Na semana passada, em Genebra, participamos do evento AI for Good da ITU, mergulhando no campo em rápida evolução dos sistemas de alerta antecipado (EWS) com tecnologia de IA. Como membros ativos do subgrupo de IA da UIT para EWS, participamos de discussões e workshops dedicados ao uso da inteligência artificial para abordar lacunas críticas na iniciativa Early Warnings for All. A IA tem o potencial de avançar em todos os aspectos dos sistemas de alerta antecipado de múltiplos riscos. Veja abaixo alguns dos desafios e oportunidades que temos pela frente.
O conhecimento sobre riscos representa o primeiro pilar fundamental de um EWS eficaz. No entanto, persistem lacunas significativas nas informações e avaliações de risco em todo o mundo. Um tema recorrente foi a grande desigualdade na conectividade global. Enquanto algumas regiões possuem redes robustas de celular, rádio e satélite, outras continuam sendo desertos de dados. Em alguns países, os mapas oficiais têm mais de 15 anos, mesmo que as populações tenham dobrado nesse período. Sem mapas atualizados regularmente e de alta resolução, garantir que todos sejam alcançados durante as crises continua sendo uma meta inatingível. Além disso, os sensores e a infraestrutura de monitoramento tendem a se concentrar fortemente nos países mais ricos, deixando as áreas de alto risco e com poucos recursos criticamente sem cobertura.
Para resolver esse problema, a UIT, a Microsoft e a Universidade de Washington apresentaram o Early Warning Connectivity Map (ECM), um esforço conjunto para fornecer uma ferramenta de mapeamento que mescla dados populacionais granulares (em uma resolução global de 100 m x 100 m) com uma ampla cobertura de conectividade em caso de desastres. O resultado é uma melhor visibilidade de quem permanece fora da rede de alerta, permitindo esforços de divulgação direcionados.
O monitoramento e a previsão de perigos em cascata, como a seca que leva a ondas de calor, apresentam desafios significativos na coleta, no monitoramento e na verificação de dados. Muitas ONGs e empresas privadas estão interessadas nos dados da operadora de rede móvel (MNO), pois eles oferecem cobertura nacional e informações sobre mobilidade em tempo real. O acesso aos dados do registro de detalhes de chamadas (CDR) foi solicitado, mas continua raro devido à sua natureza sensível, disponibilidade limitada e confiabilidade mista.
Várias soluções promissoras baseadas em IA foram apresentadas na cúpula: O FloodHub do Google oferece monitoramento preditivo de inundações por meio de APIs; o GEO Group demonstrou recursos de monitoramento global da Terra; os "radares virtuais" da Ignitia eliminam a necessidade de hardware físico, usando sistemas de previsão orientados por IA para emitir alertas meteorológicos extremos em regiões carentes; David Pastor enfatizou o potencial das métricas derivadas de redes móveis para identificar pontos de risco em tempo real: detecção de anomalias a partir do comportamento do sinal, insights de inteligência coletiva etc.
Nosso conjunto GeoSafe EWS, implantado nos níveis de autoridade e de rede móvel, integra várias fontes de dados, inclusive dados de MNO. A Intersec․AI aprimora a análise desses dados para alimentar fluxos de trabalho automatizados, acionando alertas quando os limites de risco são ultrapassados ou quando são detectados padrões anormais de mobilidade da população.
Alertas eficazes devem ser compreendidos e aplicados por diversos públicos. Em países com vários idiomas oficiais e analfabetismo generalizado, os alertas de texto por si só costumam ser inadequados. O Dr. Johan Stander (WMO) enfatizou a importância de métodos de comunicação acessíveis, multilíngues e em vários formatos, incluindo mensagens de voz ou visuais, quando necessário. Em regiões afetadas por conflitos, a confiança nos alertas pode ser frágil, muitas vezes prejudicada por mensagens de agências meteorológicas fragmentadas.
A IA oferece soluções práticas nesse caso, desde a definição do perfil de segmentos da população para adaptar as mensagens com base na idade, no idioma ou na percepção de risco, até a validação e a tradução de alertas em tempo real. Iniciativas como a Daraja já estão ativas no Sudão e na Etiópia, trabalhando para garantir que até mesmo as populações mais marginalizadas recebam e confiem em alertas oportunos.
A confiabilidadeinerente e a "não falsificação" dos dados das operadoras de telefonia móvel oferecem uma base sólida para garantir que os alertas cheguem às pessoas em maior risco. No futuro, o co-design entre ONGs, agências internacionais, como a ITU, e parcerias público-privadas será essencial para a governança e a implementação inclusivas e adaptadas localmente.
Ainda há uma lacuna significativa de dados para entender o que acontece durante as crises, principalmente nas evacuações. Sem registros confiáveis de quem se desloca, para onde e quando, é difícil para pesquisadores e formuladores de políticas treinar modelos de IA ou estabelecer procedimentos operacionais padrão eficazes.
A equipe Bibliotechies apresentou uma solução tecnológica promissora que combina previsão de enchentes, mapeamento de impactos e simulações de cenários usando aprendizado de máquina. Em vez de apenas prever os riscos, o modelo avalia as melhores e piores rotas de evacuação, ajudando os socorristas humanitários a planejar intervenções e testar cenários hipotéticos relacionados a evacuações, transferências de dinheiro ou implantação de equipes móveis.
Para dimensionar esses sistemas, são essenciais parcerias sólidas com especialistas em resposta a emergências. Somente treinando modelos com dados de movimento históricos e ao vivo poderemos fornecer ferramentas unificadas e dinâmicas que apoiem a resposta a crises, como roteamento de tráfego, redirecionamento de alertas à medida que os eventos se desenrolam ou envio eficiente de recursos.
A sinergia entre dados confiáveis e IA avançada tem o potencial de criar um impacto verdadeiramente global. Todos os pilares dos sistemas de alerta precoce dependem de saber, em tempo real, o que está acontecendo no local, e todas as soluções dependem da capacidade de mapear e entender nosso mundo à medida que ele muda. Embora os dados da MNO sejam inestimáveis, eles não são suficientes por si só. Eles devem ser combinados com dados abertos, conhecimento acadêmico e inovação do setor privado. Fornecer essas soluções baseadas em IA para as autoridades de proteção civil, por meio de plataformas de nuvem confiáveis e seguras, é a nossa melhor chance de garantir que ninguém seja deixado para trás, antes, durante ou depois da ocorrência de um desastre.