пресс-центр

GPU Помогают Прогнозировать Уровень Бедности

NVIDIA Blog NVIDIA Blog
NVIDIA Blog https://blogs.nvidia.com/blog/2016/03/25/mapping-poverty-data-gpus/

 

GPU Помогают Прогнозировать Уровень Бедности

Примечание редактора: Это одна из пяти публикаций, рассказывающих о финалистах премии NVIDIA Global Impact Award 2016 в $150000. Она присуждается исследователям, использующим технологии NVIDIA в принципиально новых проектах, решающих социальные, гуманитарные и экологические проблемы.

Снижение мирового уровня бедности к 2030 году – основная цель в повестке дня ООН в области устойчивого развития, которая была опубликована в конце прошлого года. Но недостаток данных сводит на нет усилия по оценке прогресса в достижении этой цели.

Большинство людей, страдающих от экстремальной нищеты, проживают в странах Южной Азии и Африки к югу от Сахары. Данные об уровне бедности в этих районах крайне скудны. Небольшая команда исследователей из Стэнфордского университета работает над тем, чтобы изменить эту ситуацию с помощью спутниковых снимков.
Эксперт в области машинного обучения Стефано Эрмон (Stefano Ermon) начал совместную работу со специалистами по продовольственной безопасности Дэвидом Лобеллом (David Lobell) и Маршаллом Берком (Marshall Burke), а также несколькими студентами технических специальностей из Стэнфорда, чтобы превратить снимки из сервиса Google Earth в статистическую модель распространения нищеты.

“Мы хотим покончить с крайней бедностью, однако нам необходим инструмент для оценивания того, насколько мы продвинулись к достижению цели», - объяснил Эрмон, доцент компьютерных наук в Стэнфорде.

GPU Помогают Прогнозировать Уровень Бедности

Слева: Прогнозируемый уровень нищеты по участкам 10 км на 10 км. В центре: Прогнозируемый уровень нищеты по районам. Справа: для сравнения результаты исследования 2005 года (Институт мировых ресурсов, 2009).

Используя графические карты NVIDIA, команда исследователей обучила нейронную сеть с высокой точностью определять уровень нищеты в странах Африке к югу от Сахары на основе спутниковых изображений дорог, сельскохозяйственных земель и домов.

Благодаря этой работе Стэнфорд стал одним из пяти финалистов премии NVIDIA Global Impact Award 2016. Каждый год мы вручаем премию в $150 000 исследователям, использующим технологии NVIDIA в принципиально новых проектах для решения социальных, гуманитарных и экологических проблем.

“В Африке существуют страны, самые свежие данные о которых были получены 20 лет назад. Поэтому мы до сих пор делаем выводы исходя из данных начала 90-х годов, - рассказал Эрмон. – Мы очень нуждаемся в более свежей и точной информации"

Обычно для создания нейронной сети требуется тренировочный набор данных. Так как спутниковые изображения предоставляют совсем мало тренировочных данных, исследователи из Стэнфорда прибегают к косвенному обучению: они обучают систему на одних задачах, а затем переносят обучение в другую модель, которая должна работать с другими задачами.

Сначала в пары группируются спутниковые снимки одной и той же местности, сделанные в дневное и ночное время, из сервисов Google Earth и Google Images. Традиционные модели нейронных сетей для анализа уровня бедности оценивают экономическое развитие на исследуемом участке по интенсивности освещенности на снимках в ночное время. Используя дневные и ночные изображения, модель научилась идентифицировать особенности, связанные с уровнем нищеты, из немаркированных данных, например, фото дорог, сельскохозяйственных земель и водоемов.

“Мы создали сверточную нейронную сеть, которая использует небольшое число параметров

и может работать с более крупными изображениями. И с помощью графических карт NVIDIA мы обучаем ее быстрее», - рассказал Эрмон.

GPU Помогают Прогнозировать Уровень Бедности

Слева: В каждом ряду представлены пять максимально используемых изображений для каждого фильтра в нейронной сети: городские районы, сельскохозяйственные земли, дороги, водоемы, равнины и леса. Справа: Активизация фильтра для соответствующих изображений слева. Изображения взяты из Google Static Maps.

Для ускорения анализа изображений команда использовала графические карты GeForce GTX TITAN X и Tesla K40. На обучение финальной модели нейронной сети с помощью GPU-ускоренных библиотек ушло три дня.

“GPU сыграли решающую роль, - сказал Эрмон. – Без них мы не смогли бы этого сделать.”

Недавно Эрмон и его команда опубликовали статью о своем методе исследования уровня нищеты в Уганде. Описание всех этапов работы, от загрузки изображений до обучения нейросетей и использования их для прогнозирования, скоро появится на веб-сервисе GitHub.

Сейчас команда Эрмона применяет свой метод на спутниковых снимках Нигерии, Малави и Руанды. Несмотря на то что система стэнфордских исследователей была натренирована на данных из Уганды, она с такой же точностью прогнозирует уровень нищеты в других странах. Эрмон надеется на распространении своей модели построения карт бедности в Азии и Южной Америке. По прошествии некоторого времени они могут быть использованы для анализа изменений уровня нищеты.

“Теперь у нас есть платформа, которая может автоматически генерировать карты распространения нищеты высочайшего разрешения. Она использует данные, на получение которых не требуется много средств. Нам нужны только изображения, - рассказал он. - Благодаря ей мы получили новые новые возможности для сравнения уровня бедности на протяжении большего временного отрезка. Мы сможем получить представление о том, как со временем меняется ситуация в мире.”