Благодаря машинному обучению учёные получают точные прогнозы. Выявляя закономерности в данных, алгоритмы отвечают на вопросы: «Когда?», «Где?» и «Сколько человек окажется под угрозой?». Наводнение, лесные пожары, землетрясение, ураган — что предстоит пережить людям в ближайшем будущем, и даже «как сократить потери»?

Машинное обучение опирается на поиск сложных и неочевидных зависимостей в уже имеющихся данных о чрезвычайных ситуациях прошлых лет. Алгоритм как бы создает условия, в которых программа имитирует аналитическую работу человека: анализирует данные уже случившихся аварий и катастроф, а затем генерирует «выводы» о текущих и будущих событиях. Этой информацией начинают пользоваться аварийные службы (пожарная, мчс и т.д.), чтобы улучшить и ускорить принятие решений.

Например, в США некоторые коммунальные предприятия используют инструменты машинного обучения, разработанные исследовательской группой из Университета Огайо. Они прогнозируют перебои в подаче электроэнергии из-за ураганов и других погодных явлений. Другой некоммерческий проект использует аналитику данных и картографию для подключения жертв катастрофы к группам первичного реагирования и группам добровольцев.

Но в технологиях машинного обучения присутствуют недостатки. Во-первых, когда дело касается проблем управления людьми, а не просто ранжирования поисковой выдачи или наилучшего варианта машинного перевода, алгоритмы могут обрабатывать и анализировать информацию, но не выдавать готовые решения. Во-вторых, чтобы надежно спрогнозировать разрушительное бедствие, требуется большое количество данных, не все из них возможно предоставить. Машинное обучение не заменяет принятие решений человеком, но при определенных условиях может указать на высокую вероятность аварий и катастроф, а также указать на варианты реагирования.

Источник: Why Machine Learning Is Critical for Disaster Response