I 2012 måtte Jawad Sharbaji flygte fra Syrien, fordi han arbejdede for den Assad-kritiske avis Enab Baladi i Damaskus. Han var lige begyndt i jobbet, da helvede brød løs. Først kom krigen, så blev hans chefredaktør og mentor dræbt, og Jawad måtte overtage jobbet midt i chok og sorg.
»Det var forfærdeligt at se sin by bombarderet og være forvist fra sit hjemland. Det kom som et chok, at vi måtte flygte, og den første tid i Tyrkiet var kaotisk,« siger Jawad Sharbaji, som nu har boet i Istanbul i syv år.
Selvom Jawad Sharbajis tragedie er sin egen, kunne meget være gjort bedre, hvis Tyrkiet og den humanitære hjælp havde været bedre forberedt. Den syriske journalist deler skæbne med 82 millioner andre mennesker verden over, der også havde forladt deres hjem ved udgangen af 2020. Antallet af fordrevne på verdensplan er fordoblet i de seneste ti år.
»Alle beregninger viser, at antallet af mennesker på flugt fortsætter med at stige, og samtidig kan pengene til nødhjælpsarbejde slet ikke følge med. Vi skal derfor gøre alt for at være bedre forberedt på fremtidens kriser,« siger Charlotte Slente, der er generalsekretær i Dansk Flygtningehjælp.
Det er ikke let at forudsige, hvor og hvornår flygtningestrømme tager fart, men evnen til at estimere kan være forskellen mellem liv og død.
»Alt nødhjælpsarbejde bliver bedre af at være på forkant. Man kan forebygge hungersnød for en hel befolkningsgruppe, hvis man griber ind i rette tid,« siger Charlotte Slente.
Den humanitære nødhjælpsverden er et virvar af interesser og organisationer, så der er ikke bare én model for, hvordan man beslutter at sætte ind tidligt. Ligesom der heller ikke er en beregning for, hvor katastrofer vil opstå og i hvilket omfang. Den slags forudsigelser er historisk set resultatet af mange møder og input fra mange kanter. Men den danske nødhjælpsorganisation har i de seneste år arbejdet på et pionerprojekt i samarbejde med teknologifirmaet IBM: en algoritme, der kan forudsige flygtningestrømme. Ved hjælp af såkaldt maskinlæring kan man træne modellen til at analysere store mængder data. Det er en afart af det, vi også kender som kunstig intelligens, der identificerer mønstre og tager beslutninger, der hele tiden raffineres, vel at mærke i et tempo, vi mennesker ikke magter. Der skal hverken tages hensyn til diplomati eller mødekalender.
»Vi har udviklet en datamodel, der har vist sig at være meget præcis i sine beregninger af, hvordan antallet af flygtninge, asylansøgere og internt fordrevne vil udvikle sig,« siger Alexander Kjærum, der er global rådgiver og senioranalytiker hos Dansk Flygtningehjælp. Han er ansvarlig for organisationens projekt med algoritmen – man kan kalde ham cheftræner for den kunstige intelligens.
Flygtningestrømme påvirkes af en lang række faktorer, men humanitære organisationer, FN, akademikere og politikere har ikke tidligere haft en ensartet standard for regnestykket. Dansk Flygtningehjælp har nu fundet mere end 120 indikatorer fra 18 forskellige datakilder, som generelt anses for at være pålidelige, og som kan være med til at forklare, hvorfor fordrivelse finder sted. De 120 indikatorer dækker blandt andet konflikt, klimaforandringer, økonomisk udvikling, god regeringsførelse, menneskerettigheder og sociodemografiske forhold.
Formålet med projektet er at skaffe ny og mere håndfast datadreven viden, der skal tjene som både øjenåbner og kalibrering i planlægning af humanitære nødhjælpsoperationer og sikre bedre beskyttelse af mennesker på flugt.
2000 bud på fremtiden
For hver af de 120 indikatorer trækker algoritmen på 25 års historisk data i hvert enkelt land, som modellen bruger til at lære mønstre i de underliggende faktorer for fordrivelse. Simpelt forklaret sker forudsigelsen ved, at algoritmen »tænker«, at når situationen er sådan her i 2020 på alle disse 120 punkter, så vil der, baseret på de historiske forhold, typisk ske følgende i 2021, 2022 og 2023.
Rent teknisk bruger modellen det, der kaldes en random forest, gradient boosting model. Den metode efterligner teorien om wisdom of the crowd, massernes klogskab. Flygtningealgoritmen giver således ikke en enkelt forudsigelse, men cirka 2.000 forudsigelser også kaldet beslutningstræer, for hvert år den undersøger, og resultatet er gennemsnittet af hver forudsigelse.
Hvert enkelt beslutningstræ fokuserer på seks-otte tilfældigt udvalgte indikatorer af de i alt 120 og baserer sin forudsigelse på dem. Men for at optimere det endelige resultat er beslutningstræerne knyttet til hinanden. Hvis beslutningstræ 1 korrekt forudsiger, at 100 mennesker vil blive fordrevet i 20 af de 25 års data, men fejlagtigt antager, at tallet er 100.000 i de sidste fem år, så vil beslutningstræ 2 kompensere for fejlskuddet ved at give det højere prioritet at ramme rigtigt i de fem år, hvor beslutningstræ 1 tog fejl. Alexander Kjærum og kolleger kan så køre modellen igen og igen, mens de skruer lidt på vægtningen af de forskellige indikatorer.
Dansk Flygtningehjælp har analyseret modellens præcision ved at få den til at forudsige historisk fordrivelse i de 24 lande, modellen dækker – for eksempel ved at give modellen data op til 2010 og bede den forudsige fordrivelse i 2011. Resultaterne viser, at halvdelen af prognoserne er under ti procent fra det faktiske antal fordrevne.
Det er en lavere fejlmargin end de forudsigelser, der normalt bliver arbejdet efter hos FN og andre humanitære organer. Modellen har dog visse begrænsninger. En af dem er, at den er konservativ og oftere estimerer under end over.
»Den har også svært ved at forudsige pludselige kriser som Rohingya-krisen i Myanmar, og det er ellers her, modellen ville være mest nyttig. Så modellen skal ikke være den eneste kilde til beslutningsgrundlag. Den skal bygge scenarier, som kan sammenholdes med mere kvalitative analyser,« siger Alexander Kjærum.
De forskellige test har dog vist, at algoritmen er til at stole på. Da Jawad Sharbaji og hans syriske landsmænd måtte flygte i 2012, kom antallet også bag på verdenssamfundet, men forsøg har vist, at modellen ville have skudt på en næsten tolvdobling i 2012 med op til 700.000 fordrevne og derfor ville have åbenbaret den kommende krise. For i år viser den en stigning på næsten 200.000 til 13,5 millioner for Syrien.
For Afghanistan forudså modellen ikke Kabuls fald og de individuelle forfølgelser, men den har allerede estimeret antallet af mennesker på flugt fra Afghanistan til at nå over 530.000 i år. Vi kan derfor ikke længere forklare manglende indsats med manglende viden, vi kan nu se sort på hvidt og meget præcist, at folk flytter sig i stor stil. Modellens forudsigelser blev blandt andet brugt som beslutningsgrundlag i april, da FN afsatte 15 millioner dollar til Afghanistan for at imødekomme de ekstraordinære humanitære behov. På det tidspunkt anslog FN selv, at kun 250.000 ville blive fordrevet.
Danmark har netop givet ekstraordinært 240 millioner kroner til FN til krisearbejdet i Afghanistan. Udenrigsministeriet skriver i forbindelse med donationen, at en halv million børn under fem år allerede nu lider af akut underernæring, og Afghanistan har den højeste rate for mødredødelighed i Asien. Den elendighed er ikke opstået med Talebans ankomst. Det vidste vi godt i forvejen. Og algoritmen viste for længe siden, at behovet ville komme.
Det er nu på mange måder en uforudsigelig og ekstremt skrøbelig situation i Afghanistan, hvor de humanitære behov er stigende. Omkring halvdelen af de 40 millioner afghanere havde allerede ved årets start behov for humanitær hjælp. Hvad kunne der være sket, hvis pengene var blevet doneret allerede i foråret?
»Behov for akut og livreddende nødhjælp har i mange år været store i Afghanistan – og er endda vokset. Med flere midler og adgang til mere fleksible ressourcer ville vi uden tvivl kunne have reddet flere liv, støttet lokalbefolkningen og forbedret den ekstreme humanitære situation i landet. I stedet står vi nu i en situation, hvor behov for nødhjælp stadig er der og fortsat stiger, samtidig med at vores muligheder for at nå folk, hvor de er, og møde behovene, er blevet mere udfordrende, uforudsigelige og komplekse,« siger Charlotte Slente.
Men verdens donorer tøvede, og af de 1,3 milliarder dollar, FN bad om i starten af året til Afghanistan, havde de i juni kun modtaget 500 millioner.
Spørger man til, om algoritmen rent faktisk kan tænkes at blive brugt i FN-regi, lyder svaret:
»Det vil gøre det muligt for FN netop at være bedre til at forudsige kriser frem for at reagere på dem. At sætte det humanitære system i gang før kriser vil sikre, at vi bruger vores finansiering mere effektivt, formindsker de overordnede humanitære behov, hjælper flere mennesker og derfor redder flere liv,« siger Leonardo Milano, der er leder i FNs Center for Humanitær Data.
»Prædiktiv analyse er en mulighed for at gennemføre en hurtigere, mere effektiv og mere værdig humanitær reaktion. AI- og ML-læring har et stort potentiale, men det bør anvendes på en ansvarlig måde for at sikre, at nye teknologier ikke øger eksisterende skævheder,« uddyber han.
Forkert brug
Penge er generelt en udfordring i den humanitære sektor, og derfor er Dansk Flygtningehjælp ikke den eneste organisation, der prøver at blive mere effektiv ved hjælp af nye teknologier. Arbejdet med maskinlæring og kunstig intelligens er vokset kraftigt de seneste år. De fleste af initiativerne forsøger at forudsige, hvor humanitære kriser vil opstå, og hvem der vil blive påvirket. Især sygdomsudbrud, konflikter, naturkatastrofer og fødevareusikkerhed bliver teknologien brugt til at regne på.
FNs kontor for koordinering af humanitære indsatser har oprettet Center for Humanitær Data, som blandt andet forsøger at samle trådene fra de forskellige forsøg og lave standarder og guidelines for nye teknologier, samt etablere en form for evaluering, der skal nuancere og kvalificere.
Det er nemlig ikke uden etiske dilemmaer at anvende maskinlæring og algoritmer i arbejdet med sårbare grupper som flygtninge og internt fordrevne. En af hovedbekymringerne har været, at forudsigelserne ville blive brugt af regeringer til at lukke grænser og dermed afskære folk fra at flygte og søge beskyttelse. Formålet med projektet har hele tiden været at beskytte mennesker og ikke grænser. Derfor har Dansk Flygtningehjælp forsøgt at mindske denne risiko, ved at forudsigelserne ikke siger noget om, hvorvidt de fordrevne forbliver internt eller krydser grænser, eller hvor og præcis hvornår fordrivelsen vil ske.
