Η τεχνητή νοημοσύνη συχνά συζητείται ως απειλή για την ανθρωπότητα, όμως ανθρωπιστικές οργανώσεις τη χρησιμοποιούν για πρόβλεψη πείνας, χαρτογράφηση καταστροφών και ασφαλή διανομή βοήθειας
Η μεταφορά τροφίμων μέσα από εμπόλεμες ζώνες, ναρκοπέδια και πλημμυρισμένες περιοχές μπορεί να θέσει τους ανθρωπιστικούς εργαζόμενους σε θανάσιμο κίνδυνο.
ΔΙΑΦΉΜΙΣΗ
ΔΙΑΦΉΜΙΣΗ
Τώρα, τεχνολογία που αναπτύχθηκε για τον έλεγχο ρόβερ σε μακρινούς πλανήτες προσαρμόζεται, ώστε να απομακρύνει τους εργαζόμενους βοήθειας από μερικές από τις πιο επικίνδυνες αποστολές στον κόσμο.
Το Project AHEAD, μια συνεργασία μεταξύ του Παγκόσμιου Επισιτιστικού Προγράμματος (WFP), του γερμανικού αεροδιαστημικού κέντρου DLR, του Ερυθρού Σταυρού και τεχνολογικών εταίρων, αναπτύσσει τηλεχειριζόμενα οχήματα ικανά να μεταφέρουν προμήθειες σε περιοχές που θεωρούνται υπερβολικά επικίνδυνες ή δύσβατες για συμβατικά φορτηγά διανομής.
Πλάνα από χώρο δοκιμών του DLR στη Γερμανία δείχνουν ένα όχημα παντός εδάφους SHERP να μπαίνει σε ανοιχτά νερά και να σκαρφαλώνει πάνω σε ανώμαλο έδαφος.
Αισθητήρες σαρώνουν το έδαφος μπροστά, ενώ ένας χειριστής ελέγχει το όχημα από απόσταση, επιτρέποντάς του να κινείται χωρίς κανέναν πίσω από το τιμόνι.
Το σύστημα αξιοποιεί την εμπειρία του DLR στην ανάπτυξη τηλεχειριζόμενων και αυτόνομων πλανητικών ρόβερ, συμπεριλαμβανομένου του ρόβερ MMX που κατασκευάστηκε για την εξερεύνηση του Φόβου, ενός από τα φεγγάρια του Άρη.
Η ίδια προσπάθεια για αξιοποίηση των αναδυόμενων τεχνολογιών στην ανθρωπιστική δράση ξεπερνά τα όρια των φυσικών παραδόσεων.
Η πλατφόρμα HungerMap Live, που είναι δημόσια προσβάσιμη και έχει αναπτυχθεί από το Παγκόσμιο Επισιτιστικό Πρόγραμμα, χρησιμοποιεί μηχανική μάθηση και δεδομένα σχεδόν σε πραγματικό χρόνο για να παρακολουθεί την επισιτιστική ανασφάλεια σε περισσότερες από 95 χώρες.
Συνδυάζει πληροφορίες για παράγοντες όπως οι συγκρούσεις, ο καιρός, οι κλιματικοί κίνδυνοι και οι οικονομικές συνθήκες, ώστε να βοηθά στον εντοπισμό αναδυόμενων επισιτιστικών κρίσεων, σύμφωνα με τον οργανισμό.
«Όλοι μπορούν να το δουν, το HungerMap Live, στο διαδίκτυο. Μπορείτε να έχετε δεδομένα σε πραγματικό χρόνο και αυτή τη στιγμή εξετάζουμε ακόμη και τη δυνατότητα πρόβλεψης της επισιτιστικής ασφάλειας 90 ημέρες μπροστά», δήλωσε ο Μπέρνχαρντ Κόβατς, διευθυντής του τμήματος Global Accelerator and Ventures του WFP.
Η τεχνητή νοημοσύνη χαρτογραφεί τις καταστροφές
Αξιόπιστοι χάρτες είναι επίσης κρίσιμοι για τις ανθρωπιστικές επιχειρήσεις. Χωρίς πληροφορίες για δρόμους, κτίρια και πληθυσμιακά κέντρα, οι εργαζόμενοι βοήθειας δυσκολεύονται να αποφασίσουν πού θα απομακρύνουν ανθρώπους, πού θα στήσουν καταφύγια ή πού θα παραδώσουν προμήθειες.
Μετά τους δύο ισχυρούς σεισμούς που έπληξαν τη βόρεια Βενεζουέλα τον Ιούνιο, τα περιορισμένα γεωγραφικά δεδομένα δυσχέραναν την εκτίμηση των ζημιών και την ιεράρχηση της βοήθειας.
Η ομάδα Humanitarian OpenStreetMap αναφέρει ότι χρησιμοποίησε μηχανική μάθηση για να εξαγάγει πληροφορίες για κτίρια από δορυφορικές εικόνες. Εθελοντές στη συνέχεια εξέτασαν τις εικόνες μέσω της εφαρμογής MapSwipe, επισημαίνοντας περιοχές όπου τα κτίρια φαίνονταν να έχουν υποστεί ζημιές.
«Μέσα σε τέσσερις ημέρες από τον σεισμό, μπορέσαμε να κινητοποιήσουμε περισσότερους από 600 εθελοντές, οι οποίοι στην ουσία έκαναν σάρωση αριστερά και δεξιά στην εφαρμογή για κινητά, υποδεικνύοντας: ναι, αυτή η περιοχή κτιρίων έχει υποστεί ζημιές· όχι, αυτή η περιοχή κτιρίων δεν έχει υποστεί ζημιές», δήλωσε η Λιν Ντ’Οντ, διευθύντρια τεχνολογίας και δεδομένων στην ομάδα Humanitarian OpenStreetMap.
«Και αυτό βοήθησε ουσιαστικά τους πρώτους ανταποκριτές να πάνε στις σωστές περιοχές για τη διανομή τροφίμων και για όλες τις άλλες ανάγκες που μπορεί να προκύψουν αμέσως μετά τον σεισμό», πρόσθεσε η Ντ’Οντ.
Παρά την ταχύτητα που μπορεί να προσθέσει η τεχνητή νοημοσύνη, η Ντ’Οντ σημείωσε ότι η τεχνολογία δεν μπορεί ακόμη να φτάσει την ακρίβεια της λεπτομερειακής δουλειάς που κάνουν οι ανθρώπινοι χαρτογράφοι.
«Η χειροκίνητη χαρτογράφηση εξακολουθεί να προσφέρει την καλύτερη ποιότητα. Ωστόσο, μερικές φορές η ταχύτητα είναι πιο σημαντική», είπε.
«Μερικές φορές είναι πιο σημαντικό να ξέρουμε πάνω-κάτω πού βρίσκονται τα κτίρια. Δεν είναι χαρτογραφημένα στην εντέλεια, αλλά ξέρουμε πόσοι άνθρωποι ζουν σε μια περιοχή. Και κάπου εδώ μπαίνουν στο παιχνίδι η τεχνητή νοημοσύνη και τα μοντέλα μηχανικής μάθησης αυτή τη στιγμή».
Παρά τις ραγδαίες εξελίξεις, οι γνώστες του χώρου αναφέρουν ότι τέτοια συστήματα απέχουν ακόμη πολύ από την τακτική ενσωμάτωσή τους στις διαδικασίες αντιμετώπισης εκτάκτων αναγκών σε όλο τον κόσμο.
«Προς το παρόν, δεν υπάρχουν πραγματικά συστήματα ενταγμένα στα πρωτόκολλα έκτακτης ανάγκης στις περισσότερες χώρες», δήλωσε η Μονίκ Κούγκλιτς, υπεύθυνη καινοτομίας στο Ινστιτούτο Φράουνχοφερ Χάινριχ Χερτς.
«Υπάρχουν εξαιρέσεις. Στην Ινδία υπάρχει ένα σύστημα έγκαιρης προειδοποίησης βασισμένο στην τεχνητή νοημοσύνη που λειτουργεί κανονικά. Επίσης στην Ευρώπη έχουμε ένα σύστημα πρόγνωσης με τεχνητή νοημοσύνη από το Ευρωπαϊκό Κέντρο Μεσοπρόθεσμων Μετεωρολογικών Προγνώσεων, το οποίο είναι επιχειρησιακό. Αλλά σε πολλές χώρες παραμένει ακόμη σε πειραματικό στάδιο».