스탠포드, 유럽을 괴롭히는 난민 범죄율 줄이기 위해 알고리즘 활용
6월 20일은 세계 난민의 날입니다. 2018년 현재 전 세계 난민 수는 약 2,540만 명에 달했습니다. 이들을 어떻게 더 잘 재정착시킬 것인가가 국제적인 문제가 되었습니다. 2018년 1월, 스탠포드 대학과 취리히 연방 공과대학의 연구자들은 국가가 난민을 보다 효과적으로 재정착시키고 취업 성공률을 크게 높이는 데 도움이 되는 알고리즘을 사용하는 방안을 제안하는 논문을 발표했습니다.
지난 60년 동안 세계는 축적해 왔습니다. 7억 5천만 명그들은 전쟁, 재난 등의 이유로 집을 떠나 난민이 되었습니다. 난민에 대한 국제적, 사회적 관심을 끌고 그들의 보호에 대한 인식을 높이기 위해 UNHCR은 6월 20일은 세계 난민의 날로 지정되었습니다..
어제는 레바논 출신 감독 나딘 라바키가 연출한 영화 '가버나움'이레바논 빈민가에 사는 난민들대중에게 공개되었습니다.
전쟁을 피해 주인공인 어린 소년 자인과 그의 가족은 혼잡한 레바논 빈민가에서 불법으로 살고 있습니다. 그들은 난민 신분이기 때문에 견딜 수 없는 곳에서만 힘겹게 살아갈 수 있습니다.
현대의 도시 생활과 비교하면 영화 속 난민의 삶은 충격적이고 동정적이지만, 시리아와 아프가니스탄과 같이 전쟁으로 파괴된 나라에서는 매일 가슴 아픈 이야기들이 펼쳐진다.
난민: 빈곤, 불안정, 범죄의 대명사
난민은 전쟁이나 자연재해 등으로 인해 본래 거주지를 떠나 본래 국적을 포기한 사람들을 말합니다.
전 세계적으로 갈등이나 박해로 인해 집을 떠난 난민이 약 130만 명에 달합니다. 2540만(난민 정의에 따르면, 국내 실향민은 난민으로 간주되지 않습니다.) 이들 난민의 절반 이상이 18세 미만입니다.
많은 선진국들은 연민과 인도주의적 이유로 난민을 환영하고 수용합니다. 독일, 호주, 러시아 등 여러 나라가 주요 난민 수용국이다.
그러나 문화적 차이, 정책적 조건, 교육 및 고용, 사회적 자원 등의 이유로 난민 유입은 불화의 요소를 낳았습니다.
난민으로 인한 흉악한 범죄, 지역 재정 악화, 테러리즘이 점점 더 심각해지고 있습니다.모든 국가가 그 결과를 감당할 수 없게 되었습니다.
요즘 많은 곳에서 난민은 '불안함'의 대명사가 되었습니다.
어떤 나라들은 처음에는 "난민을 구하겠다"고 맹세했지만, 불과 몇 년 만에 수많은 시민들이 거리로 나서 항의하고, 심지어 난민을 받아들이기를 거부하고 추방하기까지 했습니다.
2018년 유엔 보고서에 따르면, 현재 난민 재정착률이 지속된다면, 18년현재 모든 난민을 재정착시키는 데는 오랜 시간이 걸릴 것이고, 앞으로 난민이 늘어날 것은 말할 것도 없습니다.
안정성을 유지하는 좋은 방법: 알고리즘을 사용하여 난민의 일자리 찾기 지원
복잡한 난민 집단에 직면하여 가장 중요한 해결책은 더 나은 서비스를 제공하는 것입니다.효율적이고 합리적인 운송 및 배치그래서 그들은 가능한 한 빨리 새로운 집에서의 삶에 적응할 수 있게 됩니다.
이러한 국제적인 문제에 직면하여 기술의 이점이 부상하고 있습니다.
스탠포드 대학교, 취리히 연방 공과대학교연구팀은 이 알고리즘이 난민의 취업 가능성을 높이고 낯선 사회에 대한 적응력을 강화하여 국가가 난민 재정착에 더 적합한 지역을 찾는 데 도움이 될 수 있다는 것을 발견했습니다.
연구원들은 다음과 같은 기능을 하는 유연하고 데이터 기반의 알고리즘을 개발했습니다.재정착지의 자원 현황을 분석하고 난민을 유연하게 수송하고 배치할 수 있습니다.이로써 통합 효과가 향상됩니다.
이 알고리즘은 결합합니다지도 학습 및 최적 매칭,난민의 특성과 재정착 지역 간의 시너지 효과를 발견하고 활용합니다.
테스트 결과에 따르면 이 알고리즘은 난민의 취업률을 향상시킨 것으로 나타났습니다.40%~70% 증가. 이러한 접근 방식은 정부에 기존 제도적 구조 내에서 즉시 구현할 수 있는 실용적이고 비용 효율적인 정책 도구를 제공할 수 있습니다.
1. 난민의 알고리즘 재정착, 3단계
이전에 다양한 난민 수용국에서는 다양한 난민 할당 계획을 연구하고 제안했습니다. 예를 들어, 매칭 효율성이나 난민 및 수용 장소 선호도에 따라 최적의 할당을 결정하는 방법이 있습니다. 그러나 이러한 접근 방식은 이론적으로는 매력적이지만 실제 구현에는 많은 장애물이 있습니다.
이와 대조적으로 순수하게 데이터 중심적인 접근 방식을 사용하면 기존 데이터를 사용하여 통합 결과를 최적화할 수 있습니다. 알고리즘은 세 단계로 나뉩니다.모델링, 매핑 및 매칭.
– 1단계: 과거 이민 데이터를 활용한 모델링
모델링 단계:지도 학습 과정에서는 정량화 가능한 모든 지표의 예상 성공 여부를 예측할 수 있습니다. 예를 들어, 신규 취업 난민이 잠재적 재정착지에 얼마나 적합한지 예측할 수 있습니다.
연구자들은 단일 난민을 관찰 단위로 사용하여 역사적 이민 데이터를 모델 훈련에 할당했습니다.출신 국가, 언어 능력, 성별, 연령, 교육 수준, 도착 시간, 배치 장소 및 고용 결과이런 종류의 데이터.
그런 다음 이러한 훈련 데이터를 사용하여 난민의 배경 특성과 관련하여 취업 성공 기대치를 예측하는 일련의 지도 학습 모델을 구축했습니다.
각 지역의 난민에게 별도의 모델이 할당되어 각 지역마다 다른 모델이 만들어지고, 이를 통해 난민-지역 간 시너지 효과가 발견됩니다. 이렇게 맞춤화된 모델을 새로운 샘플에 적용하여 각각의 새로운 재정착지에 새로 도착한 난민의 예상 취업 성공률을 예측했습니다.
– 2단계: 개별 배치를 사례 수준에 매핑
매핑 단계:모델링 단계의 난민 수준 예측을 사례 수준 지표로 변환합니다. 사례 수준 지표에 매핑하는 이유는 무엇입니까? 난민은 일반적으로 개인별로 장소가 배정되지 않고 사례별로 배정되는데, 사례는 대개 가족 단위로 배정됩니다.
이 팀이 선호하는 사례 수준 지표는 해당 사례에서 적어도 한 명의 난민이 해당 지역에서 일자리를 찾을 확률을 예측하는 것입니다. 이 지표는 난민의 취업 확률이 모든 사례에서 독립적이라는 단순화된 가정을 사용합니다.
– 3단계: 각 사례를 특정 위치에 일치시킵니다.
매칭 단계: 제약 조건과 선택된 최적성 기준에 따라 각 사례를 특정 위치에 할당하면 알고리즘이 여러 기준에 적응할 수 있습니다.
신청서에서 팀이 사용한 최적성 기준은 사례 수준 지표의 평균(즉, 각 가구에서 적어도 한 명의 난민이 취업할 확률의 전역 평균)을 최대화하는 것이었습니다.
2. 난민 고용 개선은 지역 사회를 안정시킬 수 있습니다.
팀은 알고리즘의 적용을 평가했습니다.미국과 스위스성과: 미국은 주로 수용 능력 제약에 따라 난민을 배정합니다. 스위스는 비례적 할당 지표를 기반으로 난민을 무작위로 할당합니다.
미국에서는 국무부와 협력하여 9개의 자원 봉사 기관이 수용 및 재정착 서비스(예: 장소 배정, 난민 주택 제공 등)를 제공합니다.
난민들이 한 기관에 배정되면, 재정착 담당자들은 현지 수용 인원 제한에 따라 해당 기관 내 재정착 장소에 난민들을 중앙에서 분배합니다.
재정착 담당자는 난민이 도착하기 전에 면접을 거치지 않고 배치 결정을 내립니다. 난민들은 도착 시 취업 허가를 받으며 가능한 한 빨리 일자리를 구하도록 권장됩니다.
난민 재정착 성공 여부를 추적하기 위해 기관은 난민이 도착한 날로부터 90일 이내에 수용 및 재정착 기간이 끝난 후 난민의 고용 현황을 보고해야 합니다.
재정착 알고리즘을 최적화하면 결과가 개선될 수 있는지 평가하기 위해 연구팀은 2011년부터 2016년 사이에 가장 큰 재정착 기관 중 한 곳에서 재정착한 취업 가능 연령 난민(18~64세)에 대한 데이터를 분석했습니다. 연구팀은 데이터를 훈련 세트와 테스트 세트로 나누었습니다. 그런 다음 적합 모델을 적용하여 각 지역의 예상 고용 성공률을 예측하고 2016년 3분기에 도착한 난민 테스트 세트에 대한 최적의 할당을 결정했습니다.
테스트 데이터의 경우, 연구진은 가족이나 다른 인연의 위치에 따라 배정된 난민이 아니라 자유롭게 재정착 장소에 배정된 난민에 초점을 맞췄습니다. 또한 그들은 할당에 제한을 가했습니다. 최적화된 할당에 따라 각 위치는 다음을 수신할 수 있습니다.이하실제로 받은 사람의 수.
또한 알고리즘 분포가 크게현상 유지 할당 대신 예상 난민 고용률을 추가했습니다.
최종 결과에 따르면 알고리즘 할당은 기준 고용률이 높은 지역과 낮은 지역을 포함한 거의 모든 지역에서 고용률을 증가시켰습니다. 실제 배분 시 고용률은 평균 34%, 최적화된 배분 시 고용률은 평균 48%로,최적화된 배분으로 고용률은 기준선보다 약 41% 높아질 것입니다.
구현하는 데 오랜 시간이 걸릴 수 있는 더 비싼 개입(언어 또는 직업 훈련 프로그램 등)과 비교했을 때 데이터 기반 접근 방식은 다음과 같은 잠재력을 가지고 있습니다.더 나은 비용 효율성이는 정부나 이민 당국에 거의 추가 비용을 들이지 않고도 달성할 수 있습니다.
또한, 알고리즘은 기존 정책 프로세스를 수정합니다.향상된 구현 효율성난민들이 더 빨리 사회에 적응할 수 있게 됐습니다. 그리고 알고리즘은동적시간이 지남에 따라 시너지 효과에 적응할 수 있습니다.
우리는 알고리즘이 모든 것을 장악할까봐 걱정할 필요가 없습니다. 그들은 배치 직원을 대체하는 것이 아니라 보완하기 위해 있습니다. 컴퓨터 지원 배정 프로세스에서 알고리즘은 여러 가지 권장 사항을 제공할 수 있으며, 배치 담당자는 최종 배정을 내리거나 아무런 조치도 취하지 않을 수 있습니다.
난민 문제: 연민 이상의 것이 필요합니다
난민 문제는 소위 넘치는 동정심으로 바뀔 수 있는 문제가 아니며, 기술만으로는 해결될 수 없습니다. 지역 평화, 정책, 제도와 같은 사회적 요인은 이러한 상황을 개선하는 주요 요인입니다.
그러나 기술을 적용하면 정부와 이민 당국에 더 효과적인 도구가 될 수 있으며, 난민 재정착에 대한 더욱 효과적이고 적절한 권고안을 제공할 수 있습니다.
다양한 국가의 노력과 기술력을 바탕으로 난민과 수용국 모두 가능한 한 빨리 위기에서 벗어날 수 있기를 바랍니다.