AI除了可以用來下棋聊天，還能用來救災？
撰文者：林嘉豪(Hugo Lam)；巨鷗跨界智創聯盟 空間資訊創新研究發展部 總監(GEOX Smart Innovation Alliance, Director of GRiD)
照片取自總統府Flickr https://www.flickr.com/photos/presidentialoffice/
地震是台灣主要的大型災害來源之一，當這種大型災害發生時，對於救災單位而言，首要面臨的困難點，就是要針對這種瞬間突發的、大面積大規模的災害，快速進行初步的災損評估，然後展開搜救的規劃，包括資源的調度、搜救的優先順序、搜救範圍等，而搜救計畫的好壞就直接影響著能否在黃金72小時內救出最多受傷受困的民眾，直接影響著每一條寶貴的生命。
以今年(2018)花蓮206震災為例，當中受損最嚴重的統帥飯店、雲門翠堤大樓，都是屬於人口密度在當地相對較高的地方，也就是說發生災害的當下，相對會較容易被週圍的民眾發現而通報給搜救單位，但如果是位於較為偏僻，建物內的人員都受傷無法通報時，就只能等待搜救單位的巡視發現，才有可能被獲救。
在美國加洲一家新創公司「One Concern」，正在發展運用機器學習(ML, Machine Learning)與人工智慧(AI, Artificial Intelligence)來解決此問題，提升消防搜救單位在地震災害發生後的應變規劃能力。
One Concern希望透過他們的演算法，可以以更科學及精準的預測來取代人為的猜測來進行搜救規劃程序，這是在眾多應用AI及ML來預測或應變大型(例如水災、風災…)災害的一種，One Concern的CTO-Nicole Hu認為其中最主要的關鍵是要取得三種類別的資料讓電腦去學習。
第一種是建物結構資料，城市區域內各棟建物的建造日期及主要構造，例如木造、磚造、RC(鋼筋混凝土構造)、SC(純鋼骨構造)、SRC(鋼骨+鋼筋混凝土的混和構造)…等，還有當地震發生時他們可能倒塌的方式，這些資訊可以透過公部門取得，有些縣市政府甚至直接提供建物的GIS原始圖資，包括建物基地的輪廓、面積、樓層數、構造等資料，如臺中市政府。
資料來源：臺中市政府數位地圖館
另一種是自然環境的資料，例如土壤資料、地形圖、高程資料、濕度…等，這些資料在台灣可以透過國土資訊系統的相關負責部會取得，例如土壤資料可以透過台灣土壤資源與農地土地覆蓋圖資瀏覽查詢系統查詢得到，原始圖資則可透過農委會資料開放平台下載。
行政院農委會 農業試驗所 土壤調查成果查詢系統
最後一種是在地即時的資料，例如地震規模(magnitude)、地震發生時的天氣及交通狀況。
電腦可以運用這些資訊去預測當地震發生在特定地區時的情況，再跟歷史中實際發生的災損資料比對，檢驗預測的品質及優化預測模型，資料跑得越多電腦就學得越多，這也就是機器學習的精神。
在過去的學術研究領域，學者要花費大量的時間蒐集每次事件的資料，進行整理，跑預測模型，可能每隔幾年就可以再提出一個新的更好的預測模型，提供更精準的結果，但像One Concern運用他們的技術自動吸收地震發生時的各種資料，即時交給機器學習，在幾分鐘內就可以優化提出新的預測模型。
雖然與許多新創公司一樣，此系統最核心的技術、演算的方法，不會輕易的讓外界都全部了解，這是商業機密的部份，但他們宣稱已經監控著一千兩百多萬棟住宅以及六十幾萬棟商業建築，為三千六百多萬人口提供地震災害的監控防護，在美國也已經有一些初期應變人員(First Responders，從事第一線應變搶救工作的人員)相信他們的系統可以幫助他們，像位於靠近San Francisco的Woodside防火區的Fire chief — Dan Ghiorso，他負責的區域大約有32平方英里，他表示
在過去當災害發生的時候，我需要在他的轄區範圍內作出有根據的猜測，預估可能遭受到最嚴重傷害的地方，然後再直接開車到每一個地方去巡視，我希望透過One Concern的系統可以改變，希望以電腦15分鐘的運算時間來取 代我要開車巡視32平方英里的時間，同時也以電腦取代單純我以個人經驗的判斷，用科學來支援我的決策，讓我可以更有信心進行搜救救援的工作。
對於地震是主要災害之一的台灣，應用AI在地震救災的議題上就更為重要，但發展前題是要有足夠的資料可以支撐AI讓它學習，而從One Conern的個案可以看到大部份的資料來源其實都來自於政府機構，所以資料的開放、流通還是發展救災AI的首要要克服的課題。
#智慧城鄉
#智慧救災
#AI
#機器學習
參考原文：