Facebook的AI团队映射了整个非洲人口

几乎所有非洲地区的新地图都显示了非洲大陆13亿人居住的地方，直到水表，这可以帮助地方政府和援助组织的每个人。该地图通过运行卫星图像通过机器学习模型从Facebook创建的其他人加入。
关于人们居住的地方并不是很神秘，但精确程度至关重要。你可能知道有一百万人生活在一个特定的地区，大约一半人住在大城市，另外四分之一住在各个城镇。但是，这只留下了数十万只以最模糊的方式解决。
幸运的是，您可以随时检查卫星图像，并挑选出小村庄和孤立的房屋和社区所在的地方。唯一的问题是非洲很大。真的很大。即使从像加蓬或马拉维这样的中等大小国家手动标记卫星图像也需要花费大量的时间和精力。对于数据的许多应用，例如协调对自然灾害的响应或分发疫苗，丢失的时间就是生命损失。
最好立即完成所有工作，对吧?这就是Facebook人口密度地图项目背后的理念，该项目在决定对整个非洲大陆作出决定之前，已经在过去几年中绘制了几个国家的地图。
放大，您可以看到新旧地图之间的差异。这非常重要
“来自Facebook的地图确保我们将志愿者的时间和资源集中在他们最需要的地方，提高我们计划的效率，”该项目合作伙伴之一人道主义OpenStreetMap团队的执行主任Tyler Radford说。
核心思想很简单：将人口普查数据(居住在一个地区的人数)与来自卫星图像的结构数据相匹配，以更好地了解这些人所处的位置。
Facebook工程师詹姆斯吉尔说：“只需人口普查数据，你所能做的最好就是假设人们居住在该地区的所有地方 – 建筑物，田野和森林。” “但是一旦你了解了建筑物的位置，就可以跳过田地和森林，只将人口分配给建筑物。这为您提供了非常详细的30米乘30米人口地图。“
这比现有的这种大小的人口地图精确几倍。该分析由一名机器学习代理完成，该代理使用来自世界各地的OpenStreetMap数据进行培训，人们在该数据中标记和概述了建筑物和其他特征。
首先，显然没有结构的非洲大量表面必须从考虑中删除，从而减少团队必须评估的空间量一千或更多。然后，使用区域特定的算法(因为在沿海的摩洛哥看起来与在乍得中部看起来有很大不同)，该模型识别包含建筑物的补丁。
在整个过程中，人们进行了大量的双重检查，以确保没有区域偏见或倾向于以某种方式错误标记。该团队已经做了一段时间了，所以这不是他们的第一次牛仔竞技表演，但“一个国家”与“非洲全部”的规模有点不同。幸运的是，公司的AI团队在解释性博客文章中写道：
我们已经能够将问题简化为简单的二进制分类任务……现在，给定输入图像，单个神经网络预测给定图像是否包含建筑物。这种分类方法的计算成本也明显低于基于分段的方法，因为它允许我们使用较小的神经网络并生成具有较小内存占用的输出。
在这种情况下，效率更高，精度更高，因为算法将从之前的尝试中学习，并且包含更多数据以防止误报和否定。该团队发现1000个补丁标记为包含建筑物，其中996个是正确的。这种错误率对我来说听起来很不错，而且肯定比现有的工具更好，当你询问一个小社区或离网村时，这些工具只会让你模糊“在某处”。
如果你想知道为什么Facebook首先要这样做，那么它与过去几年的努力有关，以确定连接不良的人群，这样他们就可以用激光等将互联网传送给他们。现在这一点都是相当低的优先级，这与公司目前存在的许多问题有关，但它正在建造的工具显然具有人道主义应用，很高兴看到婴儿没有被洗澡水扔掉。