机器学习框架生成的活动聚类概述。a是自下而上聚合的示意图，根据文本活动描述将辅助活动映射到活动群。为了减少复杂性，图中只显示了部门、活动群和活动属性的示例。这种简化用虚线和省略号突出显示。b按援助部门分列的活动组数量。“其他”类别包括19个较小规模的额外援助部门，如渔业。c，按援助部门分列的2000年至2019年开展的全球援助活动数量。d，按援助部门分列的2000年至2019年用于援助活动的援助支出总额，以十亿美元计。信用:自然可持续性(2022)。由LMU人工智能管理研究所所长Stefan Feuerriegel领导的人工智能专家团队正在为全球发展援助注入透明度。研究人员开发了一个人工智能系统，该系统对援助项目进行了比目前更全面的分类，并有助于更好地监控这些项目。这些发现发表在《自然可持续性》杂志上。“使用我们的框架，现在可以根据各种标准(如减缓气候变化)监测全球发展援助项目，包括以前从未考虑过的标准。Stefan Feuerriegel说:“通过这种方式，我们可以确定地区和时间的差异，并指出任何差距。“我们的方法可以帮助政策机构做出符合联合国可持续发展目标(SDG)的循证决策。”
里程碑:人工智能带来透明度
应用其人工智能方法，LMU团队对2000年至2019年期间进行的320万个援助项目进行了聚类。作为这些项目的一部分，总共投资了2.8万亿美元。人工智能被用来将项目分配给不同的专题组。“这是第一次，这种精细的分类揭示了对温室气体排放和产妇保健等研究的重大需求，”Feuerriegel指出。与此同时，现在也有可能查明某些方面迄今被忽视的地理区域。
发展援助涵盖许多不同组织资助的各种不同活动。例如，它可以采取物资供应、财政捐助、培训甚至技术支持的形式。资金由国际组织和较小的国家支持者提供。“考虑到分配给发展援助的资金量，跟踪这些资金在全球范围内的使用地点和领域非常重要。这是在全球层面上明智地协调项目的唯一途径，”Feuerriegel说。“过去以这种方式记录项目的系统严重不足，容易受到时间滞后的影响，并与沉重的官僚管理费用相关联。”
因此，LMU的研究人员正在使用机器学习框架来尽可能全面地捕捉和分析全球发展援助活动。数百万个单独的项目描述被用来训练这个系统。基于这些文字描述，该算法对173个全球援助活动集群进行了全面和细致的分类，如教育和营养，以及生物多样性。因此，LMU大学的研究人员在优化基于数据的分析以支持可持续发展方面取得了重大突破。
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
