科技無法阻擋颶風生成，卻能讓災後重建變得更輕鬆一點。
發生天災之後，災難應變單位急於提供援助和恢復基礎設施，他們只能憑著有限資訊來決定如何投放重要資源。
從地面分析這些情況實屬不易。來自舊金山的新創公司 CrowdAI 改為使用衛星和空拍影像，從中取得重要資訊，以協助政府與企業將賑災資源送到需求最為急迫的地方。
「在過去十年裡，網路上出現大量的衛星影像和無人機空拍畫面。我們用最新的電腦視覺技術來解讀這些資料。」CrowidAI 創辦人暨執行長 Devaki Raj 說。CrowdAI 為 NVIDIA Inception 虛擬加速器計畫的成員。
全球各地每年發生數百起天災事件。這個數量對人類造成毀滅性的威脅，對於正在接受訓練以評估各地災損情況的機器學習模型來說，卻只是一個很小的樣本規模。
平均每個月會發生一次大地震，但是也有可能某一條斷層超過百年或更長時間未發生過地震。而每年都會生成幾十個颶風和颱風，對不同地點造成破壞。
用於這方面的人工智慧技術，必須達到一定的明確性，以有效辨識出道路和建築物，但又要達到一定的通用性，以辨識這是位在南卡羅來納州，還是蘇門答臘島的住家房舍或道路外觀。CrowidAI 得找到足夠的訓練資料，其中包括在天災發生前後所拍攝的各種照片，才能實現這個目標。
這曾是一個燙手山芋，CrowdAI 的機器學習部門主管 Jigar Doshi 卻表示「隨著電腦視覺技術日漸成熟，我們不需要那麼多『災前』和『災後』的影像樣本，才能讓模型預測災難造成的影響。」
在去年遭受颶風麥可的襲擊之後，CrowdAI 與電信公司 WOW！合作評估佛羅里達州巴拿馬城的建築物損壞情況。他們分析由美國國家海洋暨大氣總署（NOAA）提供的巴拿馬城衛星影像，幫助電信公司在受風災影響最嚴重的地點部署地面總機，以求更快恢復電信服務。
在沒有人工智慧幫助的情況下，災難應變人員必須開車繞行市區，靠著客戶的電話來判斷哪些區域需要幫助，得耗掉不少時間，結果也不精確。
分析結果由 CrowdAI 提供，影像由 DigitalGlobe
2018 的開放資料計畫（Open Data Program）提供。
這間新創公司的研究去年在全球兩大人工智慧相關會議上受到肯定：CVPR 接受了 Doshi 的一篇報告，且在 NeurIPS 大會與 Facebook 共同發表了一篇報告。繼加州布特郡去年發生營溪大火（Camp Fire）之後，Doshi 便與 CrowdAI 團隊使用開放資料來分析災損情況。營溪大火是美國百年來最致命和最具破壞性的野火。
CrowdAI 在雲端與現場使用 NVIDIA GPU 來訓練其演法和進行推論。人工智慧模型按照所使用的推論環境，只要花一秒鐘即可送回它的看法。
「發生災難時，我們不會進行訓練，只會進行推論。這正是我們需要這種速度的原因。」Raj 說。
CrowdAI 還將探索能預測災損的模型，以及不只是使用衛星影像，還加入風、降水和社群媒體資料的深度學習工具。
*本文主圖片顯示遭到颶風麥可侵襲的佛羅里達州鄰近地區，疊上 CrowdAI 對建築物損壞的分類。分析結果由 CrowdAI 提供，影像由 NOAA 的國家海洋局提供。