با تجزیه و تحلیل داده‌های گذشته و فعلی، ابزار اندازهگیری می‌تواند اطلاعات مفیدی را به سازمان‌ها، سازمان‌های دولتی و مشاغل ارائه‌دهنده خدمات و مایحتاج به فقرا، ارائه دهد.
به گفته مارشال بورک، عضو هیات علمی موسسه تحقیقات سیاست اقتصادی استنفورد (SIEPR) و استادیار علوم سیستم زمین در دانشکده علوم زمین، انرژی و محیط‌زیست دانشگاه استنفورد، «انگیزه بزرگ ما توسعه بهتر ابزارها و فناوری‌هایی است که به ما امکان می‌دهد در مسائل اقتصادی واقعا مهم پیشرفت کنیم (که) پیشرفت به دلیل عدم‌توانایی سنجش نتایج محدود می‌شود.» از این رو «در اینجا ابزاری وجود دارد که فکر میکنیم می‌تواند به شما کمک کند.» لوبل، یکی از اعضای ارشد SIEPR و استاد علوم سیستم زمین در استنفورد زمین می‌گوید نگاه به گذشته برای شناسایی روندها و عواملی برای کمک به مردم برای فرار از فقر بسیار مهم است. لوبل که مدیر مرکز امنیت غذایی و محیط‌زیست و همچنین عضو ارشد موسسه محیط‌زیست استنفورد وودز نیز است در این زمینه می‌گوید: «حیرت‌آور است که هیچ روش خوبی برای درک چگونگی تغییر فقر در سطح محلی در آفریقا وجود نداشته» و «سرشماری به اندازه کافی مکرر نیست، و نظرسنجی از خانه به خانه به ندرت به همان افراد برمی‌گردد. اگر ماهواره‌ها به ما کمک کنند تاریخچه فقر را بازسازی کنیم، می‌تواند فضای زیادی برای درک بهتر و کاهش فقر در این قاره فراهم کند.» ابزار اندازهگیری از تصاویر ماهوارهای شب و روز استفاده می‌کند. در شب، چراغ‌ها شاخص توسعه هستند و در طول روز، تصاویر زیرساخت‌های انسانی مانند جاده‌ها، کشاورزی، مواد مورد استفاده در بام‌ها (roofing material)، سازه‌های مسکونی و آبراه‌ها ویژگی‌های مرتبط با توسعه را فراهم می‌کنند. سپس این ابزار از فناوری یادگیری عمیق - الگوریتم‌های محاسبات که به‌طور مداوم خود را برای شناسایی الگوها آموزش می‌دهند - استفاده می‌کند تا مدلی ایجاد کند که داده‌های تصاویر را تجزیه و تحلیل کند و شاخص ثروت دارایی را تشکیل دهد؛ یک مولفه اقتصادی که معمولا توسط نقشه‌برداران برای اندازهگیری ثروت خانوار در ملت‌های درحال توسعه استفاده می‌شود. محققان دقت ابزار اندازهگیری را برای حدود ۲۰هزار دهکده آفریقایی که دارای داده‌های موجود دارایی از نظرسنجی‌ها بودند، از سال ۲۰۰۹ مورد آزمایش قرار دادند. آنها براساس مطالعه خود، عملکرد خوبی در اندازهگیری سطح فقر روستاها در دوره‌های مختلف زمانی داشتند.
در گفت‌وگو با مارشال بورک در مورد ساخت این ابزار و پتانسیل آن برای کمک به بهبود رفاه فقیران جهان پرداخته‌ایم.
برای اولین بار، این ابزار نشان می‌دهد که ما می‌توانیم پیشرفت اقتصادی را اندازهگیری کنیم و مداخلات فقر (Poverty Interventions) را هم در سطح محلی و هم در مقیاس گسترده درک کنیم. این کار در سراسر آفریقا، در سال‌های مختلف انجام می‌شود. این (سیستم) خیلی خوب کار می‌کند، و در انواع مختلفی از کشورها کار می‌کند.
اگر می‌خواهیم اثربخشی یک برنامه ضد فقر (anti-poverty) را بفهمیم، یا اگر یک سازمان غیردولتی می‌خواهد یک محصول خاص را به انواع خاصی از افراد معرفی کند (سفارشی‌سازی کند)، یا اگر یک کسب و کار می‌خواهد بفهمد در چه جایی بازار درحال رشد است، همه اینها به اطلاعات مربوط به نتایج اقتصادی نیاز دارند. در بسیاری از نقاط جهان، ما واقعا این داده‌ها را نداریم. اکنون ما از داده‌هایی از سراسر صحرای آفریقا استفاده میکنیم و این مدل‌ها را آموزش می‌دهیم تا با بهره‌گیری از تمام این داده‌ها نتایج خاص (اقدامات ضدفقر) را اندازهگیری کنند.
کار اولیه ما برای تهیه نقشه فقر (Poverty-mapping) که در سال ۲۰۱۶ منتشر شد، براساس یک‌سال داده از پنج کشور (آفریقایی) بود. این کار قویا به تصاویر پرهزینه و با وضوح بالا که در مقیاس آزمایشی بسیار کوچکی تهیه شده بودند، بستگی داشت. اکنون این کار (سیستم) حدود ۱۲ کشور را پوشش می‌دهد - حدود نیمی از کشورها در آفریقا - که این انبوهی از داده‌های چندبعدی (Multi-dimensional) است که در سراسر چند سال گردآوری شده‌اند. این کار یک مجموعه عظیم از داده را برای توسعه مدل‌های اندازهگیری (فقر) فراهم می‌کند و به ما اجازه می‌دهد اعتبار اینکه آیا مدل‌ها فقر را به‌خوبی تخمین می‌زنند، تایید کنیم. ما اطمینان داریم که می‌توانیم از این فناوری و این روش برای به‌دست آوردن برآورد (تقریب) قابل اعتمادی برای همه کشورهای آفریقا استفاده کنیم. یک تفاوت اساسی در مقایسه با کارهای قبلی این است که اکنون ما از تصاویر ماهوارهای کاملا در دسترس عموم استفاده میکنیم که به گذشته برمی‌گردد و این برنامه رایگان است، که به نظر من این فناوری را عمومی می‌کند و ما این کار را در مقیاس مکانی گسترده و وسیع انجام می‌دهیم.
ما در زمینه علوم کامپیوتر - یادگیری عمیق - درحال پیشرفت‌های جدی هستیم که این روند در پنج سال گذشته به وضوح مشهود است. این کار واقعا نحوه استخراج اطلاعات از تصاویر را دگرگون کرده است. ما به سیستم (الگوریتم) نمی‌گوییم که در تصاویر چه چیزی را جست‌وجو کند. در عوض، ما فقط به آن می‌گوییم: «اینجا یک مکان غنی است، اینجا یک مکان فقیر است، آن را کشف کنید.» سپس، این الگوریتم با دقت بالایی به تفکیک و تشخیص مناطق شهری، مناطق کشاورزی، جاده‌ها و آبراه‌ها می‌پردازد؛ ویژگی‌هایی که قدرت تفکیک در مناطق غنی از مناطق فقیرنشین را دارند و در نتیجه برنامه به ما می‌گوید «من این الگو را پیدا کردم» و سپس می‌توانیم معنای مشخصی (Semantic meaning) به آن اختصاص دهیم. این خصوصیات گسترده‌تر که در سطح روستا مورد بررسی قرار گرفته‌اند، به‌طور متوسط با متوسط ثروت خانوارهای آن منطقه ارتباط زیادی دارند.
اکنون که این داده‌ها را در اختیار داریم، می‌خواهیم سعی کنیم با استفاده از آنها در مورد توسعه اقتصادی چیزهایی بیاموزیم. این ابزار ما را قادر می‌سازد تا به سوالاتی را که یک سال پیش نتوانستیم بپرسیم، پاسخ دهیم زیرا اکنون ما در سطح محلی، نتایج کلیدی اقتصادی را در مقیاس گسترده، مکانی و به مرور زمان اندازهگیری کرده‌ایم. ما می‌توانیم ارزیابی کنیم که چرا بعضی از مکان‌ها بهتر از جاهای دیگر عمل می‌کنند. می‌توانیم سوال کنیم الگوهای رشد در امرار معاش چگونه است؟ بیشترین تفاوت‌ها (از این لحاظ) بین کشورهاست یا داخل کشورها؟ و سوالات بسیاری در این خصوص که می‌توان با این سیستم به آنها پاسخ داد. من اقتصاددان هستم و اینها همان سوالاتی است که من را هیجان‌زده می‌کند. باور من این است که توسعه فناوری به خودی خود هدف نیست و هدف کمک به برنامه‌ریزی در زمینه علوم اجتماعی است.
