Projekt AHEAD prilagođava tehnologije sa svemirskih roverâ kako bi daljinski upravljana vozila dostavljala zalihe kroz opasne zone i umanjila rizik za radnike. HungerMap Live WFP‑a koristi mašinsko učenje i gotovo‑realne podatke za praćenje nesigurnosti u ishrani u 95+ zemalja i radi na prognozama do 90 dana. Volonterske inicijative poput MapSwipe su u Venezueli brzo identificirale oštećene zgrade, ali stručnjaci upozoravaju da su sistemi još često eksperimentalni i da ručno mapiranje ostaje najpreciznije.
Od Svemirskih Rovera Do Dostave Pomoći: Kako AI Preobražava Humanitarnu Logistiku
From space rovers to hunger maps: How AI is reshaping humanitarian aid
Dostava hrane kroz zone sukoba, minska polja i poplave predstavlja smrtnu opasnost za humanitarne radnike. Novi pristupi koriste tehnologije razvijene za svemirske misije kako bi se ljudi izbacili iz najopasnijih zadataka i ubrzala reakcija u krizama.
Projekt AHEAD: Roveri i Daljinsko Upravljanje
Projekt AHEAD, u saradnji Svetskog programa za hranu (WFP), nemačkog Centra za vazduhoplovna istraživanja (DLR), Međunarodnog Crvenog krsta i tehnoloških partnera, razvija daljinski upravljana vozila sposobna da prevoze zalihe kroz oblasti koje su za konvencionalna vozila nepristupačne ili preopasne.
Na test-lokaciji DLR‑a u Nemačkoj zabeleženi su snimci terenskog vozila SHERP koje ulazi u otvorenu vodu i savladava neravan teren. Vozilo se upravlja na daljinu, dok senzori skeniraju okolinu i šalju podatke operateru, što omogućava bezbednu vožnju bez osobe u kabini.
Ovaj sistem crpi iskustvo DLR‑a u razvoju daljinski upravljanih i autonomnih planetarnih roverâ, uključujući MMX rover namenjen istraživanju Fobosa, jednog od Marsovih meseca. Ideja je preneti robusnost i autonomiju svemirskih platformi u realne humanitarne operacije.
Podaci, Predviđanja i Mape
Upotreba veštačke inteligencije u humanitarnom radu nije ograničena samo na fizičku isporuku. HungerMap Live, javno dostupan alat koji je razvio WFP, kombinuje mašinsko učenje i gotovo-realno prikupljanje podataka kako bi pratio nesigurnost u snabdevanju hranom u više od 95 zemalja. Platforma integriše faktore poput konflikata, vremenskih prilika, klimatskih rizika i ekonomskih pokazatelja, a WFP radi i na prognozama bezbednosti hrane do 90 dana.
Pouzdane geografske karte su ključne za hitne intervencije: bez informacija o putevima, zgradama i koncentraciji stanovništva, teško je odlučiti gde evakuisati ljude, podići skloništa ili usmeriti dostavu pomoći. Nakon dva snažna zemljotresa u severnoj Venecueli u junu, nedostatak detaljnih geografskih podataka otežao je procenu štete i prioritetizaciju pomoći.
Humanitarian OpenStreetMap Team (HOT) iskoristio je mašinsko učenje za izdvajanje informacija o zgradama iz satelitskih snimaka, a zatim je više od 600 volontera kroz aplikaciju MapSwipe pregledalo i označilo oštećene oblasti. Brza kombinacija automatske obrade i ljudske provere pomogla je ranom odgovoru i usmeravanju dostava hrane i potrepština.
Ograničenja i Implementacija
"Ručno mapiranje i dalje pruža najbolji kvalitet. Međutim, ponekad je brzina važnija — nije važno da li je mapa savršena, već da znamo otprilike gde su zgrade i koliko ljudi živi u tom području," kaže Leen D'hondt, direktorica tehnologije i podataka u Humanitarian OpenStreetMap Team.
Uprkos brzom napretku, takvi sistemi još nisu široko integrisani u standardne protokole hitnih intervencija. "U većini zemalja nema sistema ugrađenih u protokole hitnih intervencija," upozorava Monique Kuglitsch iz Fraunhofer Heinrich Hertz Instituta. Postoje izuzeci — u Indiji je operativan AI sistem za rano upozoravanje, a u Evropi postoji operativni AI sistem za prognoze iz ECMWF — ali u mnogim državama rešenja su još uglavnom eksperimentalna.
Zaključak je jasan: AI i autonomna vozila značajno unapređuju kapacitete humanitarnih aktera, ali kombinacija automatizacije i ljudske ekspertize ostaje ključna dok se sistemi ne učvrste u praktičnim i pouzdanim procedurama.
Pomozite nam da budemo bolji.
