Humanitäre Arbeit ist gefährlich. Die Lieferung von Nahrungsmitteln durch Konfliktgebiete, Minenfelder oder Sturzfluten kann Helfer töten. Jetzt kommt die für den Mars angepasste Technologie nach Hause, um Leben zu retten.
Project AHEAD ist eine gemeinsame Initiative des Welternährungsprogramms (WFP), des deutschen DLR, des Roten Kreuzes und von Technologiepartnern. Sie bauen ferngesteuerte Fahrzeuge für Orte, die für Menschen zu riskant sind.
„Derzeit gibt es in vielen Ländern keine wirklich in diese Notfallprotokolle integrierten Systeme.“ — Monique Kuglitsch
Wie Fernbedienung das Risiko am Boden ersetzt
Aufnahmen des DLR zeigen einen SHERP-Geländewagen auf einem deutschen Testgelände. Es fährt durch offenes Wasser. Es klettert auf raue Felsen.
Der Fahrer befindet sich nicht im Fahrzeug. Sensoren scannen den Weg vor Ihnen. Ein Bediener steuert die Maschine aus der Ferne.
Diese Technologie kommt aus dem Weltraum. Das DLR hat Planetenrover wie den MMX-Rover für Phobos, den Marsmond, entwickelt. Jetzt, da die Autonomie die Hilfe in Gefahrenzonen verlagert. Kein Pilot in der Kabine erforderlich.
Den Hunger aufspüren, bevor er schlimmer wird
Die Lieferung ist nicht die einzige Lösung. Wir müssen auch vorhersagen, wo der Hunger zuschlägt.
Das WFP hat HungerMap Live gestartet. Es ist eine kostenlose Plattform. Es nutzt maschinelles Lernen, um die Ernährungsunsicherheit in über 95 Ländern zu verfolgen.
Datenpunkte beinhalten Konflikte. Das Wetter ist wichtig. Klimagefahren und wirtschaftliche Bedingungen speisen den Algorithmus. Das Ziel ist einfach: Krisen frühzeitig erkennen.
Bernhard Kowatsch leitet die Global Accelerator-Abteilung des WFP. Er stellt fest, dass sie Prognosen für die nächsten 90 Tage testen. Echtzeitdaten helfen uns, die nächste Welle der Hungersnot vorherzusehen.
Warum KI-Karten schneller sind als menschliche Freiwillige
Karten sind bei Katastrophen von entscheidender Bedeutung. Ohne Straßendaten oder Gebäudestandorte sind Helfer blind. Sie wissen nicht, wohin sie evakuieren oder Vorräte liefern sollen.
Nehmen Sie zum Beispiel die Erdbeben im Norden Venezuelas im Juni. Die Schadensermittlung verlief langsam. Die geografischen Daten waren dürftig.
Das Humanitarian OpenStreetMap Team (HOT) griff ein. Sie nutzten maschinelles Lernen auf Satellitenbildern, um Gebäude zu finden. Freiwillige nutzten die MapSwipe-App, um sie zu überprüfen.
Leen D’hondt leitet die Technologie bei HOT. Sie sagt, sie hätten in vier Tagen 600 Freiwillige mobilisiert. Sie wischten auf mobilen Bildschirmen nach links oder rechts. Ja, beschädigt. Nein, intakt.
Diese Geschwindigkeit half den Ersthelfern, die Lebensmittellieferungen richtig auszurichten.
Ersetzt KI den Menschen? Nein. Noch nicht.
D’hondt argumentiert, dass manuelles Mapping eine bessere Qualität bietet. Aber unmittelbar nach einem Beben gewinnt die Geschwindigkeit.
„Manchmal ist es wichtiger, mehr oder weniger zu wissen, wo sich die Gebäude befinden“, sagte D’hondt.
Die Gebäude sind möglicherweise nicht perfekt kartiert. Aber wir wissen, wie viele Menschen dort leben. Hier kommt jetzt maschinelles Lernen ins Spiel.
Der Ausnahmezustand der Integration
Diese Systeme sind noch nicht Standard. Insider sagen, dass die Integration in globale Notfallprotokolle nach wie vor gering ist.
Es gibt Ausnahmen. Indien nutzt ein KI-Frühwarnsystem, das täglich funktioniert. Europa nutzt ein KI-Vorhersagesystem des Europäischen Zentrums für mittelfristige Wettervorhersagen. Es ist betriebsbereit.
Die meisten anderen Länder? Immer noch experimentell.
Monique Kuglitsch leitet Innovation am Fraunhofer Heinrich-Hertz-Institut. Sie weist auf die Lücke zwischen Labortests und Feldeinsatz hin.
Technologie kann Hilfe neu gestalten. Es holt Menschen aus dem Feuer. Es sagt eine Hungersnot voraus. Aber die Infrastruktur zur Unterstützung ist immer noch im Aufholprozess. Wir haben die Werkzeuge. Die Protokolle werden noch geschrieben.
