Il lavoro umanitario è pericoloso. La consegna di cibo attraverso zone di conflitto, campi minati o inondazioni improvvise può uccidere gli operatori umanitari. Ora, la tecnologia adattata per Marte sta tornando a casa per salvare vite umane.
Project AHEAD è uno sforzo congiunto del Programma alimentare mondiale (WFP), della DLR tedesca, della Croce Rossa e dei partner tecnologici. Stanno costruendo veicoli telecomandati per luoghi troppo rischiosi per l’uomo.
“Al momento, in molti paesi non esistono realmente sistemi integrati in questi protocolli di emergenza.” — Monique Kuglitsch
Come il controllo remoto sostituisce il rischio sul campo
Le riprese di DLR mostrano un camion fuoristrada Sherp in un sito di prova tedesco. Si guida in acque libere. Si arrampica su rocce ruvide.
Il conducente non è nel veicolo. I sensori scansionano il percorso da percorrere. Un operatore controlla la macchina da remoto.
Questa tecnologia proviene dallo spazio profondo. DLR ha sviluppato rover planetari come il rover MMX per Phobos, la luna di Marte. Ora che l’autonomia sposta gli aiuti nelle zone pericolose. Nessun pilota necessario in cabina.
Monitorare la fame prima che peggiori
La consegna non è l’unica soluzione. Dobbiamo anche prevedere dove colpirà la fame.
Il WFP ha lanciato HungerMap Live. È una piattaforma gratuita. Utilizza l’apprendimento automatico per monitorare l’insicurezza alimentare in oltre 95 paesi.
I punti dati includono conflitti. Il tempo conta. I rischi climatici e le condizioni economiche alimentano l’algoritmo. L’obiettivo è semplice: individuare tempestivamente le crisi.
Bernhard Kowatsch guida la divisione Global Accelerator del WFP. Nota che stanno testando le previsioni per i prossimi 90 giorni. I dati in tempo reale ci aiutano a prevedere l’arrivo della prossima ondata di fame.
Perché le mappe AI sono più veloci dei volontari umani
Le mappe sono vitali nei disastri. Senza dati stradali o ubicazione degli edifici, gli operatori umanitari sono ciechi. Non sanno dove evacuare o consegnare i rifornimenti.
Prendiamo i terremoti nel nord del Venezuela questo giugno. La valutazione dei danni è stata lenta. I dati geografici erano scarsi.
L’Humanitarian OpenStreetMap Team (HOT) è intervenuto. Hanno utilizzato l’apprendimento automatico sulle immagini satellitari per trovare edifici. I volontari hanno utilizzato l’app MapSwipe per controllarli.
Leen D’hondt è a capo della tecnologia presso HOT. Dice che hanno mobilitato 600 volontari in quattro giorni. Hanno fatto scorrere il dito verso sinistra o verso destra sugli schermi dei dispositivi mobili. Sì, danneggiato. No, intatto.
Questa velocità ha aiutato i primi soccorritori a indirizzare correttamente le consegne di cibo.
L’intelligenza artificiale sta sostituendo l’uomo? No. Non ancora.
D’hondt sostiene che la mappatura manuale offre una qualità migliore. Ma nel periodo immediatamente successivo ad un terremoto vince la velocità.
“A volte è più importante sapere più o meno dove si trovano gli edifici”, ha detto D’hondt.
Gli edifici potrebbero non essere perfettamente mappati. Ma sappiamo quante persone vivono lì. È qui che entra in gioco il machine learning adesso.
Lo stato di emergenza integrazione
Questi sistemi non sono ancora standard. Gli addetti ai lavori affermano che l’integrazione nei protocolli di emergenza globale rimane bassa.
Esistono eccezioni. L’India utilizza un sistema di allarme precoce basato sull’intelligenza artificiale che funziona quotidianamente. L’Europa utilizza un sistema di previsione AI del Centro europeo per le previsioni meteorologiche a medio termine. È operativo.
La maggior parte degli altri paesi? Ancora sperimentale.
Monique Kuglitsch dirige l’innovazione presso l’istituto Fraunhofer Heinrich Hertz. Nota il divario tra i test di laboratorio e l’uso sul campo.
La tecnologia può rimodellare gli aiuti. Tira gli esseri umani fuori dal fuoco. Prevede la carestia. Ma le infrastrutture per sostenerlo stanno ancora recuperando terreno. Abbiamo gli strumenti. I protocolli sono ancora in fase di scrittura.
