هوش مصنوعی در خدمت نجات جان انسانها؛ از پیشبینی گرسنگی تا امدادرسانی در مناطق جنگی
به گزارش سیتنا، در بسیاری از بحرانهای انسانی، رساندن کمکهای غذایی و دارویی به مناطق درگیر جنگ، میدانهای مین، سیلابها یا مناطق صعبالعبور، جان کارکنان امدادی را با خطر جدی مواجه میکند. اکنون فناوریهایی که در ابتدا برای هدایت روورهای فضایی در مأموریتهای سیارهای توسعه یافته بودند، در حال ورود به عرصه امدادرسانی بشردوستانه هستند.
خودروهای بدون راننده برای رساندن کمکهای بشردوستانه
پروژه AHEAD که با همکاری برنامه جهانی غذا (WFP)، مرکز هوافضای آلمان (DLR)، صلیب سرخ و چند شریک فناوری اجرا میشود، در حال توسعه خودروهای کنترل از راه دوری است که بتوانند تجهیزات و کمکهای امدادی را از مسیرهایی عبور دهند که برای کامیونهای معمولی بسیار خطرناک یا غیرقابل دسترس هستند.
در آزمایشهای انجامشده در مرکز پژوهشهای فضایی آلمان، یک خودروی همهجارو SHERP توانسته بدون حضور راننده از آبهای آزاد، زمینهای ناهموار و مسیرهای دشوار عبور کند. این خودرو با استفاده از حسگرهای پیشرفته محیط اطراف را اسکن کرده و توسط یک اپراتور از راه دور هدایت میشود.
این فناوری بر پایه تجربه DLR در توسعه روورهای خودران و کنترل از راه دور، از جمله روور MMX که برای مأموریت اکتشافی قمر فوبوس مریخ طراحی شده، شکل گرفته است.
پیشبینی گرسنگی با کمک هوش مصنوعی
کاربرد هوش مصنوعی در فعالیتهای بشردوستانه تنها به انتقال فیزیکی کمکها محدود نمیشود.
برنامه جهانی غذا با توسعه سامانه HungerMap Live از یادگیری ماشین و دادههای تقریباً برخط برای پایش وضعیت ناامنی غذایی در بیش از ۹۵ کشور استفاده میکند.
این سامانه اطلاعات مربوط به درگیریهای نظامی، شرایط آبوهوایی، مخاطرات اقلیمی و شاخصهای اقتصادی را ترکیب کرده و به شناسایی مناطقی که در آستانه بحران گرسنگی قرار دارند کمک میکند.
برنارد کوواتش، مدیر بخش شتابدهنده جهانی و سرمایهگذاریهای برنامه جهانی غذا، در این باره میگوید: «سامانه HungerMap Live بهصورت عمومی در دسترس است و کاربران میتوانند دادههای تقریباً برخط را مشاهده کنند. اکنون نیز در حال بررسی امکان پیشبینی وضعیت امنیت غذایی تا ۹۰ روز آینده هستیم.»
هوش مصنوعی چگونه خسارت زلزله را نقشهبرداری میکند؟
یکی دیگر از کاربردهای مهم هوش مصنوعی، تهیه سریع نقشه از مناطق آسیبدیده در بلایای طبیعی است.
پس از وقوع دو زمینلرزه شدید در شمال ونزوئلا، کمبود دادههای جغرافیایی دقیق، ارزیابی میزان خسارت و برنامهریزی برای امدادرسانی را با مشکل مواجه کرده بود.
در این شرایط، گروه Humanitarian OpenStreetMap با استفاده از الگوریتمهای یادگیری ماشین، اطلاعات ساختمانها را از تصاویر ماهوارهای استخراج کرد. سپس بیش از ۶۰۰ داوطلب از طریق اپلیکیشن MapSwipe تصاویر را بررسی کرده و ساختمانهای آسیبدیده را شناسایی کردند.
لین دهونت، مدیر فناوری و داده این گروه، میگوید: «تنها چهار روز پس از وقوع زلزله توانستیم بیش از ۶۰۰ داوطلب را بسیج کنیم تا تصاویر را بررسی و مناطق آسیبدیده را مشخص کنند. این اطلاعات به تیمهای امدادی کمک کرد غذا و سایر اقلام ضروری را سریعتر به مناطق درست برسانند.»
سرعت بیشتر، اما هنوز نه به دقت انسان
به گفته دهونت، اگرچه هوش مصنوعی سرعت عملیات نقشهبرداری را به شکل چشمگیری افزایش داده، اما هنوز از نظر دقت به پای نقشهکشی دستی انسان نمیرسد.
او تأکید میکند: «نقشهکشی دستی همچنان بالاترین کیفیت را دارد، اما در شرایط اضطراری، سرعت اهمیت بیشتری پیدا میکند. حتی اگر موقعیت ساختمانها بهطور کامل مشخص نباشد، دانستن حدودی محل سکونت مردم برای برنامهریزی امدادرسانی بسیار ارزشمند است.»
فناوری هنوز در ابتدای مسیر
با وجود پیشرفتهای قابل توجه، کارشناسان معتقدند استفاده از هوش مصنوعی در مدیریت بحران هنوز بهطور گسترده وارد پروتکلهای رسمی امدادرسانی نشده است.
مونیک کوگلیش، مدیر نوآوری مؤسسه فرونهافر هاینریش هرتز، میگوید: «در حال حاضر در بیشتر کشورها سامانههای مبتنی بر هوش مصنوعی هنوز در پروتکلهای رسمی مدیریت بحران ادغام نشدهاند.»
وی میافزاید: «البته استثناهایی نیز وجود دارد. هند از سامانه هشدار زودهنگام مبتنی بر هوش مصنوعی استفاده میکند و در اروپا نیز مرکز اروپایی پیشبینیهای میانمدت هواشناسی سامانه پیشبینی مبتنی بر هوش مصنوعی را بهکار گرفته است، اما در بسیاری از کشورها این فناوری همچنان در مرحله آزمایشی قرار دارد.»
کارشناسان معتقدند با تکامل الگوریتمهای هوش مصنوعی و افزایش دسترسی به دادههای دقیق، این فناوری میتواند در سالهای آینده نقش پررنگتری در پیشبینی بحرانها، هدایت عملیات امدادی و نجات جان انسانها در سراسر جهان ایفا کند.
انتهای پیام