Video para conocer más sobre la herramienta de previsión.
Frecuentemente se perciben como imprevisibles las crisis derivadas de la llegada de personas refugiadas. En estos casos de urgencia, la ayuda suele llegar rápidamente a quienes acaban de huir del conflicto y la violencia, y se distribuye dentro de las comunidades que los reciben. Pero, ¿qué pasaría si los desplazamientos forzosos pudieran preverse? ¿Y si los países de acogida tuvieran tiempo para prepararse ante la llegada de grandes grupos de personas? Hoy en día, estas preguntas son fundamentales, especialmente si se considera que actualmente hay más de 122 millones de personas desplazadas forzosamente en el mundo, el doble que hace apenas diez años.
En un contexto en el que tanto la financiación de la ayuda humanitaria como la del desarrollo se encuentran bajo presión, el uso de herramientas que ayuden a predecir el flujo de personas puede aumentar considerablemente la eficacia de las respuestas al desarrollo. Por ello, el Banco Mundial ha estado estudiando modelos de inteligencia artificial (IA) para ayudar a los países a estar mejor preparados cuando se produzca una crisis. Esto forma parte de un esfuerzo más amplio para colaborar con ACNUR en la promoción de respuestas que integren a los refugiados en los sistemas nacionales. Este enfoque proporciona mejores servicios sociales y fomenta mejores resultados económicos tanto para los refugiados como para las comunidades de acogida.
En Uganda, cuentan con políticas avanzadas que permiten a los refugiados acceder al empleo, la tierra y servicios públicos junto con las comunidades receptoras. Debido a esto, los equipos de Desarrollo Social y Prosperidad del Banco Mundial han estado experimentando enfoques basados en la IA para reforzar aún más la preparación en el marco del Proyecto de Respuesta del Desarrollo a los Impactos del Desplazamiento (DRDIP, por sus siglas en inglés). El DRDIP es un proyecto de desarrollo impulsado por la comunidad que invierte en infraestructuras de servicios sociales y medios de subsistencia en los distritos de acogida de refugiados. El proyecto incluye un fondo de contingencia llamado Mecanismo de Respuesta a las Crisis de Desplazamiento (DCRM, por sus siglas en inglés). Basándose en umbrales definidos, el DCRM desembolsa financiación rápida a los distritos de acogida de refugiados que se enfrentan a la presión de los servicios públicos tras una gran afluencia de refugiados.
El DCRM proporciona un mecanismo ágil para apoyar las inversiones en infraestructuras en las comunidades de refugiados y de acogida. No obstante, los fondos se desembolsan después de que se producen grandes desplazamientos, y después de que las comunidades receptoras se vieran afectadas y en la necesidad de responder a la crisis. Por ello, a petición del Gobierno de Uganda, el Banco Mundial se puso en la tarea de investigar el potencial de la IA para predecir la llegada de refugiados. Esto permitirá activar la financiación de contingencia antes de que se produzcan grandes flujos de personas desplazadas, permitiendo así a los distritos de acogida invertir en la capacidad de los servicios públicos y minimizar el impacto en las comunidades de acogida.
IA y Machine Learning para anticipar la llegada de refugiados
El Banco Mundial ha desarrollado un modelo basado en IA para predecir el desplazamiento de refugiados a Uganda desde la República Democrática del Congo (RDC) y Sudán del Sur. El modelo trabaja con datos concretos y específicos del contexto del país, que incluyen temas del ámbito económico, social, de naturaleza e infraestructura. El modelo adquiere y analiza datos sobre conflictos, clima, vegetación, infraestructura, la economía, así como el lenguaje y sentimiento de estos temas en redes sociales. La herramienta de IA se basa en la lógica de que el comportamiento humano no sólo solo se guía por cambios concretos y cuantificables, sino también por aspectos relacionados al sentimiento y percepción (Figura 1).
Figura 1: Modelo de machine learning que asimila las dimensiones de la realidad y su percepción
Una vez probado, el modelo por medio de machine learning predijo los cambios en los datos diarios de llegada de refugiados analizando más de 90 variables independientes. El modelo se probó con datos no observados y predijo el cambio en los volúmenes futuros de llegadas de refugiados de la RDC y Sudán del Sur con una precisión superior al 80% (véanse las figuras 2 y 3).
Factores clave de los movimientos de refugiados
El modelo nos sirve para ir mucho más allá de las predicciones de movimientos de personas, ya que nos permite identificar qué situaciones o elementos impulsan este movimiento. Entre los factores clave se encuentran los conflictos armados, la actividad económica, el clima, los precios de los alimentos, la percepción y el sentimiento (véase la Figura 4). Entender cuáles son los diversos factores asociados al cambio, puede ayudar a los gobiernos y a los agentes humanitarios y de desarrollo a anticiparse a los movimientos de personas y comprender así sus causas. Asimismo, estos datos pueden contribuir a desarrollar enfoques más eficaces para abordar las causas del desplazamiento en los países o zonas emisoras. Por último, los datos y el conocimiento que este modelo aporta, de acuerdo con el contexto, también puede servir como base para diseñar e implementar estrategias nacionales, tanto para los equipos del Banco Mundial, el diseño de proyectos, la ejecución de proyectos y el diálogo político.
Figura 4: Modelo de factores identificados
Transformando la implementación del DCRM
Al integrar el modelo predictivo, el DCRM ahora puede activar la ampliación de los servicios entre 4 y 6 meses aproximadamente, con antelación a la llegada de personas, y de que los servicios públicos se vean afectados. De esta forma, se puede activar una respuesta visible, como por ejemplo la construcción de escuelas, instalaciones sanitarias y puntos de agua. Este enfoque proactivo se centra en la ventaja comparativa del Banco Mundial para proporcionar la infraestructura social necesaria de manera oportuna, al tiempo que permite la integración de los refugiados en los servicios nacionales y los procesos de planificación local.
Este modelo refuerza el compromiso de Uganda con los refugiados al permitir una asignación más eficiente de unos recursos limitados, reducir las tensiones entre comunidades y mejorar la planificación operativa.
Figura 5: DCRM con capacidad basada en predicciones
Contenido Relacionado
- Forcibly Displaced – Toward a Development Approach Supporting Refugees, the Internally Displaced and their Hosts
- Development Response to Displacement Impacts Project
- Tackling forced displacement as a development challenge
- Data-Driven Development Response to Displacement Crisis in Uganda: The Displacement Crisis Response Mechanism
- According to plan: Second activation of Uganda’s Displacement Crisis Response Mechanism (DCRM)
- Watch: AI Predictive Model For Refugee Modeling Presentation in Kampala
Únase a la conversación