AI数据分析在救灾工作中的应用与尝试

你知道飓风、龙卷风和野火等自然灾害过后，社区重建需要多少钱吗?

根据慕尼黑再保险公司的数据，2018年是美国历史上自然灾害损失第四高的一年，损失总额超过1600亿美元。去年的极端天气还夺走了数百人的生命，摧毁了数万座房屋破坏了众多百姓的的生计。

飓风玛利亚于2017年袭击波多黎各，是近年来最具破坏性的自然灾害之一。政府官员不仅花了11个月的时间才完全恢复电力供应，还花了一年多的时间才得以宣布官方统计的死亡人数，死亡人数已超过2000人。

在Stratifyd，我们的目标是使用人工智能和机器学习来回答非营利组织多年来一直在问的问题：我们如何在灾难后提供有针对性的援助？我们怎样才能使失散的家庭迅速团聚呢？我们如何才能准确地衡量自然灾害造成的破坏程度，并帮助社区开始重建?我们怎样才能在为时已晚之前拯救人们呢？

随着技术的不断进步和新工具的出现，非营利组织必须直面灾难，使用像 Stratifyd 的分析软件解决方案，否则死亡人数将会更高。

就像营利性公司一样，非营利组织需要利用人工智能和机器学习来分析那些需要帮助的人（其他场景种的消费者）的声音，以便在灾难发生时提供更好的帮助。非营利组织可以根据地理趋势或逐字反馈，实时了解个人在危机时期需要什么。有了这些与需要帮助的人有关的可操作的见解，可以帮助向急需帮助的特定地点提供有针对性的援助，如医疗用品、食物、水和住所。

在几分钟内分析97000 +飓风相关推特

我们抓取了与飓风“卡特里娜”相关的推文，分析了飓风最初袭击后那些需要帮助的人的声音。85%的数据发生在风暴的高峰期，剩下的15%包含了关于灾难后果的重要信息。然而在现实生活中，人们往往忽略了较小的数据集，但它包含了被困在家中、需要资源或没有得到国家援助的人们的呼救声。Stratifyd把情感运用到这些重要的声音上，在“为时已晚”之前把它们带到信息前沿。

在我们抓取的数据中，有21%包含了与水分布、避难所和官方反应等主题相关的双字母组合或统计相关词汇。通过分析这些数据来关注这些热门话题，我们可以过滤掉不相关的话题，并揭示出成千上万的负面情绪记录，这些记录突出了热点地图上特定领域的需求。

分析了来自西海岸野火的5万个数据点

Stratifyd 从新闻、论坛、博客和其他社会数据中抓取了超过50,000条关于加州野火肆虐萨克拉门托和洛杉矶的数据记录。我们的神经情绪模型将机器学习应用于非结构化数据，在搜索大量数据时消除了人类的偏见。结果，我们在5万份记录中发现了125份与“营火”、“公用事业公司”和“追究责任”有关的负面情绪。这些隐藏的线索以100倍甚至1000倍的规模成倍增长，使人们认识到小规模数据的极端重要性，以及它在拯救生命或预防未来灾难方面的作用。

·end·