Algoritme yang mendukung penilaian kerusakan Skai dilatih dengan memberi label gambar satelit secara handbook dari beberapa ratus bangunan di space yang terkena bencana yang diketahui telah rusak. Perangkat lunak kemudian dapat, dengan cepat, mendeteksi bangunan yang rusak di seluruh space yang terkena dampak. Sebuah makalah penelitian tentang teknologi dasar yang dipresentasikan pada lokakarya akademik tahun 2020 tentang AI untuk tanggap bencana mengklaim bahwa penilaian kerusakan yang dihasilkan secara otomatis cocok dengan ahli manusia dengan akurasi antara 85 dan 98 persen.
Di Florida bulan ini, GiveDirectly mengirimkan pemberitahuan push-nya yang menawarkan $700 kepada setiap pengguna aplikasi Penyedia dengan alamat terdaftar di lingkungan Collier, Charlotte, dan Lee Counties di mana sistem AI Google menganggap lebih dari 50 persen bangunan telah rusak. Sejauh ini, 900 orang telah menerima tawaran tersebut, dan setengahnya telah dibayar. Jika setiap penerima menerima tawaran GiveDirectly, organisasi akan membayar $2,4 juta dalam bentuk bantuan keuangan langsung.
Beberapa mungkin skeptis terhadap respons bencana otomatis. Namun dalam kekacauan setelah peristiwa seperti angin topan yang mendarat, respons manusia yang konvensional bisa jauh dari sempurna. Diaz menunjuk ke analisis yang dilakukan GiveDirectly melihat pekerjaan mereka setelah Badai Harvey, yang melanda Texas dan Louisiana pada 2017, sebelum proyek dengan Google. Dua dari tiga wilayah yang paling rusak dan tertekan secara ekonomi awalnya terabaikan. Pendekatan berbasis knowledge “jauh lebih baik daripada apa yang akan kita dapatkan dari sepatu bot di lapangan dan dari mulut ke mulut,” kata Diaz.
Pendekatan giveDirectly dan Google yang berbasis algoritme untuk distribusi bantuan disambut baik oleh beberapa pakar bantuan bencana—dengan peringatan. Reem Talhouk, seorang peneliti di Sekolah Desain dan Pusat Pengembangan Internasional Universitas Northumbria di Inggris, mengatakan bahwa sistem tersebut tampaknya menawarkan cara yang lebih efisien untuk memberikan bantuan. Dan itu melindungi martabat penerima, yang tidak perlu mengantri untuk mendapatkan sedekah di depan umum.
Tapi Talhouk memperingatkan bahwa dengan mengotomatiskan sistem sedemikian rupa, ada risiko kehilangan orang yang mungkin paling membutuhkan bantuan. “Memberikan bantuan melalui teknologi lebih efisien,” katanya. “Namun, yang hilang adalah hubungan manusia yang dikembangkan oleh pekerja bantuan dengan komunitas yang terkena dampak.”
Hubungan pribadi itu bisa menjadi penting dalam mencegah orang kehilangan bantuan atau penilaian manfaat, kata Talhouk. Dia juga khawatir bahwa warga yang tidak memiliki ponsel pintar atau daya untuk mengisi daya, atau terlalu lelah untuk menindaklanjuti notifikasi, bisa ketinggalan.
Bahaya lain dari pendekatan teknologi tinggi untuk membantu pengiriman adalah pesan tak terduga yang menawarkan uang tunai akan terdengar terlalu bagus untuk menjadi kenyataan. Pada bulan September, sebuah tes oleh GiveDirectly dan Google setelah Badai Fiona mengirimkan pemberitahuan push ke 700 orang. Tetapi hanya di bawah 200 orang yang menerima tawaran itu.
“Itu adalah tanggapan yang lebih rendah dari yang kami perkirakan,” kata Sarah Moran, direktur GiveDirectly di Amerika Serikat. Dia yakin rendahnya serapan mungkin disebabkan oleh orang-orang yang mencurigai pesan tersebut adalah kampanye phishing. Nirlaba sekarang mengunjungi kembali pengguna tersebut dengan pesan lain, menawarkan mereka pembayaran tunai yang sama.
Moran mengatakan bahwa proyek dengan Google juga membantu respons bencana tradisional yang dilakukan di lapangan. Pekan lalu, responden GiveDirectly menggunakan knowledge dari sistem Google untuk menemukan space yang terkena dampak paling parah. Tetapi dia juga menemukan lokasi yang hancur yang tidak diambil oleh algoritme. Dalam hal menemukan orang dan tempat yang membutuhkan, manusia dan algoritme dapat saling membantu. “Ini jalan dua arah,” kata Moran.
New Replace : [randomize]