از کاوشگرهای فضایی تا نقشههای گرسنگی: هوش مصنوعی کمکهای بشردوستانه را دگرگون میکند
تاریخ انتشار
رساندن مواد غذایی از میان مناطق درگیری، میدانهای مین و سیلابها می تواند جان کارکنان بشردوست را به خطر مرگ بیندازد.
اکنون از فناوری ای که برای کنترل روورها روی سیاره های دوردست توسعه یافته، به شکلی تازه استفاده می شود تا کارکنان امدادی از برخی خطرناکترین ماموریتهای بشردوستانه جهان کنار گذاشته شوند.
پروژه AHEAD، یک همکاری مشترک میان برنامه جهانی غذا، مرکز پژوهشهای فضایی آلمان DLR، صلیب سرخ و شرکای فناوری، در حال توسعه خودروهای کنترل از راه دوری است که بتوانند تدارکات را از میان مناطقی عبور دهند که برای کامیونهای معمولی بسیار خطرناک یا بسیار صعب العبور به حساب می آیند.
تصاویری از یک سایت آزمایشی DLR در آلمان نشان می دهد یک خودروی همه زمین SHERP وارد آب آزاد می شود و از روی زمینهای ناهموار بالا می رود.
حسگرها زمین پیش رو را اسکن می کنند و در همین حال یک اپراتور از راه دور خودرو را هدایت می کند؛ به این ترتیب وسیله نقلیه بدون حضور کسی پشت فرمان حرکت می کند.
این سامانه بر تجربه DLR در توسعه روورهای سیاره ای کنترل از راه دور و خودران تکیه دارد؛ از جمله روور MMX که برای کاوش فوبوس، یکی از قمرهای مریخ، ساخته شده است.
تلاش برای به کارگیری فناوریهای نوظهور در کارهای بشردوستانه فقط به ارسال فیزیکی کمکها محدود نمی شود.
پلتفرم عمومی HungerMap Live که توسط برنامه جهانی غذا توسعه یافته، با استفاده از یادگیری ماشین و داده های تقریبا برخط، ناامنی غذایی را در بیش از ۹۵ کشور رصد می کند.
به گفته این سازمان، این سامانه اطلاعات مربوط به عواملی مانند درگیری، وضعیت هوا، خطرهای اقلیمی و شرایط اقتصادی را ترکیب می کند تا به شناسایی بحرانهای در حال شکل گیری گرسنگی کمک کند.
برنارد کوواتش، مدیر بخش شتابدهنده جهانی و سرمایه گذاریهای برنامه جهانی غذا، می گوید: «همه می توانند HungerMap Live را در اینترنت ببینند. شما می توانید داده های تقریبا برخط دریافت کنید و ما اکنون حتی در حال بررسی امکان پیش بینی وضعیت امنیت غذایی تا ۹۰ روز آینده هستیم.»
استفاده از هوش مصنوعی برای نقشه برداری از یک فاجعه
وجود نقشه های قابل اعتماد نیز برای پاسخهای بشردوستانه حیاتی است. بدون اطلاعات درباره جاده ها، ساختمانها و مراکز جمعیتی، امدادگران ممکن است در تصمیم گیری درباره این که از کجا مردم را تخلیه کنند، کجا پناهگاه ایجاد کنند یا کمکها را برسانند با مشکل روبه رو شوند.
پس از دو زلزله قدرتمند که در ماه ژوئن شمال ونزوئلا را لرزاند، محدود بودن داده های جغرافیایی ارزیابی میزان خسارت و اولویت بندی کمک رسانی را دشوار کرده بود.
گروه Humanitarian OpenStreetMap می گوید با استفاده از یادگیری ماشین، اطلاعات مربوط به ساختمانها را از تصاویر ماهواره ای استخراج کرده است. سپس داوطلبان از طریق اپلیکیشن MapSwipe تصاویر را بررسی و بخشهایی را علامت گذاری کردند که به نظر می رسید سازه ها در آنها آسیب دیده اند.
لین دهونت، مدیر بخش فناوری و داده در گروه Humanitarian OpenStreetMap، می گوید: «در چهار روز پس از زلزله توانستیم بیش از ۶۰۰ داوطلب را بسیج کنیم که عملا در اپلیکیشن موبایل صفحه را به چپ و راست می کشیدند و مشخص می کردند: بله، این بخش ساختمانی آسیب دیده است؛ نه، این بخش ساختمانی آسیب ندیده است.»
دهونت اضافه می کند: «و همین موضوع به گروههای اولیه امدادرسان کمک کرد که برای توزیع غذا و دیگر نیازهای فوری پس از زلزله به مناطق درست بروند.»
با وجود تمام سرعتی که هوش مصنوعی می تواند فراهم کند، دهونت می گوید این فناوری هنوز به دقت کار جزیی نقشه کشهای انسانی نمی رسد.
او می گوید: «نقشه کشی دستی همچنان بهترین کیفیت را دارد، اما گاهی سرعت مهمتر است.»
او ادامه می دهد: «گاهی مهمتر این است که حدودا بدانیم ساختمانها کجا هستند. شاید به طور کامل روی نقشه نیامده باشند، اما می دانیم چه تعداد آدم در آن منطقه زندگی می کنند و همین جاست که هوش مصنوعی و مدلهای یادگیری ماشین وارد عمل می شوند.»
با وجود پیشرفتهای سریع، فعالان این حوزه می گویند این سامانه ها هنوز تا جا افتادن در پاسخهای اضطراری در سراسر جهان فاصله زیادی دارند.
مونیک کوگلیش، مدیر نوآوری در موسسه فرونهافر هاینریش هرتز، می گوید: «در حال حاضر در بیشتر کشورها عملا سامانه ای در این پروتکلهای اضطراری ادغام نشده است.»
او می افزاید: «استثناهایی وجود دارد. در هند یک سامانه هشدار زودهنگام مبتنی بر هوش مصنوعی داریم که عملیاتی است. در اروپا هم یک سامانه پیش بینی مبتنی بر هوش مصنوعی از مرکز اروپایی پیش بینیهای میان مدت هواشناسی داریم که در حال کار است، اما در بسیاری از کشورها این فناوری هنوز در حد آزمایشی است.»
ویرایشگر ویدئو • Roselyne Min
