặc điểm liên quan đến mức sống.
Burke cho rằng yêu cầu máy tính so sánh hình ảnh của các khu vực đã được xác định là cực kỳ giàu hoặc cực kỳ nghèo là phiên bản điện tử của trò chơi “tìm điểm khác biệt”. Các thuật toán sẽ so sánh sự phân bố và tình trạng của đường xá, lượng không gian xanh, kích thước và khoảng cách giữa các tòa nhà cùng vô số biến số khác. “Tất cả những yếu tố mà bạn và tôi sẽ quan sát trong một bức ảnh đều có mức độ dự đoán nhất định,” Burke nói. “Máy có thể phân tích tất cả dữ liệu đó” và xác định những yếu tố nào có ý nghĩa nhất.
Năm 2016, nhóm nghiên cứu báo cáo rằng các phân tích AI từ hình ảnh vệ tinh có mối tương quan chặt chẽ với các phép đo nghèo đói thực tế tại địa phương. Khi học máy phát triển, Lobell, Burke và Ermon tiếp tục tinh chỉnh mô hình của họ bằng cách áp dụng các kỹ thuật mới nhất.
Sử dụng tập dữ liệu hình ảnh vệ tinh công khai trên toàn châu Phi, bộ ba này đã thử nghiệm một phương pháp cập nhật vào tháng 5 năm 2020. Khi so sánh các dự đoán từ mô hình học máy với dữ liệu khảo sát về sự giàu có từ 20.000 ngôi làng, thuật toán cho kết quả chính xác tương đương với các cuộc khảo sát thủ công nhưng với mức chi phí và công sức thấp hơn nhiều.
Đây là một cải tiến mang tính đột phá đối với cộng đồng phát triển. Các nhóm nghiên cứu khác cũng đang tham gia thử nghiệm này, đưa ra nhiều ý tưởng khác nhau. Các nhà khoa học đang áp dụng học máy để tìm kiếm các mô hình trong hình ảnh vệ tinh và dữ liệu điện thoại di động, cũng như phân tích tác động của hạn hán, năng suất nông nghiệp, đầu tư cơ sở hạ tầng và nhiều yếu tố khác.
Thử nghiệm trong thực tế
Phần lớn nỗ lực này vẫn chỉ giới hạn trong nghiên cứu học thuật vì lĩnh vực này còn rất mới, theo Abe Tarapani, giám đốc điều hành của Atlas AI – một công ty phi lợi nhuận ở Palo Alto, California, do Burke, Lobell và Ermon đồng sáng lập. Tarapani cảnh báo rằng triển khai vội vàng có thể rủi ro quá lớn. Tuy nhiên, khi đại dịch bùng phát, Lawson cảm thấy bà không có lựa chọn nào khác.
Lawson có ngân sách 34 triệu USD cho dự án Novissi, được tài trợ từ nguồn lực của chính phủ và các tổ chức phi chính phủ, để hỗ trợ hơn tám triệu người. Bà cần tìm cách phân bổ ngân sách này. Nhưng Togo không có dữ liệu nghèo đói cập nhật hoặc đủ chi tiết, đặc biệt là ở các vùng nông nghiệp.
Dựa trên đề xuất của một cố vấn, Lawson liên hệ với Blumenstock. Năm 2015, Blumenstock từng báo cáo việc sử dụng thuật toán học máy để phân tích dữ liệu điện thoại di động nhằm dự đoán mức sống ở Rwanda. Ông cũng đã dùng hình ảnh vệ tinh để tạo bản đồ nghèo đói của tất cả các quốc gia có thu nhập thấp và trung bình.
Ở Togo, điện thoại di động được sử dụng rộng rãi và nước này đã áp dụng thanh toán qua di động. Blumenstock cho rằng AI có thể phân biệt giữa người có điều kiện kinh tế và người nghèo ở khu vực nông thôn dựa trên thói quen sử dụng điện thoại di động, bao gồm các giao dịch tài chính di động, cũng như tần suất và sự đa dạng của các cuộc gọi và tin nhắn. Kết hợp với phân tích hình ảnh vệ tinh, phương pháp này có thể xác định ai là người cần hỗ trợ nhất.
Một phân tích về dự án Novissi được công bố vào năm 2022 cho thấy cách tiếp cận AI xác định đối tượng cần trợ giúp tốt hơn so với các phương pháp khác được xem xét ở Togo.
Những bất ổn trong ứng dụng AI
Các sáng kiến sử dụng AI khác cũng đối mặt với nhiều bất ổn. Năm 2022, một dự án hợp tác giữa tổ chức từ thiện Google.org và GiveDirectly đã chuyển tiền đến tài khoản di động của 6.000 hộ gia đình châu Phi. Các khu vực này được AI đánh giá là có nguy cơ lũ lụt cao trong tương lai. Khoản tiền này giúp nông dân Mozambique gia cố nhà cửa và ruộng đồng trước khi nước dâng lên. Trong một thử nghiệm khác, sau khi lũ lụt xảy ra, hỗ trợ tài chính được gửi đến nông dân Nigeria trong những tuần sau đó.
Tuy nhiên, lũ lụt ở Mozambique không xảy ra đúng như dự báo, khiến một số gia đình không bị ảnh hưởng vẫn nhận được tiền, trong khi một số hộ chịu thiệt hại lại không nhận được hỗ trợ.
Những sai sót này không có nghĩa là chương trình thất bại, Daniel Quinn, giám đốc tại GiveDirectly ở San Francisco, California, nói. “Những người ngay ngoài phạm vi hỗ trợ mà chúng tôi nhắm tới vẫn thực sự có nhu cầu,” Quinn nói.
Samuel Fraiberger, một nhà khoa học dữ liệu tại Ngân hàng Thế giới ở New York, cho biết nỗ lực này rất hứa hẹn và đã được mở rộng. “Đây là một ứng dụng thực tiễn của các phương pháp này,” Fraiberger, người đang dẫn đầu các sáng kiến AI tại Ngân hàng Thế giới, nói. Tuy nhiên, ông cũng nhận thức được rằng nếu không cẩn thận trong quá trình triển khai, AI có thể duy trì những thiên lệch có sẵn. Việc phát triển các phương pháp đánh giá chất lượng dữ liệu đào tạo AI sẽ rất quan trọng, ông nói. Sử dụng AI kết hợp với dữ liệu lớn cũng đặt ra các lo ngại về quyền riêng tư; nhóm của Lawson đã phải giải quyết những vấn đề này trong quá trình triển khai Novissi.
Alkire và các chuyên gia khác vẫn hoài nghi về những nỗ lực có thể đơn giản hóa quá mức quá trình thu thập và phân tích dữ liệu. “Không có quốc gia nào trên thế giới hiện nay có thể đo lường nghèo đói đa chiều chỉ từ hồ sơ hành chính và dữ liệu vệ tinh, vì bạn không thể nhìn vào bên trong một ngôi nhà và biết được đứa trẻ nào bị suy dinh dưỡng,” Alkire nói. Và không có hệ thống máy tính tiên tiến nào có thể bù đắp cho dữ liệu kém chất lượng, bà bổ sung.
Hall nhận định rằng các nhà nghiên cứu nghèo đói sẽ luôn cần một tiêu chuẩn để kiểm tra độ chính xác của các dự đoán do AI đưa ra. Ai cần hỗ trợ, hình thức cần thiết là gì và loại trợ giúp nào phù hợp luôn thay đổi theo thời gian.
Nhưng Burke khẳng định rằng cả phương pháp AI lẫn khảo sát truyền thống đều có giá trị và cần thiết; ông không muốn đặt hai cách tiếp cận này đối lập nhau (pit one against the other). Khi các chính phủ và tổ chức cứu trợ đối mặt với ngân sách hạn chế và những cú sốc kinh tế đột ngột, ông cho rằng AI có thể trở thành công cụ chủ chốt giúp đưa hỗ trợ đến đúng người cần nhất.
Dữ liệu điện thoại di động có thể được sử dụng cùng với hình ảnh vệ tinh và các dữ liệu khác để ước tính mức độ nghèo đói trên khắp các khu vực và quốc gia. Ảnh: Kelvin Juma
