L'IA pour le changement climatique et les risques météorologiques

L’IA pour le changement climatique et les risques météorologiques

Le changement climatique et les catastrophes naturelles préoccupent à la fois le secteur public et les organisations commerciales. L’ampleur et les coûts des catastrophes météorologiques aux États-Unis sont substantiels et croissants. De 2018 à 2020, les États-Unis ont connu 50 catastrophes météorologiques et climatiques indépendantes qui ont coûté plus d’un milliard de dollars chacune. Au cours des trois dernières décennies, la National Oceanic and Atmospheric Administration (NOAA) estime que les catastrophes climatiques et météorologiques ont coûté aux États-Unis plus de 1,875 billion de dollars.

L’équipe DataRobot possède une expérience éprouvée dans le domaine des applications météorologiques et climatiques telles que l’identification de l’eau potable, la lutte contre les incendies de forêt et l’habilitation des entreprises d’énergie renouvelable. La plate-forme DataRobot AI Cloud peut également aider à identifier les infrastructures et les bâtiments susceptibles d’être endommagés par des catastrophes naturelles. En 2017, l’ouragan Harvey a frappé la côte américaine du golfe et causé environ 125 milliards de dollars de dégâts. Dans cet article de blog, l’équipe DataRobot démontrera le potentiel de la plate-forme DataRobot AI Cloud pour faciliter la réponse proactive et réactive aux catastrophes en utilisant le large éventail de fonctionnalités disponibles sur la plate-forme.

Les ensembles de données

DataRobot permet à l’utilisateur de combiner facilement plusieurs ensembles de données en un seul ensemble de données de formation pour la modélisation de l’IA. DataRobot traite également presque tous les types de données, telles que Imagerie par satellite des bâtiments à l’aide de l’IA visuelle de DataRobot, la latitude et la longitude des bâtiments à l’aide de l’IA de localisation de DataRobot, tweets avec des emplacements géolocalisés à l’aide de l’IA textuelle de DataRobot, et une variété d’autres détails tels que le prix de la maison, si elle a déjà été inondée, quand elle a été construite et l’élévation. DataRobot combine ces ensembles de données et ces types de données en un seul ensemble de données de formation utilisé pour créer des modèles permettant de prédire si un bâtiment sera endommagé par l’ouragan. Dans cet exemple, l’ensemble de données de formation inclut uniquement les informations connues avant que l’ouragan Harvey ne frappe la côte du Golfe afin de fournir des prédictions proactives sur les structures les plus vulnérables.

Exemple de répartition géospatiale des propriétés endommagées
Exemples d’images de propriétés endommagées

Créez rapidement et facilement des modèles

AutoML de DataRobot construit et compare rapidement des centaines de modèles à l’aide de plans de modèle personnalisés. En utilisant soit le DataRobot Core centré sur le code, soit l’interface utilisateur graphique (GUI) sans code, les scientifiques des données et les non-scientifiques des données tels que les analystes des risques, les experts gouvernementaux ou les premiers intervenants peuvent créer, comparer, expliquer et déployer leurs propres modèles. . En moins d’une journée, DataRobot a produit un modèle de prédiction des dommages qui a correctement prédit les propriétés endommagées 87 % du temps et a particulièrement bien réussi à prédire quelles 30 % des maisons étaient les plus exposées aux dommages causés par l’ouragan Harvey. Les fonctionnalités d’intelligence artificielle explicable de DataRobot telles que Feature Impact informent l’utilisateur que l’imagerie satellite est le facteur le plus important pour déterminer les maisons endommagées pour le modèle le plus performant.

Autres applications de gestion des sinistres pour DataRobot

Avec DataRobot, les professionnels et les organisations touchés par les catastrophes naturelles peuvent résoudre un éventail de questions difficiles d’analyse prédictive et tirer rapidement de la valeur de leurs données. Certaines applications DataRobot supplémentaires incluent les éléments suivants :

  • Anticiper les réclamations d’assurance frauduleuses
  • Prédire la résilience des infrastructures
  • Prédire la demande du réseau électrique
  • Prédire les exigences de la demande pour les fournitures critiques
  • Prévoir les besoins en personnel pour les intervenants d’urgence
  • Prévision des pannes dans les systèmes de communication
  • Prédire les communautés les plus à risque

A lire également