Projetos AI for Humanitarian Action

As equipes de investigação da UNITAD coletam grandes quantidades de evidências em dispositivos recuperados, como imagens e textos. Normalmente, os moderadores de conteúdo examinam manualmente cada arquivo e os marcam com base em sua interpretação do conteúdo. Esse processo era demorado e representava um desafio específico para a UNITAD devido às quantidades significativas de dispositivos digitais e outras evidências coletadas regularmente pela equipe.

A UNITAD criou uma plataforma para analisar evidências em grande escala, permitindo o upload seguro e a preparação dos dados brutos para o processamento. O serviço cognitivo do Azure "analisa" rapidamente os arquivos recuperados para identificar informações relevantes e rotular os dados com insights, permitindo que as equipes investigativas processem a evidência de maneira mais rápida e eficaz.

Técnicas anteriores para reunir membros de famílias separadas durante o conflito na Síria eram dificultadas por informações incompletas ou desconhecidas, resultando na baixa frequência de correspondências de pessoas que estão perdidas.

Um modelo de reconhecimento facial foi desenvolvido para fazer a correspondência da fotografia de uma pessoa separada com um perfil registrado recentemente no sistema da Turkish Red Crescent para fornecer uma lista de possíveis correspondências ao investigador do caso como uma pista a mais para o processo de reunificação.

O uso de bombas de fragmentação é proibido de acordo com a lei internacional, devido ao seu efeito indiscriminado sobre vítimas civis. Identificar o uso de bombas de fragmentação pode ser difícil de confirmar, apesar dos vários relatos casuais alegando sua presença.

As bombas de fragmentação produzem um som de estouro distinto quando explodem. A Benetech desenvolveu um sistema de classificação de armas baseado em acústica para identificar a probabilidade de uma bomba de fragmentação ser usada, com base no registro de

Nos últimos dez anos, 2 bilhões de pessoas foram afetadas por desastres. Em 2017, 18 milhões de pessoas ficaram desalojadas apenas devido a desastres climáticos. Muitas dessas áreas afetadas por desastres estão ausentes dos mapas existentes, o que dificulta o trabalho dos socorristas de preparar e oferecer programas de assistência.

A Humanitarian OpenStreetMap Team está usando os recursos de machine learning da Microsoft para gerar conjuntos de dados sobre construções em Uganda e na Tanzânia para aprimorar o processo de mapeamento para gerentes de projetos e cartógrafos com ferramentas de assistência de IA. Ao identificar construções mais rapidamente do que com o mapeamento manual, a solução ajuda a incluir comunidades carentes no mapa.

A violência na Síria continua desalojando milhões de pessoas. Para ajudar a compreender e reduzir o conflito, o The Carter Center reúne dados de incidentes causados por conflitos, usando principalmente o banco de dados da ACLED, e publica relatórios semanais usados pela ONU, agentes diplomáticos e socorristas de conflitos. No entanto, os conjuntos de dados exigem manutenção manual e demorada dos dados para classificar todas as informações.

Microsoft has partnered with The Carter Center to build a machine learning text analysis tool that will aid in automating the weekly repetitive data cleaning to more efficiently analyze and share information. By minimizing the human supervision cost, conflict researchers can dedicate more time to understanding the trends and key insights needed to support their peacebuilding and humanitarian efforts.

Antes, um advogado designado a um imigrante detido conduzia uma análise inicial e inseria dados manualmente. Devido ao grande volume de casos e ao tempo limitado dos funcionários, apenas uma pequena parcela das informações coletadas era inserida de forma eletrônica, o que atrasava o tempo de processamento e limitava a inteligência operacional.

Uma plataforma personalizada de reconhecimento de caracteres ópticos (OCR) e gestão de casos foi desenvolvida para digitalizar formulários de admissão e classificar campos padronizados de dados remotamente em bancos de dados para provedores de serviços le

As análises atuais de vulnerabilidade a desastres e os avisos de perigo para as comunidades na Índia oferecem previsões vagas com alta variabilidade porque não consideram atributos individuais, comunitários e regionais em sua avaliação.

Ao incorporar atributos exclusivos de cada comunidade, como materiais de construção e topografia, a SEEDS Índia criou modelos mais precisos e específicos da comunidade para prever a vulnerabilidade a desastres naturais, permitindo que as comunidades estejam mais preparadas com antecedência e desenvolvam planos de resposta personalizados.