Акселератор инноваций ВПП в партнерстве с Google Research создал платформу SKAI для автоматической оценки ущерба после стихийных бедствий и ускорения гуманитарного реагирования.
Фиона Хуан
Выражаем особую благодарность Джозефу Сю, Пранаву Хайтану, Джихён Ли, Венхан Лу, Зебо Ли, Стивену Чуну, Деворе Берловитц и Маолину Зуо из Google Research, которые посвятили себя разработке SKAI и этой записи в блоге вместе с Инновационным акселератором ВПП. .
После стихийных бедствий Всемирная продовольственная программа (ВПП) работает над оценкой масштабов ущерба, потребностей местных сообществ и наших планов гуманитарного вмешательства для мобилизации ресурсов и эффективной координации реагирования на чрезвычайные ситуации.
ВПП вручную извлекает информацию из спутниковых изображений и изображений с мобильных телефонов для отслеживания воздействия стихийных бедствий. Однако этот ручной процесс, как правило, утомителен и может занять значительное время. В рамках своего портфолио передовых инноваций Ускоритель инноваций ВПП изучает новые технологии, которые могут автоматизировать этот процесс и сократить время отклика.
Представляем СКАЙ
ВПП в партнерстве с Google Research создала SKAI, проект по картированию гуманитарной помощи на основе искусственного интеллекта — подхода, сочетающего статистические методы, данные и современные вычислительные технологии. для автоматизации конкретных задач. SKAI оценивает повреждения зданий с помощью компьютерного зрения — компьютерных алгоритмов, которые могут интерпретировать информацию, извлеченную из визуальных материалов, таких как, в данном случае, спутниковые снимки районов, затронутых конфликтами, климатическими явлениями или другими стихийными бедствиями. Ключом к этому процессу является модель машинного обучения, разработанная специально для SKAI.
Машинное обучение — это тип искусственного интеллекта; он использует компьютерные алгоритмы для получения информации о новых данных, основанных на исторических данных и закономерностях. Например, модель машинного обучения SKAI сравнивает данные спутниковых изображений до и после стихийных бедствий для оценки ущерба. Важно отметить, что каждый ввод и повторение данных могут повысить производительность модели, поскольку система записывает и учится на шаблонах данных — процесс, известный как «обучение» модели машинного обучения. Хорошо обученные модели машинного обучения могут обнаруживать повреждения зданий в целых городах за считанные минуты, помогая доставлять гуманитарную помощь быстрее и эффективнее, чем раньше.
Подход: машинное обучение на спутниковых снимках
SKAI стремится обеспечить масштабную оценку повреждений зданий в течение 24 часов после получения четких высококачественных спутниковых изображений после стихийного бедствия. Модель машинного обучения SKAI обнаруживает поврежденные здания, сравнивая изображения одних и тех же зданий до и после стихийного бедствия.
С момента своего создания в 2019 году SKAI обучался с использованием спутниковых снимков трех прошлых стихийных бедствий: землетрясения на Гаити в 2010 году, лесного пожара в Санта-Розе в 2017 году и конфликта в Сирии в 2016 году. В каждом из этих учебных случаев SKAI достиг более чем 80-процентная точность при определении поврежденных зданий.
Уникальное ценностное предложение SKAI заключается в том, что он не только значительно снижает нагрузку на человеческий анализ, но и выгодно конкурирует с другими процессами машинного обучения, которые часто требуют маркировки тысяч изображений. Традиционные модели машинного обучения должны обучаться на многих тысячах примеров изображений, помеченных вручную экспертами-людьми (например, повреждено ли здание на этом изображении?). Этот процесс требует много времени и труда и нереалистичен в сценарии реагирования на кризис.
С другой стороны, тип машинного обучения, используемый в SKAI, учится на небольшом количестве помеченных и большом количестве немаркированных изображений затронутых зданий. SKAI использует метод обучения с полуучителем, который на порядок уменьшает необходимое количество помеченных примеров. Таким образом, моделям SKAI обычно требуется всего пара сотен помеченных примеров для достижения высокой точности, что значительно повышает скорость получения точных результатов.
Уроки, извлеченные из развертывания SKAI в гуманитарных операциях
ВПП обучала SKAI во время недавних стихийных бедствий, включая взрыв в порту Бейрута в Ливане в 2020 году и циклон Яса на Фиджи в 2021 году. Мы узнали, что SKAI требует настройки и калибровки с учетом контекста, в зависимости от типа стихийного бедствия и размера зоны бедствия.
ВПП может потребоваться несколько дней, чтобы получить правильный спутниковый снимок места бедствия от источника. После получения SKAI составляет оценку ущерба на уровне города в течение одного-трех дней для таких бедствий, как циклон Яса 2021 года на Фиджи. Для сравнения, семь аналитиков, работающих неполный рабочий день, потратили около 20 рабочих дней на ручную оценку ущерба после тропического циклона Идай в 2017 году в Бейре; четвертый по величине город Мозамбика с населением 500 000 человек.
В сценарии конфликта, когда ВПП была поставлена задача оценить ущерб на небольших территориях, таких как лагеря беженцев, SKAI потребовалось столько же времени, сколько и процесс ручной оценки. Хотя возможности SKAI не использовались полностью, наши страновые офисы использовали выходные данные SKAI для принятия решений, поскольку они предоставляли обзор изменений на местах, когда в то время не было никаких подключений.
Взрыв 2020 года в порту Бейрута выявил еще одно важное открытие об использовании спутниковых изображений. Из-за характера и боковой силы взрыва повреждения появились в основном на вертикальных поверхностях зданий, в результате чего были выбиты окна и треснули стены. Этот тип повреждений трудно обнаружить со спутников, которые делают снимки с точки обзора сверху вниз.
Путь вперед
SKAI служит примером того, как передовые технологии и партнерские отношения с технологическим сектором могут оптимизировать мониторинг, планирование, принятие решений и общую эффективность реагирования на чрезвычайные ситуации после стихийных бедствий, сохраняя при этом гуманитарные принципы.
Модели компьютерного зрения, такие как SKAI, могут значительно ускорить процесс извлечения информации с мест, сократить время оказания гуманитарной помощи с недель до дней и гораздо эффективнее оказывать помощь в районах стихийных бедствий. Следовательно, растет интерес к изучению применения технологии компьютерного зрения в реагировании на чрезвычайные ситуации. Мы планируем продолжить работу с полевыми группами ВПП и Google Research, чтобы улучшить взаимодействие с пользователем и производительность SKAI. Задача SKAI — оптимизировать свою платформу для работы в различных географических точках, стихийных бедствиях и типах повреждений, что еще больше расширит возможности ВПП по реагированию на стихийные бедствия в масштабе и в сложных условиях.
Выучить больше
- Узнайте больше о SKAI и как работает машинное обучение SKAI.
- Погрузитесь глубже в технические детали, прочитав этот исследовательский документ: Оценка ущерба после стихийного бедствия по спутниковым снимкам с использованием полууправляемых методов обучения
- Узнайте о портфеле передовых инноваций ВПП — передовых технологиях и идеях, которые могут предложить новые способы доставки гуманитарной помощи.
- Посмотрите это видео, чтобы узнать больше о нашей работе с искусственным интеллектом.
Акселератор инноваций WFP находит, поддерживает и масштабирует перспективные решения для искоренения голода во всем мире. Мы предоставляем сотрудникам ВПП, предпринимателям, стартапам, компаниям и неправительственным организациям доступ к финансированию, наставничеству, практической поддержке и операциям ВПП.
Узнайте больше о нас: http://innovation.wfp.org. Подпишитесь на нашуэлектронную рассылку новостей. Подпишитесь на нас в Twitter и LinkedIn и смотрите наши видео на YouTube.
