Un informatico che affronta la disuguaglianza attraverso algoritmi
Rediet Abebe utilizza gli strumenti dell’informatica teorica per comprendere i problemi sociali urgenti e cercare di risolverli.
Il post Un informatico che affronta la disuguaglianza Gli algoritmi sono apparsi per la prima volta su Quanta Magazine .
“>
Quando Rediet Abebe è arrivata all'Università di Harvard come studente universitario nel 2009, aveva in programma di studiare matematica. Ma le sue esperienze con le scuole pubbliche di Cambridge hanno presto cambiato i suoi piani.
Abebe, 29 anni, è di Addis Abeba, la capitale e la città più grande dell'Etiopia. Quando i residenti non avevano le risorse di cui avevano bisogno, lo attribuiva alla scarsità a livello di comunità. Ma ha trovato questo argomento poco convincente quando ha appreso della disuguaglianza educativa nelle scuole pubbliche di Cambridge, che ha osservato lottare in un ambiente di abbondanza.
Per saperne di più, Abebe ha iniziato a partecipare alle riunioni del consiglio scolastico di Cambridge. Più scopriva le scuole, più diventava desiderosa di aiutare. Ma non era sicura di come quel desiderio fosse in linea con il suo obiettivo di diventare un matematico ricercatore.
"Ho pensato a questi interessi come diversi", ha detto Abebe, un junior fellow della Harvard Society of Fellows e un assistente professore presso l'Università della California, Berkeley. "Ad un certo punto, ho davvero pensato di dover scegliere, e ho pensato, 'OK, immagino che sceglierò la matematica e le altre cose saranno il mio hobby.'"
Dopo il college, Abebe è stata accettata in un programma di dottorato in matematica, ma ha finito per rinviare a frequentare un programma intensivo di matematica di un anno presso l'Università di Cambridge. Mentre era lì, ha deciso di spostare la sua attenzione sull'informatica, che le ha permesso di combinare il suo talento per il pensiero matematico con il suo forte desiderio di affrontare i problemi sociali legati alla discriminazione, all'ineguaglianza e all'accesso alle opportunità. Ha finito per ottenere un dottorato in informatica alla Cornell University.
Oggi, Abebe utilizza gli strumenti dell'informatica teorica per aiutare a progettare algoritmi e sistemi di intelligenza artificiale che affrontano i problemi del mondo reale. Ha modellato il ruolo svolto dagli shock di reddito, come la perdita del lavoro o dei sussidi statali, nel condurre le persone alla povertà, e ha esaminato i modi per ottimizzare l'allocazione dell'assistenza finanziaria del governo. Sta anche lavorando con il governo etiope per meglio tenere conto delle esigenze di una popolazione eterogenea migliorando l'algoritmo che il paese utilizza per abbinare gli studenti delle scuole superiori ai college.
Abebe è un co-fondatore delle organizzazioni Black in AI – una comunità di ricercatori neri che lavorano nell'intelligenza artificiale – e Mechanism Design for Social Good , che riunisce ricercatori di diverse discipline per affrontare i problemi sociali.
Quanta Magazine ha recentemente parlato con Abebe della sua paura infantile di essere costretta a diventare un medico, dei costi sociali di una cattiva progettazione algoritmica e di come il suo background in matematica affina il suo lavoro. Questa intervista si basa su più interviste telefoniche ed è stata condensata e modificata per maggiore chiarezza.
Attualmente sei coinvolto in un progetto per riformare il sistema educativo nazionale etiope. Il lavoro è nato in parte dalle tue esperienze negative con esso. Quello che è successo?
Nel sistema nazionale etiope, quando finisci il 12 ° grado, sostieni questo grande esame nazionale e invii le tue preferenze per le oltre 40 università pubbliche in tutto il paese. C'era un processo centralizzato di assegnazione che determinava a quale università stavi andando e quale specializzazione avresti avuto. Ero così preso dal panico per questo.
Perché?
Mi sono reso conto di essere uno studente con un punteggio alto quando ero alle medie. E gli studenti con il punteggio più alto tendevano ad essere assegnati alla medicina. Avevo circa 12 anni ed ero molto preso dal panico all'idea di dover essere un medico invece di studiare matematica, che è quello che volevo davvero fare.
Cosa hai finito per fare?
Ho pensato: "Potrei dover andare all'estero". Ho imparato che negli Stati Uniti puoi ottenere un aiuto finanziario completo se fai davvero bene e entri nelle migliori scuole.
Quindi sei andato ad Harvard come studente universitario e hai pianificato di diventare un matematico ricercatore. Ma poi hai avuto un'esperienza che ha cambiato i tuoi piani. Quello che è successo?
Ero entusiasta di studiare matematica ad Harvard. Allo stesso tempo, ero interessato a quello che stava succedendo nella città di Cambridge. C'era un enorme divario di rendimento nelle scuole elementari di Cambridge. Molti studenti che erano neri, latini, a basso reddito o con disabilità, o studenti immigrati, frequentavano da due a quattro voti inferiori ai loro coetanei nella stessa classe. Ero davvero interessato al motivo per cui stava accadendo.
Alla fine sei passato dalla matematica all'informatica. E l'informatica ti ha fatto pensare che fosse un posto in cui potresti lavorare su questioni sociali a cui tieni?
È un campo intrinsecamente rivolto verso l'esterno. Prendiamo un'organizzazione governativa che ha sussidi al reddito che può erogare. E deve farlo con vincoli di bilancio. Hai un obiettivo per il quale stai cercando di ottimizzare e alcuni vincoli sull'equità o l'efficienza. Quindi devi formalizzarlo.
Da lì, puoi progettare algoritmi e provare le cose su di loro. Quindi puoi dire: "Posso garantire che l'algoritmo fa questo; Posso garantire che ti offre la soluzione ottimale o almeno è così vicino alla soluzione ottimale. "
Il tuo background in matematica aiuta ancora?
La matematica e l'informatica teorica ti obbligano a essere preciso. L'ambiguità è un bug in matematica. Se ti do una prova ed è vaga, non è completa. Dal punto di vista algoritmico, ti costringe ad essere molto esplicito su quali sono i tuoi obiettivi e qual è l'input.
Nell'ambito dell'informatica, cosa diresti è la tua comunità di ricerca?
Sono uno dei co-fondatori e un organizzatore di Mechanism Design for Social Good . Abbiamo iniziato nel 2016 come un piccolo gruppo di lettura online interessato a capire come possiamo utilizzare le tecniche delle comunità di informatica teorica, economia e ricerca operativa per migliorare l'accesso alle opportunità. Ci siamo ispirati al modo in cui le tecniche di progettazione degli algoritmi e dei meccanismi sono state utilizzate in problemi come il miglioramento dello scambio renale e il modo in cui gli studenti vengono assegnati alle scuole. Volevamo esplorare in quale altro luogo queste tecniche, combinate con approfondimenti delle scienze sociali e degli studi umanistici, possono essere utilizzate.
Il gruppo è cresciuto costantemente. Ora è enorme e copre oltre 50 paesi e più discipline, tra cui informatica, economia, ricerca operativa, sociologia, politica pubblica e lavoro sociale.
Il termine "progettazione del meccanismo" potrebbe non essere immediatamente familiare a molte persone. Cosa significa?
La progettazione del meccanismo è come se avessi progettato un algoritmo, ma eri consapevole che i dati di input sono qualcosa che potrebbe essere manipolato strategicamente. Quindi stai cercando di creare qualcosa che sia robusto a questo.
Quando vedi un problema sociale su cui vuoi lavorare, qual è il tuo processo per iniziare?
Diciamo che mi interessano gli shock del reddito e quale impatto hanno sul benessere economico delle persone. Per prima cosa vado e imparo da persone di altre discipline. Parlo con assistenti sociali, responsabili politici e organizzazioni non profit. Cerco di assorbire quante più informazioni possibile e di capire al meglio ciò che gli altri esperti trovano utile.
E ho lasciato che questo processo dal basso verso l'alto determinasse quali tipi di domande dovrei affrontare. Quindi a volte finisce per essere come, ci sono alcuni set di dati davvero interessanti e le persone sono come, "Ecco cosa ne abbiamo fatto, ma forse puoi fare di più". Oppure finisce per essere una domanda di modellazione, dove c'è qualche fenomeno che il lato algoritmico del mio lavoro ci permette di catturare e modellare, e poi faccio domande su una sorta di intervento.
Il tuo lavoro affronta problemi legati alla pandemia COVID-19?
Il mio lavoro sullo shock del reddito è estremamente tempestivo. Se stai perdendo un lavoro o molte persone si ammalano, quelli sono shock. Le spese mediche sono uno shock. C'è stato questo enorme sconvolgimento globale con cui tutti dobbiamo fare i conti. Ma alcune persone hanno a che fare con più cose e diversi tipi di cose rispetto ad altre.
Come hai iniziato ad approfondire questo argomento come argomento di ricerca?
In primo luogo ci siamo interessati a come modellare al meglio il benessere quando sappiamo che le persone stanno vivendo shock di reddito. Volevamo vedere se potevamo fornire un modello di welfare in grado di catturare il reddito e la ricchezza delle persone, nonché la frequenza con cui possono subire shock di reddito e la gravità di tali shock.
Una volta creato un modello, siamo stati in grado di porre domande su come fornire assistenza, come i sussidi al reddito.
E cosa hai trovato?
Troviamo, ad esempio, che se l'assistenza è un sussidio di ricchezza, che offre alle persone un sussidio una tantum iniziale, piuttosto che un sussidio di reddito, che è un impegno di mese in mese, allora l'insieme di individui a cui dovresti rivolgerti possono essere completamente diversi l'uno dall'altro.
Questi tipi di approfondimenti qualitativi sono stati utili nelle discussioni con le persone che lavorano in organizzazioni politiche e senza scopo di lucro. Spesso nelle discussioni sui programmi di riduzione della povertà, sentiamo affermazioni del tipo: "Questo programma vorrebbe assistere il maggior numero di persone", ma ignoriamo che ci sono molte decisioni che devono essere prese per tradurre tale affermazione in un schema di assegnazione concreta.
Hai anche pubblicato un documento che esplora il modo in cui diversi tipi di grandi eventi negativi della vita sono correlati alla povertà. Cosa hai trovato?
Prevedere quali fattori portano qualcuno alla povertà è molto difficile. Ma possiamo ancora ottenere informazioni qualitative su quali cose ti aiutano a prevedere la povertà meglio di altri. Troviamo che per gli intervistati di sesso maschile, le interazioni con il sistema di giustizia penale, come essere fermati dalla polizia o essere vittima di un crimine, sembrano essere molto predittivi di sperimentare la povertà in futuro. Considerando che per le donne intervistate, troviamo che gli shock finanziari come la diminuzione del reddito, le spese maggiori, la diminuzione dei benefici e così via sembrano avere molto più potere predittivo.
Sei anche il co-fondatore della conferenza Equity and Access in Algorithms, Mechanisms and Optimization , che si terrà per la prima volta entro la fine dell'anno e che coinvolge molti dei tipi di domande di cui abbiamo parlato. Qual è il suo obiettivo?
Stiamo fornendo un luogo internazionale per ricercatori e professionisti che si riuniscono per discutere i problemi che hanno un impatto sulle comunità emarginate, come l'instabilità abitativa e i senzatetto, l'accesso equo all'istruzione e all'assistenza sanitaria, i diritti digitali e dei dati. È stimolante vedere gli investimenti che fanno le persone per identificare le domande giuste, fornire soluzioni olistiche, pensare in modo critico alle conseguenze indesiderate e ripetere molte volte se necessario.
Hai anche quel lavoro in corso con il governo dell'Etiopia sul suo sistema educativo nazionale. Come stai cercando di cambiare il modo in cui funziona questo processo di assegnazione?
Sto lavorando con il Ministero dell'Educazione Etiope per comprendere e informare il processo di abbinamento degli anziani delle scuole superiori con le università pubbliche. Siamo ancora nelle fasi iniziali di questo.
L'Etiopia ha oltre 80 diversi gruppi etnici e una popolazione incredibilmente diversificata. Ci sono considerazioni sulla diversità. Hai diversi generi, diversi gruppi etnici e diverse regioni da cui provengono.
Potresti dire: "Cercheremo comunque di assicurarci che tutti abbiano una delle tre scelte migliori". Ma vogliamo assicurarci che tu non finisca in una scuola che ha tutti della stessa regione o che tutti appartengono allo stesso sesso.
Quali sono i costi per sbagliare il processo di abbinamento?
Voglio dire, in tutti i problemi sociali su cui lavoro, il costo di sbagliare qualcosa è altissimo. Con questo caso di corrispondenza, una volta abbinato a qualcosa, probabilmente è lì che andrai perché le opzioni esterne potrebbero non essere buone. E quindi sto decidendo se finisci vicino a casa piuttosto che molto, molto lontano da casa. Sto decidendo se finisci in una regione o in una scuola che ha studi, classi e ricerche in linea con il tuo lavoro oppure no. È davvero, davvero importante.
Il post Uno scienziato informatico che affronta la disuguaglianza attraverso gli algoritmi è apparso per la prima volta su Quanta Magazine .
Questa è la traduzione automatica di un articolo pubblicato su Quanta Magazine all’URL https://www.quantamagazine.org/rediet-abebe-tackles-inequality-with-computer-science-20210401/ in data Thu, 01 Apr 2021 14:24:50 +0000.