Humanitair werk is gevaarlijk. Het leveren van voedsel via conflictgebieden, mijnenvelden of plotselinge overstromingen kan de dood van hulpverleners tot gevolg hebben. Nu komt technologie aangepast voor Mars naar huis om levens te redden.
Project AHEAD is een gezamenlijke inspanning van het Wereldvoedselprogramma (WFP), de Duitse DLR, het Rode Kruis en technologiepartners. Ze bouwen op afstand bediende voertuigen voor plaatsen die te riskant zijn voor mensen.
“Op dit moment zijn er in veel landen niet echt systemen geïntegreerd in deze noodprotocollen.” – Monique Kuglitsch
Hoe afstandsbediening risico’s op de grond vervangt
Op beelden van DLR is een SHERP-terreinwagen te zien op een Duitse testlocatie. Er wordt door open water gereden. Hij beklimt ruwe rotsen.
De bestuurder zit niet in het voertuig. Sensoren scannen het pad dat voor je ligt. Een operator bestuurt de machine op afstand.
Deze technologie komt uit de diepe ruimte. DLR ontwikkelde planetaire rovers zoals de MMX-rover voor Phobos, de maan van Mars. Nu brengt die autonomie de hulp naar gevarenzones. Geen piloot nodig in de cabine.
Honger opsporen voordat het erger wordt
Levering is niet de enige oplossing. We moeten ook voorspellen waar de honger toeslaat.
Het WFP lanceerde HungerMap Live. Het is een gratis platform. Het maakt gebruik van machine learning om de voedselonzekerheid in meer dan 95 landen te volgen.
Gegevenspunten omvatten conflicten. Het weer is belangrijk. Klimaatgevaren en economische omstandigheden voeden het algoritme. Het doel is simpel: crises vroegtijdig signaleren.
Bernhard Kowatsch leidt de Global Accelerator-divisie van het WFP. Hij merkt op dat ze de voorspellingen voor de komende 90 dagen testen. Realtime gegevens helpen ons de volgende golf van hongersnood te zien aankomen.
Waarom AI-kaarten sneller zijn dan menselijke vrijwilligers
Kaarten zijn van cruciaal belang bij rampen. Zonder weggegevens of bouwlocaties zijn hulpverleners blind. Ze weten niet waar ze moeten evacueren of voorraden moeten afleveren.
Neem de aardbevingen in het noorden van Venezuela in juni. Schadebeoordeling verliep traag. Geografische gegevens waren schaars.
Het Humanitarian OpenStreetMap Team (HOT) kwam tussenbeide. Ze gebruikten machinaal leren op satellietbeelden om gebouwen te vinden. Vrijwilligers gebruikten de MapSwipe-app om ze te controleren.
Leen D’hondt leidt technologie bij HOT. Ze zegt dat ze in vier dagen 600 vrijwilligers hebben gemobiliseerd. Ze veegden naar links of rechts op mobiele schermen. Ja, beschadigd. Nee, intact.
Deze snelheid hielp vroege hulpverleners de voedselleveringen correct te richten.
Vervangt AI de mens? Nee. Nog niet.
D’hondt stelt dat handmatige mapping betere kwaliteit biedt. Maar snelheid wint het in de onmiddellijke nasleep van een aardbeving.
“Soms is het belangrijker om meer of minder te weten waar de gebouwen zijn”, zei D’hondt.
De gebouwen zijn mogelijk niet perfect in kaart gebracht. Maar we weten hoeveel mensen er wonen. Dat is waar machine learning nu in past.
De noodtoestand voor integratie
Deze systemen zijn nog niet standaard. Insiders zeggen dat de integratie in mondiale noodprotocollen laag blijft.
Er bestaan uitzonderingen. India gebruikt een AI-systeem voor vroegtijdige waarschuwing dat dagelijks werkt. Europa maakt gebruik van een AI-voorspellingssysteem van het European Centre For Medium-Range Weather Forecasts. Het is operationeel.
De meeste andere landen? Nog experimenteel.
Monique Kuglitsch leidt innovatie bij het Fraunhofer Heinrich Hertz Instituut. Ze merkt de kloof op tussen laboratoriumtests en gebruik in de praktijk.
Technologie kan hulp hervormen. Het trekt mensen uit het vuur. Het voorspelt hongersnood. Maar de infrastructuur om dit te ondersteunen is nog steeds bezig met een inhaalslag. Wij hebben het gereedschap. De protocollen worden nog geschreven.
