NastępnyNastępny poradnik
Sztuczna inteligencja w reagowaniu na katastrofy
Przemysły
PRZEWODNIK branżowy
Sztuczna inteligencja w pomocy humanitarnej i reagowaniu na uchodźców
AI in humanitarian aid means using machine learning on satellite imagery, market prices, weather and mobile phone data to forecast crises such as famine, decide who should receive help, and run relief operations more efficiently.
Posłuchaj tego przewodnikaOpowiadane przez sztuczną inteligencję · ~3 min
Na tej stronie4 minuty czytania
Przegląd
It matters because aid budgets are small compared with need, and earlier, better-targeted help can save lives. The people involved are often extremely vulnerable, so mistakes and data leaks carry serious consequences.
Głębokie nurkowanie
Humanitarian AI falls into three broad jobs: forecasting crises, finding the people who need help, and running operations. On forecasting, the Famine Early Warning Systems Network (FEWS NET), set up by the US government in 1985 after the mid-1980s famines in Africa, combines satellite rainfall and vegetation data, market prices and field reports to project food insecurity months ahead using the five-phase IPC scale. Much of its judgement is expert-driven, but models increasingly feed it. The World Food Programme's HungerMap LIVE uses machine-learning models to nowcast food insecurity where recent surveys are missing. UNHCR's Project Jetson experimented with predicting displacement in Somalia from signals such as river levels, rainfall and market prices. On targeting, the best-known case is Togo's Novissi cash transfer programme during the COVID-19 pandemic. Researchers and the government used high-resolution satellite imagery to estimate which areas were poorest, then used mobile phone usage patterns to estimate which subscribers in those areas were poorest, and paid them by mobile money. A peer-reviewed evaluation found this reached poor people more accurately than the simpler geographic options available at the time, but it still made many errors and could not reach people without phones. The biggest risks involve data. Biometric registration of refugees, such as iris and fingerprint enrolment, speeds distribution and reduces fraud, but it creates permanent records about people who may be fleeing their own government. Human Rights Watch reported in 2021 that data collected from Rohingya refugees in Bangladesh had been shared with Myanmar for possible repatriation checks without adequately informed consent. A common misconception is that more data always means better aid. Biased or incomplete data can hide whole groups, and consent is hard to make meaningful when food depends on saying yes. The ICRC's Handbook on Data Protection in Humanitarian Action sets out principles for handling these risks.
Implementacja w świecie rzeczywistym
An early warning team combines satellite rainfall estimates, vegetation greenness and local grain prices to flag a region likely to reach crisis-level food insecurity several months ahead, giving donors time to pre-position food.
The World Food Programme's HungerMap LIVE uses models to estimate current food insecurity in areas where no recent household survey exists, so analysts are not working from data that is years old.
During the COVID-19 pandemic, Togo's Novissi programme used satellite imagery to find the poorest areas and mobile phone usage patterns to estimate the poorest individuals, then sent cash by mobile money.
A refugee agency registers arrivals with iris scans so people can collect food rations without paper cards, while having to decide who can access those biometric records and for how long.
The Future of AI in Humanitarian Aid and Refugee Response
Better satellite coverage, cheaper phone surveys and improved weather forecasts should make early warning more timely, and anticipatory action, where money is released before a forecast shock hits, is gaining support among agencies. The bottlenecks are less about algorithms than about funding, access in conflict zones, and trust. Cuts to aid budgets can interrupt the data systems models depend on. Expect growing pressure for independent audits of targeting models, clearer consent practices for biometrics, and rules on sharing refugee data with governments. Whether AI improves outcomes will depend on whether forecasts actually trigger earlier funding and whether excluded groups have a way to appeal.
Wdrażanie tego w praktykę
Dlaczego to ma znaczenie
- Kontekst i zasady. Kontekst branżowy decyduje o tym, czy pomysły AI przetrwają kontakt z rzeczywistością.
- Kontrola jakości. Ograniczenia domeny wpływają na akceptowalne poziomy błędów i modele nadzoru.
- Buduj wybory. Pomyślne wdrożenia łączą możliwości techniczne z przepływami pracy na pierwszej linii frontu.
Uważaj na
- Wymogi prawne mogą unieważnić mocne prototypy.
- Dane historyczne mogą kodować uprzedzenia, które szkodzą konkretnym społecznościom.
- Starsze systemy mogą powodować wąskie gardła w integracji i ukryte koszty.
Kolejne kroki
- Zaangażuj ekspertów dziedzinowych od sformułowania problemu po ocenę.
- Zaprojektuj ścieżki audytu i dokumentację przed uruchomieniem.
- Wcześnie zweryfikuj wymogi dotyczące zgodności i bezpieczeństwa.
- Wdrażaj etapami z jasnymi kryteriami zatrzymania i wycofywania.
Odkrywaj dalej
Darmowy newsletter
Otrzymuj codzienne podsumowanie AI
Trzy zweryfikowane historie AI każdego poranka w dni robocze, napisane prostym angielskim. Bezpłatne na zawsze, bez reklam.
Jedno e‑mail każdego dnia roboczego. Wypisz się jednym kliknięciem. Nigdy nie sprzedajemy ani nie udostępniamy Twojego adresu.
Sprawdź się
Take the AI in Humanitarian Aid and Refugee Response quiz
Natychmiastowa informacja zwrotna na każde pytanie oraz udostępnialny certyfikat z weryfikowalnym ID po zaliczeniu kursu.
Wspieraj darmową edukację AI. AI Understanding jest organizacją non-profit 501(c)(3) — bez reklam, bez płatnej ściany, zawsze. Przekaż darowiznę
Często zadawane pytania
What is AI in Humanitarian Aid and Refugee Response?
AI in humanitarian aid means using machine learning on satellite imagery, market prices, weather and mobile phone data to forecast crises such as famine, decide who should receive help, and run relief operations more efficiently. It matters because aid budgets are small compared with need, and earlier, better-targeted help can save lives. The people involved are often extremely vulnerable, so mistakes and data leaks carry serious consequences.
Jakiego rodzaju dane połączył program Novissi firmy Togo w celu ukierunkowania transferów pieniężnych?
Zdjęcia satelitarne pozwoliły oszacować, które obszary są najbiedniejsze, a wzorce korzystania z telefonów komórkowych pozwoliły oszacować, którzy abonenci na tych obszarach są najbiedniejsi.
Jakie są znane ograniczenia w kierowaniu pomocą przez telefon?
Jeśli kwalifikowalność zostanie oszacowana na podstawie bilingów telefonicznych, osoby nieposiadające telefonów lub dzielące się nimi mogą zostać całkowicie pominięte.
Narzędzie której agencji, HungerMap LIVE, obecnie wskazuje brak bezpieczeństwa żywnościowego tam, gdzie brakuje ostatnich badań?
HungerMap LIVE jest prowadzony przez Światowy Program Żywnościowy i wykorzystuje modele do szacowania bieżącego braku bezpieczeństwa żywnościowego pomiędzy badaniami.
Dlaczego Human Rights Watch wyraziła obawy dotyczące danych dotyczących uchodźców Rohingya w 2021 r.?
W raporcie wskazano, że dane zebrane w Bangladeszu zostały udostępnione Birmie, krajowi, z którego uciekli uchodźcy, w celu ewentualnej kontroli repatriacyjnej, bez odpowiednio świadomej zgody.
Dlaczego podczas oceny modelu ukierunkowanego na pomoc zespoły powinny oddzielnie zgłaszać błędy wykluczenia?
Ogólna dokładność może ukryć liczbę kwalifikujących się osób pominiętych. Błędy wykluczenia bezpośrednio liczą biednych ludzi, których model pominął.
Ucz się dalej
Powiązane przewodniki
Wybrano więcej przewodników na ten temat