Pesquisadores da Universidade da Califórnia em Berkeley e do Banco Mundial descobriram que os dados de telefones celulares e a tecnologia do aprendizado de máquina (Machine Learning) podem identificar famílias de baixa renda, reduzindo as altas taxas de pobreza.
Os dispositivos móveis produzem enormes volumes de dados e os moradores locais podem aprender detalhes importantes sobre sua posição socioeconômica por meio deles.
Segundo Neil Patel, Machine Learning é “uma forma de análise de dados que orienta os computadores a aprenderem por conta própria, para que aprimorem seu desempenho diante de problemas específicos”.
Um algoritmo de Machine Learning treinado para registrar detalhes específicos de chamadas telefônicas superou outros métodos utilizados anteriormente. No entanto, despertou preocupações com relação à privacidade relativa ao acesso ilimitado dos dados dos usuários.
À medida que a pandemia de Covid-19 continua a causar estragos na economia global, os níveis de pobreza estão aumentando, com muitos indivíduos e famílias lutando para sobreviver. Em países de baixa e média renda, identificar aqueles que mais precisam de programas de proteção social pode ser um desafio, especialmente quando dados administrativos tradicionais, como registros fiscais, não estão disponíveis para uma grande proporção de trabalhadores informais.
No entanto, conforme dito inicialmente, pesquisas recentes da UC Berkeley e do Banco Mundial mostraram que o uso de dados de telefone celular (Móbile Phone Data) e aprendizado de máquina (Machine Learning) poderia fornecer uma solução promissora para esse problema.
Os registros detalhados de chamadas (CDRs – Call Detail Records) de uma grande operadora de telefonia móvel no Afeganistão foram averiguados por pesquisadores para avaliar sua precisão na identificação de famílias de baixa renda elegíveis para programas de proteção social.
Os CDRs contém informações valiosas sobre números de telefone, padrões de comunicação, uma rede de contatos, padrões de recuperação de informações, entre outros.
Três métodos foram comparados para identificar famílias ultrapobres, incluindo um modelo de aprendizado de máquina treinado em dados de CDR, um índice de riqueza baseado em ativos e uma métrica de consumo comumente usada para medir a pobreza em países de baixa e média renda. Esse modelo de tecnologia, treinada em 797 indicadores comportamentais computados a partir de dados de CDR, superou outros algoritmos comuns, e foi considerado muito promissor.
Apesar de oferecer vantagens em termos de economia de tempo e dinheiro, o uso de dados CDR para segmentação apresenta questões éticas relativas à privacidade dos usuários. Isso pode ser uma situação delicada, já que o acesso aos dados do telefone é essencial, e os resultados podem ser comprometidos, caso alguns grupos da população não tiverem acesso a eles, como os que não possuem telefone, ou se um determinado provedor não permitir esse acesso.
O uso do CDR para elegibilidade do programa também pode criar incentivos para o comportamento estratégico de indivíduos que desejam manipular o sistema. Portanto, o consentimento informado e os padrões claros de privacidade devem ser implementados para proteger as informações confidenciais e privadas dos indivíduos.
Apesar desses desafios, o uso de dados CDR e aprendizado de máquina apresenta uma oportunidade significativa para melhorar a segmentação de programas de proteção social em países de baixa a média renda, particularmente na sequência da pandemia de Covid-19.
Ao alavancar o poder dessa tecnologia inovadora, os formuladores de políticas e profissionais de desenvolvimento podem atingir as famílias mais pobres com maior precisão e eficiência, oferecendo a assistência necessária para aqueles que mais precisam.
É fundamental equilibrar essas limitações éticas com as vantagens potenciais da tecnologia baseada em CDR para cada situação única, como também abordar os aplicativos de Machine Learning com sabedoria e responsabilidade.
Além disso, é preciso garantir que eles se alinhem com os princípios éticos e priorizem o bem-estar das pessoas e comunidades à medida que a tecnologia continua a se desenvolver e mudar o mundo.
(*) Caroline Kalil é consultora de direito digital, investidora de criptomoedas, colecionadora de NFTs com certificação em KYC Blockchain Professional pela Blockchain Council, e blockchain development pela Consensys, além de autora do e-book O Metaverso Simplificado. Ela tem MBA em criptoativos e blockchain
