When massive disasters occur, rescue units’ phone lines are easily occupied. To solve the problem, we build WeWatch.city that combines OpenStreetMap, WikiData, OpenData and NLP AI. The system continues reading messages like “X street is flooded” or “A houses in Y road is on fire” then process them with state-of-art NLP technology, and map these events onto the map. The rescue team can now easily decide how to arrange resources and determine the range of the emergency.
The ability of WeWatch.city that can automatically process from “natural language texts” in the messages to “visualized special data” on the map is unique in all alike systems. At the early stage of COVID-19 hazard, WeWatch.city also provides facial mask in-stock map information.
台灣具備手機網路發達，人口活動範圍密集的人文條件，再加上多颱風、地震以及古蹟自燃…的外在因素，讓我們的生活環境充滿了各種災難。且只是路過，但熱心且願意回報主管機關的鄉民及司機不在少數。
當災情發生時，真正「少數」的是報案用的電話專線！如果在大樓火災時，前 20 個看到的人裡，剛好打去報案的那個人佔了線，卻又講不清楚究竟發生了什麼事，那麼寶貴的救災時間就這麼一分一秒地浪費掉了。
為了解決這種佔線的問題，我們結合了開放街圖、維基數據的機讀百科以及 Articut NLP AI 系統的自然語言處理能解，做出了一套災害情報的自動解析與標記系統。在上述的大樓火災假想中，即便報案專線被那 1 個講不清楚發生什麼事的人佔了線，其它 19 個人還是可以各自在系統上用最直覺的方式輸入「XX 路 N 號大樓失火！」或「XX區XX 路的大樓燒起來了！」…等等諸如此類的文字。
系統將會自動解析出這句話發生的事情是「失火」或「燒起來」，並將「XX路N號」或「XX區XX路」的位置標明在地圖上。如果一個災害嚴重性很高 (比如說大樓倒下來，大型火災…等)，那麼目擊者會很多。透過即時的地圖分佈，主管機關可以在第一時間就掌握「哪個災害現場報告的目擊者多，那裡要嘛就是人群集中處，要不然就是災情較嚴重的地方」。不論何者，都是需要重點關注的災情發生地點！
透過本系統，救災機關將能研判災情範圍，並做出有效的物資分配與救災計劃。
About PeterWolf (Wen-jet Wang)
Founder of Droidtown Linguistic Tech. Co., Ltd.