Esta organización sin fines de lucro protege a las comunidades vulnerables de los efectos del cambio climático con IA – Microsoft Stories India

IA al rescate

“No tuvimos otra instancia de IA que se usara para etiquetar tipos de techos para pronosticar daños debido a huracanes. Además, no había datos de capacitación fácilmente disponibles ”, dice Tina Sederholm, gerente senior de programas en el Laboratorio de IA para buenas investigaciones de Microsoft, quien dirigió el proyecto con científicos de datos.

“Desde un punto de vista técnico, también fue difícil porque no hay planificación urbana en las áreas a las que nos dirigimos, y la población era tan densa que era difícil diferenciar primero las casas individuales y categorizarlas con precisión en función de su tipo de techo. Pero creamos un modelo de aprendizaje automático para contrarrestar estos problemas ”, explica Md Nasir, científico de datos e investigador del Laboratorio de IA para buenas investigaciones.

Para crear los datos de entrenamiento tan necesarios, Gramener, con su experiencia en soluciones geoespaciales, intervino para ofrecer una solución escalable. Sus científicos de datos accedieron a imágenes satelitales de alta resolución y etiquetaron manualmente más de 50,000 casas para clasificar sus techos en siete categorías según el material utilizado para construirlos.

“Queríamos identificar la huella del edificio y distinguir entre dos casas de forma distinta. Pero los asentamientos informales no suelen tener límites bien definidos y, por lo general, son los más afectados por cualquier desastre ”, dice Sumedh Ghatage, científico de datos de Gramener, que trabajó en la construcción del modelo de IA. “En segundo lugar, a medida que cambia la ubicación geográfica, también cambian los tipos de techos. Pero queríamos identificar todo tipo de techos para garantizar que el modelo final pudiera implementarse en cualquier región ”.

Esto formó la base de los datos de entrenamiento que necesitaba Nasir. Después de probar algunas técnicas diferentes, su modelo final pudo identificar techos con una precisión de casi el 90%. Pero ese era sólo el inicio.

“Aparte de los techos, consideramos casi una docena de parámetros críticos que determinan el impacto general que los ciclones tendrían en una casa”, dice Kaustubh Jagtap de Gramener, quien dirigió los bits de consultoría de datos para el proyecto. “Por ejemplo, si una casa está más cerca de un cuerpo de agua, es más probable que se vea afectada debido a una inundación inducida por un ciclón. O si el área alrededor de la casa está cubierta por concreto, el agua no se filtrará en el suelo debajo y las probabilidades de que el agua se acumule e inunden serán mayores «.

Luego, el equipo de Gramener agregó otras capas al modelo. La alineación de todas las diferentes capas, incluidas las redes de carreteras, la proximidad a los cuerpos de agua, los perfiles de elevación, la vegetación, entre otros, fue una tarea tediosa. Gramener creó una canalización de aprendizaje automático de Azure, que captura automáticamente los datos y genera perfiles de puntuación de riesgo para cada casa.

El modelo Sunny Lives tardó unos cuatro meses en hacerse realidad y se puso a prueba durante los ciclones que azotaron los estados del sur de India de Tamil Nadu y Kerala en 2020. Pero fue durante el ciclón Yaas en mayo de este año cuando se implementó a gran escala.

Tan pronto como se predijo la trayectoria del ciclón Yaas, el equipo de Gramener obtuvo imágenes satelitales de alta resolución de áreas densamente pobladas que se verían afectadas y ejecutó el modelo de IA de Sunny Lives. En unas pocas horas, pudieron crear un puntaje de riesgo para cada casa en el área.

Gramener también ayudó en las técnicas de muestreo y validó la precisión del modelo con información real del terreno.

“Anteriormente, solíamos desplegar voluntarios que realizaban encuestas manualmente. Ahora, todo lo que tenemos que hacer es adquirir imágenes de satélite de alta resolución, ejecutar el modelo para determinar la vulnerabilidad de un área y obtener los resultados de la puntuación de riesgo en un día. Este tipo de capacidad era impensable antes ”, dice Garg.

Una vez que se identificaron las casas, SEEDS junto con sus socios en el terreno se desplegaron en las comunidades y distribuyeron avisos a casi 1,000 familias en idiomas locales como telugu y odia, que hablan los residentes. Cada aviso tenía instrucciones detalladas sobre cómo podían asegurar sus hogares y adónde tendrían que trasladarse antes de que el ciclón tocara tierra.

El modelo ha abierto un mundo de posibilidades. SEEDS cree que se puede implementar en muchos países del sudeste asiático que comparten viviendas y comunidades similares que enfrentan niveles extremos de riesgo de tormentas.

También se puede utilizar para hacer frente a otros desafíos climáticos. Por ejemplo, SEEDS está considerando usar el modelo para identificar hogares en áreas urbanas densamente pobladas que podrían ser susceptibles a las olas de calor a medida que las temperaturas alcanzan nuevos récords cada verano.

“Durante una ola de calor, el techo se convierte en el parámetro más importante porque la máxima cantidad de calor ganado en la casa pasa por el techo. Las casas con láminas de hojalata suelen tener poca ventilación y son las más vulnerables en este momento ”, explica Garg.

También se están poniendo a prueba otros proyectos. Por ejemplo, están buscando si la inteligencia artificial podría usarse para identificar casas vulnerables en el estado de Uttarakhand, en el Himalaya, que es propenso a los terremotos.

“Trajimos nuestra experiencia en desastres a la mesa, pero la ciencia de datos de Microsoft hizo posible que pudiéramos desarrollar el modelo desde cero”, dice Ranganathan.

«El modelo de IA de Sunny Lives que los equipos de SEEDS y Gramener han creado es una solución humanitaria de vanguardia que ya está salvando vidas y ayudando a preservar los medios de vida de las personas con mayor riesgo de desastres naturales», dice Kate Behncken, vicepresidenta y líder de Microsoft Philanthropies. “El ingenio y la colaboración entre estos equipos es impresionante, y me alienta la promesa que ofrece esta solución para ayudar a proteger mejor a las personas de otros escenarios climáticos severos, como las olas de calor. Este es exactamente el tipo de impacto que buscamos apoyar e impulsar con las ONG asociadas a través del programa AI for Humanitarian Action «.

Inspirado por los resultados, SEEDS ha comenzado a desarrollar sus propias capacidades técnicas después de recibir la subvención AI for Humanitarian Action de Microsoft.

“Al final del primer año, también comenzamos a contratar consultores para mantener y mejorar la precisión del modelo. Microsoft nos ha dado acceso al código fuente, por lo que pronto podríamos llegar a una etapa en la que podamos ejecutar el modelo nosotros mismos ”, agrega Ranganathan.