當大規模的災難或流行病發生時，地理資料往往是提供重要決策的關鍵資訊之一，開放街圖(OpenStreetMap, OSM)的HOT(Humanitarian OpenStreetMap Team)從2010年海地地震、2013年海燕颱風、到2015年尼泊爾地震，一而再，再而三，都印證了即時與正確的地理資訊在災難救援的重要性。正因如此，AI技術的發展已經愈來愈成熟且廣泛，如何利用AI技術獲取準確且即時的地理資訊，不但是科學界的研究課題，也是人道救援組織認為刻不容緩之事。而利用AI技術由高解析度衛星影像中擷取資訊，例如道路、建物等，並不是一件新鮮事，早在幾年前Facebook大量使用OSM時，就開始在泰國進行大規模的AI製圖，今年更是宣布與Microsoft合作。
當今的高解析度衛星影像來源愈來愈多，加上雲計算(cloud computing)和電腦視覺(computer vision)的突破，房屋建物已經可以從衛星影像中辨識，科技的提升對於人道救援任務而言，無疑地可以大力地改善在資訊不完整的情況下做出決策之窘境，另一方面，如果讓低收入和中等收入國家也能夠及時且準確的取得資料，而避免人道救援過程中各組織就容易在資訊不對稱，則是另一項挑戰。
DevGlobal 在2022年初啟動一個名為RAMP (Replicable AI for Microplanning)計畫，意即「對於微計畫的可複製AI」，所尋求的是資料價值鏈的民主化，並且促使人道救援組織能解鎖所需的洞察力，這是一種賦權的過程，使得人道救援組織有自己的能力擷取資料，製定更完善的策略。實質上，RAMP計畫是在建立一個深度學習 AI 模型的開放源碼，藉由降低從衛星影像自動化擷取建築物的進入門檻，使得 AI 民主化(平民化)，更容易應用在人道救援。而這個模型被設計的具有彈性(flexibility)和可及性(accessibility)，可在有多種情境上使用，除了緊急事件，也可以應用於氣候變遷的應對。
RAMP事實上是一項DevGlobal 與 WHO 合作計畫。許多中低收入的國家的人口普查統計常常不完整，對於WHO而言，在流行病管理和監控上就不容易確實，建物數量和位置可使得統計模型能夠較為準確地估計和人口分佈和密度，RAMP即可以滿足量化一地區建物數量的需求。另一方面，若有多時期的建物資訊，則則可以構成「建物足跡」(building footprints)，可用來了解一區域的增長或消退，累積歷史資料並依此建模，有助於統計模型的預測。建物若能更清楚被分類，例如，區分出診所或醫院，對於WHO而言，更是直接的資訊，許多健康醫療資源的部署可以有合理的策略，例如，疫苗和資金。
RAMP計畫是一個起點，所有使用者都可以將RAMP的程式和資料進一步地更新，轉換成在地需求的製圖AI，以擷取到更多的地理資訊，這也是將程式開放的主要目的，再者，這也將是一個AI民主化的過程，若將來RAMP更廣泛的被應用，產生更多有效的地理資料，使得許多單位組織可以輕易地使用這AI的工具來取得資訊，即是一種賦權的過程。
DevGlobal 是一個非洲、印度、和美國的跨國性非營利組織，其總部在美國華盛頓州的艾德蒙(Edmonds)，提供非營利組織、公司、慈善機構、多邊組織和政府機構的創新和放續發展計劃的支援。