Sökträffar

    Sökträffar

    Visa alla resultat för ""
    Hittar inga resultat eller sökförslag för "."

    Söktips

    • Kontrollera att orden är rättstavade
    • Försök med andra sökord eller synonymer
    • Smalna av din sökning för att få fler träffar

    Hur kan vi hjälpa dig?

    Ny student

    Kontakta oss

    Hitta medarbetare

    Högskolan i Skövde, länk till startsida

    Sökträffar

      Sökträffar

      Visa alla resultat för ""
      Hittar inga resultat eller sökförslag för "."

      Söktips

      • Kontrollera att orden är rättstavade
      • Försök med andra sökord eller synonymer
      • Smalna av din sökning för att få fler träffar

      Hur kan vi hjälpa dig?

      Ny student

      Kontakta oss

      Hitta medarbetare

      Högskolan i Skövde, länk till startsida

      Maskininlärning hjälper Juhee kartlägga migrationsavsikter i Västafrika

      Publicerad 8 december 2020

      År 2016 kom Juhee Bae från Sydkorea till Sverige för att arbeta som postdoktor med visualiseringstillämpningar inom AI. Hennes mål är att få oss att förstå maskininlärning genom att förklara dess resultat med hjälp av visuella verktyg. Det tror hon även kommer öka förtroendet för tekniken. I sitt senaste projekt har hon använt maskininlärning för att kartlägga migrationsavsikter i Västafrika. Ett projekt hon 2019 beviljades medel för av EU och Västra Götalandsregionen inom ramen för programmet Mobility for Regional Excellence 2020 (MoRE2020).

      Destinationen var en liten enrummare i den belgiska staden Louvain-la-Neuve dit hon anlände i oktober samma år. Strax efter hade hon funnit sig tillrätta med kollegerna på institutionerna för datavetenskap och ekonometri vid Katolska universitetet i Louvain (UCLouvain) och stiftat bekantskap med projektets slutanvändare på Världsbanken. Genast satte Juhee och hennes kolleger igång med att analysera Gallupundersökningar med hjälp av ”den svarta-lådan” som maskininlärning även kallas. 

      Förståelse för hur saker förhåller sig till varandra

      Vad innebär visualisering av maskininlärning? Juhee förklarar genom att ta exempel från vardagen.

      – Visualiseringen hjälper oss att förstå hur saker förhåller sig till varandra genom att skapa en överblick. Ta flygplatsens informationstavla. Man fokuserar på sitt eget flygnummer eftersom man själv har ett flyg att passa eller väntar på någon. Flygledaren däremot behöver förstå helheten, flygningarnas status och hur de förhåller sig till varandra. När det kommer till mer komplexa strukturer kan visualisering och maskininlärning hjälpa oss att förstå mycket komplicerade underliggande strukturer, säger Juhee.

      Juhees forskning kan i grova drag jämföras med informationen på flygplatsens informationstavla. Tack vare den information som presenteras når resenärerna sin destination.

      Vad kan maskininlärning visa oss?

      Juhee får oss att förstå hur viktigt det är att se helhetsbilden och inte bara  utvalda delar. Maskininlärningsalgoritmer kräver inte att förhållanden specificeras explicit och de kräver färre manuella funktionsoperationer jämfört med de metoder som används i ekonometriska studier. På så sätt minskas den eventuella skevhet som förs in genom modellkonstruktörens expertis. Maskininlärning levererar kunskap baserad på data och fokuserar på prediktiv precision i komplexa förhållanden. Se figur 1, den visar att olika klassificeringsmetoder och linjära samband i vissa fall inte kan förväntas. 

      – Tack vare maskininlärning är det nu möjligt att analysera enorma mängder data och identifiera mönster – mönster som annars skulle vara okända eftersom vi själva inte kan bearbeta så stor mängd slumpmässig information. Nästa steg är att presentera informationen så att mottagaren förstår, säger Juhee.

      • Figur 1. (A) Linjär regression ger ingen effektiv klassificering av data. (B) Maskininlärning med beslutsträd ger en mer detaljerad klassificering av data.

      • Figur 2. Olika tidsskalor för torka indexet SPEI mellan 1960 och 2015 i sex västafrikanska länder. Rött betyder svår torka, särskilt mellan 1980 och 1990.

      • Juhee med kollegor: John Aoga (post-doc i datavetenskap), Juhee Bae (mottagare av MoRE2020), Stefanija Veljanovska (post-doc i ekonomi), Siegfried Nijssen (Professor i datavetenskap och handledare), Pierre Schaus (Professor i datavetenskap och handledare) och Frédéric Docquier (Ekonomiprofessor och samarbetspartner i projektet).

      Analys av migrationssavsikter i sex västafrikanska länder

      I projektets första studie ville forskarna, genom att studera data från flera år, ta reda på om individens demografiska och socioekonomiska egenskaper i kombination med vädret kunde vara en faktor för att en individ hade för avsikt att migrera. Skälet att använda just ”migrationsavsikt” i stället för det faktiska migrationsflödet är brist på tillförlitliga data.

      De Gallupundersökningar som utfördes under 2009–2015 kom från sex västafrikanska länder där jordbruk är den huvudsakliga inkomstkällan. De demografiska och socioekonomiska egenskaperna forskarna studerade hos de personer med avsikt att migrera var bland annat ålder, kön och kontakter utanför det egna landet. Den andra parametern var vädret, då utgick teamet från indexet för torka, SPEI (Standardized Precipitation Evapotranspiration Index). Forskarna jämförde tre metoder för maskininlärning och hittade bidragande faktorer som påverkat avsikten att migrera. Läs mer om de resultat som framkommit på arXiv.org.

      Mer exakt statistik med maskininlärning

      Data som saknas, eller snarare brist på data, är ett vanligt fenomen inom datavetenskapen. Så även hos den data Juhee och hennes kolleger arbetade med. I vissa regioner kunde undersökningarna hindras på grund av exempelvis inbördeskrig. Saknade värden är inte ovanligt och i dessa fall används olika metoder för att ersätta saknade värden.

      I projekts andra studie ”Forecasting Migration Intention using Multivariate Time Series”, har Juhee och hennes kollegor undersökt tidsseriernas data (exempelvis årlig eller månatlig) och använt sig av imputering av saknade värden med hjälp av slumpmässiga beslutsträd samt använt LSTM-modeller (Long Short-Term Memory) för att kunna förutsäga migrationsavsikter. Det visade sig att den prediktiva förmågan förbättrades tack vare slumpmässiga beslutsträd jämfört med sedvanlig utfyllnad. Resultatet presenterades nyligen på den vetenskapliga konferensen ISCAI 2020.

      Behovet av förutsägelser

      Människor har alltid, och kommer alltid att migrera. Genom att identifiera mönster kan vi ligga steget före och fördela resurserna rätt. Det har alltid funnits data, men innan maskininlärning var det omöjligt att identifiera underliggande mönster och förhållanden som kan vara av stor betydelse. Genom att utveckla visuella verktyg som får oss att förstå de resultat maskininlärning levererar kan människor fatta bättre beslut.

      - Även om jag själv är obekant med maskininlärningsmetoderna, är jag imponerad av resultaten och av de insikter som genererats. Till exempel är det tämligen imponerande i vilken grad prognosförmågan förbättras, säger Çağlar Özden, chefsekonom på avdelningen för Development Research Group Trade and International Integration, The World Bank.

      En ansträngning värd mödan

      Juhees år i Belgien inom ramen för MoRE2020 har avslutats, nu är hon tillbaka vid Högskolan i Skövde som biträdande lektor. Under sitt år i Belgien insåg hon vilken utmaning det är att arbeta över flera olika forskningsdiscipliner, men att samverkan gett goda resultat som gjort ansträngningen mödan värd.

      – Jag hade aldrig kunnat föreställa mig att jag, en sydkoreansk systemutvecklare skulle komma så långt och själv migrera till flera länder. Jag är mycket tacksam för året i Belgien och möjligheten att arbeta med tvärvetenskapliga projekt. Även om jag stannade på mitt rum för det mesta på grund av covid-19, tyckte jag om att arbeta utomlands. I framtiden hoppas jag kunna fortsätta att fylla tvärvetenskapliga luckor och lösa användardrivna problem från verkligheten, avslutar Juhee Bae.

      Projektets finansiering

      Juhee Bae beviljades finansiering från Europeiska unionens forsknings- och innovationsprogram Horizon 2020 under Marie Skłodowska-Curie-bidragsavtal nr 754412.

       

      Kontakt

      Bitr. lektor i informationsteknologi

      Publicerad: 2020-12-08
      Senast ändrad: 2020-12-08
      Sidansvarig: webmaster@his.se