每年有超过1.6亿人受到洪水，飓风，火灾和其他自然灾害的威胁。而且情况可能会变得更糟。
自然灾害的发生频率已经是1970年的四倍。据估计，在气候变化的影响下，此类事件的频率和凶猛性可能增加。
人工智能具有通过更有效，更有效地调配救济资源来减轻破坏的潜力。它可以加快援助的交付速度，并提高救济工作者在一线的决策。
明天的防灾工作可能与今天的情况大不相同。例如，一旦确定了即将来临的飓风或飓风，就可以使用地理空间，天气和先前的灾难数据来预测有多少人将离开家园，以及他们可能会流向何处。这些见解可以帮助紧急情况人员确定需要多少援助(水，食物，医疗)以及将援助发送到何处。人工智能算法可以根据卫星图像和天气预报即时评估洪水，建筑物和道路损坏，从而使救援人员可以更有效地分配紧急援助，并识别仍处于危险之中并与逃生路线隔离的人。
麦肯锡(McKinsey)的高贵情报(Noble Intelligence)只是试图利用AI的潜力来支持人道主义事业的一项举措的例子。例如，该团队正在开发一种算法，它将结合卫星，地理空间，天气和其他数据，将评估对学校等建筑物的破坏所花费的时间从数周缩短至数分钟。然后，可以使用这些信息来确定搭建临时学校帐篷的最佳位置以及优先安排重建工作的位置。
再举一个例子，其他组织正在使用AI技术来解释灾难后的社交媒体供稿。此类分析可以通过标记来自人们没有毯子或在街上等外面的避难所的图像，提供有关基础设施损坏和向受害者提供援助的重要现场信息。
但是，即使许多公共部门组织和万事达卡(Mastercard)，微软(Microsoft)和谷歌(Google)等私有部门的数据参与者为改善救灾做出了贡献，但努力的影响仍然受到一些挑战的阻碍。
一是范围有限。许多私营部门的倡议涉及一个或几个政府或非政府组织的合作伙伴，并专注于特定的用例，通常与较大的救灾团体相对隔离，并且未纳入已建立的救灾协议中。这会导致工作分散，并可能导致将无法从AI得出的见解和算法工具提供给无法维护或无法有效地将其纳入决策流程的组织。
其次，尽管存在许多可以使救灾受益的数据(卫星，地理空间，电信，社交媒体，金融)，但在需要时并不总是可以访问这些数据。更重要的是，数据集很少与其他大型数据集以及来自经验丰富的操作人员的数据结合使用，从而可以释放更多的见解。与从大数据中获得的见解相比，这种地面视图甚至更有价值，但通常不会以系统的方式捕获和分析。
最后，根据定义，在危及人类生命的灾难情况下，请注意AI的局限性，这一点很重要。数据分析并不总是能提供支持者所声称的内容，这使得在没有经过严格审查算法方法和假设的既定流程的情况下评估此类主张具有挑战性。例如，旨在评估住宅破坏的AI模型已经用于商业建筑，即使这些建筑依赖于不同的材料，构造方法和法规。在一个越来越多地审查AI道德的世界中，没有开发人员和用户同意遵守的标准。
在自然灾害场景中，我们如何最大程度地发挥AI的优势?有三个机会：
首先，加强当前计划之间的协作，将重点放在几个合作伙伴之间的特定用例上，整合到以影响为重点的AI驱动的灾难支持网络中。当前用于开发算法的注意力应至少与尽可能多的能量和资源保持平衡，以确保这些工具广泛可用并用于救灾的第一线。在许多情况下，这意味着需要更多的能力建设。我们也看到了重复的工作，数据科学界正在研究类似的用例，这可以简化。一种选择可能是建立特定领域的合作伙伴关系或联盟，跨行业或全球机构将协调专门的开发团队作为一种模式。
其次，在短期内，要在不同的机构之间开发更多的基本数据捕获和协调工具，而不是将大部分投资都集中在高度先进的AI上。这可以为将来的新救生算法提供信息“燃料”。因此，在这些基础工具上花费等量的开发精力，同时也正在开发更复杂的算法，将是有益的。
最后，迫切需要关于道德AI原则的更多特定于领域的协议。 包括联合国和欧洲联盟在内的全球机构已经发起了许多举措，以制定原则来指导人工智能的总体使用。但是鉴于范围广泛，这可能需要时间。在此期间，将利益相关者在诸如灾难响应之类的特定领域中更紧密地结合起来将很有用。这可能包括设置算法审查过程，以确保AI解决方案在广泛发布之前符合指定的标准。
人工智能在灾难抗灾领域提供帮助的机会是巨大的–指导救灾工作，确保更好的疏散，分发援助，每年可能帮助数以亿计的人，即使不是亿万。尽管有一些挑战需要克服，但通过适当水平的协调和伙伴关系，这个更光明的未来可能会更遥不可及。