evidoria

← Volver al listado

Buena práctica Importada

SKAI — La herramienta de IA de código abierto del PMA y Google Research para el mapeo rápido de daños del terremoto en Turquía

Turquía · Kahramanmaraş · Ver el perfil de Turquía

Evidencia: Descriptivo / autodeclarado Top 7% 87/100 · Pregunte a Evidence Copilot sobre esta práctica

Tras el terremoto de febrero de 2023, un equipo de 5 personas del PMA/Google Research usó SKAI, herramienta de IA de código abierto, para evaluar ~600.000 edificios en Turquía con más del 81% de precisión — impacto no verificado de forma independiente.

~600,000 buildings
Edificios evaluados en el sureste de Türkiye (within one month, Feb 2023)
>81%
Precisión del mapeo de daños
28,000+
Estructuras gravemente dañadas o destruidas señaladas
265,000+ buildings
Edificios evaluados en una primera pasada en tres ciudades (within one week)
2.1 million+
Total acumulado de edificios evaluados a nivel mundial desde 2022
88%
Precisión en las inundaciones de Durban (South Africa deployment)

Detalles

Madurez
En expansión
Promotor
World Food Programme (WFP) Innovation Accelerator & Google Research
Período
2022-2023
Palabras clave
disaster response, emergency management, satellite imagery, machine learning, humanitarian aid

Contexto

SKAI es una herramienta de aprendizaje automático de código abierto creada por el Innovation Accelerator del Programa Mundial de Alimentos (PMA) junto con Google Research para acelerar la evaluación de daños en edificios tras una catástrofe, a partir de imágenes satelitales y aéreas. Publicada como código abierto en junio de 2022, se diseñó para ser independiente del contexto, utilizable en terremotos, inundaciones, huracanes y ciclones sin necesidad de reentrenarla desde cero para cada catástrofe. Se sometió a su prueba más destacada tras el terremoto de Türkiye-Siria de febrero de 2023.

Objetivos

La herramienta busca dar a las agencias humanitarias y de respuesta a catástrofes una forma rápida y escalable de identificar qué edificios han sido destruidos o gravemente dañados, para poder dirigir los recursos de respuesta a donde más se necesitan, sin esperar a una evaluación manual lenta.

Actividades

Un equipo conjunto de cinco personas del PMA y Google Research evaluó cerca de 600.000 edificios en el sureste de Türkiye en menos de un mes, incluyendo una primera pasada de más de 265.000 edificios en tres grandes ciudades en una semana, cubriendo un área que afectó a unos 5 millones de personas. Los resultados se compartieron para apoyar la respuesta coordinada por la agencia nacional de catástrofes de Türkiye, AFAD, junto con un trabajo independiente de mapeo satelital realizado por el AI for Good Lab de Microsoft.

Resultados

El despliegue en Türkiye alcanzó más del 81% de precisión y señaló más de 28.000 estructuras gravemente dañadas o destruidas. Desde entonces, el PMA ha vuelto a utilizar SKAI en el huracán Ian en Estados Unidos (410.000 edificios, ~70% de precisión/recall), las inundaciones de 2022 en Pakistán (850.000 hogares, 80-85% de precisión) y las inundaciones en Durban, Sudáfrica (250.000 edificios, 88% de precisión), habiendo evaluado la herramienta más de 2,1 millones de edificios de forma acumulada desde su lanzamiento.

Conclusiones

El propio relato del PMA sobre el despliegue en Türkiye es franco respecto a sus límites, señalando que el impacto real de los mapas de daños generados por IA fue difícil de medir y no se verificó de forma intensiva frente a los resultados sobre el terreno. SKAI es un despliegue de código abierto genuino y reutilizado repetidamente, pero su impacto humanitario posterior no ha sido evaluado de forma independiente.

Implementación
Coste indicativo
Bajo (< 50 000 €)
Tiempo hasta resultados
Corto (< 1 año)
Personal y competencias
Five-person joint WFP Innovation Accelerator / Google Research team

Condiciones para el éxito

  • Pre-existing open-source, context-agnostic model requiring no per-disaster retraining
  • Partnership with a national disaster agency (Türkiye's AFAD) to route outputs into the response
  • Rapid availability of satellite and aerial imagery shortly after the disaster

Modos de fallo comunes

  • Real-world impact of the damage maps was not intensively verified against ground truth

Habitualmente financiado por

National / regional programmes Philanthropic / foundation funding

Vías de financiación indicativas para prácticas de este tipo: compruebe siempre las convocatorias vigentes y las reglas de elegibilidad de cada programa.

Kit de replicación

Artefactos reutilizables de esta práctica — tal como los publican sus fuentes.

¿Usted implementa esta práctica? Reivindíquela — los implementadores verificados obtienen un contacto público en la página y pueden proponer correcciones.

Fuentes de datos

De dónde se obtuvo la información de esta práctica, y cuándo.

Prácticas similares que pueden serle útiles