從奧巴馬到特朗普，美國一直重視在政府層面上對(duì)AI和機(jī)器學(xué)習(xí)技術(shù)的利用和開發(fā)。比如預(yù)測(cè)高中學(xué)生輟學(xué)率、分析工傷和職業(yè)病等個(gè)人化的敏感數(shù)據(jù)，對(duì)其自動(dòng)編碼歸類等。不過機(jī)器學(xué)習(xí)并不是萬能藥，利用機(jī)器學(xué)習(xí)需要廣泛的數(shù)據(jù)作為基礎(chǔ)，過度濫用可能會(huì)產(chǎn)生偏見等不良后果。

就在兩年前，人工智能似乎突然出現(xiàn)在了美國政府的議事表中。

2016年8月，時(shí)任美國總統(tǒng)巴拉克·奧巴馬還擔(dān)任過《連線》雜志的客座編輯，并與麻省理工學(xué)院媒體實(shí)驗(yàn)室的負(fù)責(zé)人Joi Ito就人工智能及其影響進(jìn)行了訪談。

奧巴馬說：“技術(shù)開發(fā)的早期應(yīng)該是百花齊放的。政府應(yīng)該增提供相對(duì)輕松的渠道，大力投資研發(fā)，并確?；A(chǔ)研究和應(yīng)用研究之間的交流?！?/p>

兩個(gè)月后，奧巴馬政府發(fā)布了一份關(guān)于人工智能的報(bào)告，廣泛概述了當(dāng)時(shí)的新興技術(shù)，該報(bào)告僅用了幾頁篇幅提到政府如何從人工智能中獲益。在奧巴馬離職之前幾周，政府發(fā)布了第二份報(bào)告，主要關(guān)注AI技術(shù)潛在的經(jīng)濟(jì)影響?！癆I提出了許多新的政策問題，這些問題應(yīng)該是未來主管部門、國會(huì)、私營企業(yè)和公眾討論和考慮的主題?！眻?bào)告中寫道。

從那以后，特朗普政府為將AI作為研究重點(diǎn)的機(jī)構(gòu)提供了額外的指導(dǎo)。根據(jù)2018年5月的一份白宮報(bào)告，白宮成立了AI專責(zé)委員會(huì)，以改善聯(lián)邦政府對(duì)AI相關(guān)工作的協(xié)調(diào)，并確保美國在人工智能方面繼續(xù)保持領(lǐng)導(dǎo)地位。報(bào)告指出，該委員會(huì)的工作將包括鼓勵(lì)“機(jī)構(gòu)與人工智能相關(guān)的計(jì)劃和倡議”。

在過去兩年中，各級(jí)機(jī)構(gòu)越來越多地尋求利用機(jī)器學(xué)習(xí)，由橡樹嶺國家實(shí)驗(yàn)室的研究人員開發(fā)的機(jī)器學(xué)習(xí)技術(shù)已被聯(lián)邦緊急事務(wù)管理局用于尋找被熔巖流吞噬的人造結(jié)構(gòu)。密蘇里州開發(fā)了一種機(jī)器學(xué)習(xí)算法，來預(yù)測(cè)城市街道上何時(shí)形成坑洼。軍方已開始使用AI算法來預(yù)測(cè)坦克上的部件故障。

“預(yù)測(cè)”是美國政府應(yīng)用機(jī)器學(xué)習(xí)的重要途徑

如果說上面的應(yīng)用有一個(gè)共同的主題，那就是“預(yù)測(cè)”。

在機(jī)器學(xué)習(xí)中，“預(yù)測(cè)”的意思是“根據(jù)已知的東西推斷出未知的東西，”卡內(nèi)基梅隆大學(xué)泰珀商學(xué)院助理教授Zachary Chase Lipton說?！笆聦?shí)證明，大量任務(wù)都可以通過預(yù)測(cè)模型來表達(dá)?！?/p>

將衛(wèi)星照片、電話呼叫記錄、車輛的傳感器讀數(shù)等輸入系統(tǒng)，然后要求系統(tǒng)給出輸出預(yù)測(cè)。用歷史數(shù)據(jù)訓(xùn)練機(jī)器學(xué)習(xí)模型，進(jìn)行模式識(shí)別。然而，要想讓機(jī)器學(xué)習(xí)真正派上用場(chǎng)，必須明確定義輸入和輸出，Lipton說。

機(jī)器學(xué)習(xí)可以成為尋找非線性關(guān)系的理想工具。線性關(guān)系，比如與房屋大小相關(guān)的房屋成本，可以通過經(jīng)典的回歸技術(shù)得到更好的解釋。但有時(shí)我們要處理的關(guān)系不是線性的。

比如，句子中各個(gè)單詞之間的關(guān)系就不是線性的，照片中像素之間的關(guān)系也不是線性的。這些關(guān)系很復(fù)雜，但機(jī)器學(xué)習(xí)已被證明可以作為尋找這些關(guān)系的一種方法。

讓數(shù)據(jù)庫井井有條

每年年底，各州的政府機(jī)構(gòu)經(jīng)常發(fā)布年度報(bào)告，記錄前一年的成功經(jīng)驗(yàn)和未來的目標(biāo)。 2017年，伊利諾伊州的報(bào)告指出，創(chuàng)新與技術(shù)部門致力于進(jìn)一步使用人工智能、聊天機(jī)器人和高級(jí)數(shù)據(jù)分析工具，“通過新技術(shù)推動(dòng)伊利諾伊州以更有效的方式改善對(duì)本州公民的服務(wù)”。

DoIT首席數(shù)據(jù)科學(xué)家KrishnaIyer表示，該州去年發(fā)布了一項(xiàng)信息請(qǐng)求，以更好地了解機(jī)器學(xué)習(xí)和人工智能領(lǐng)域。從與供應(yīng)商的談話中可以清楚地看出，該州還沒能充分利用這些技術(shù)的潛力。

“AI技術(shù)的實(shí)際應(yīng)用與其潛力相比存在巨大差距?！盜yer說。

盡管缺乏正式的技術(shù)平臺(tái)，該州還是啟動(dòng)了數(shù)個(gè)機(jī)器學(xué)習(xí)項(xiàng)目。

伊利諾伊州稅務(wù)部門已開始使用機(jī)器學(xué)習(xí)來輔助預(yù)測(cè)稅務(wù)欺詐行為，教育部們利用機(jī)器學(xué)習(xí)來更好地預(yù)測(cè)哪些學(xué)生在學(xué)業(yè)上很吃力，并可能退學(xué)。

Iyer表示，經(jīng)過訓(xùn)練的稅務(wù)欺詐模型，可以發(fā)現(xiàn)欺詐行為的歷史數(shù)據(jù)模式。該模型對(duì)那些被標(biāo)記的納稅人的稅務(wù)欺詐概率進(jìn)行了預(yù)測(cè)，使稅務(wù)部門更容易識(shí)別需要提供稅務(wù)申報(bào)澄清的個(gè)人。這是在過去的申請(qǐng)季節(jié)使用的。

伊利諾伊州預(yù)計(jì)今年秋季開始使用機(jī)器學(xué)習(xí)模型來輔助教育。模型經(jīng)過未從高中畢業(yè)的學(xué)生數(shù)據(jù)的訓(xùn)練，數(shù)據(jù)中包括這些學(xué)生的學(xué)校表現(xiàn)，他們所居住地區(qū)的人口統(tǒng)計(jì)數(shù)據(jù)和其他變量信息。Iyer表示，該模型為當(dāng)前學(xué)生預(yù)測(cè)了低，中，高（輟學(xué)）風(fēng)險(xiǎn)，學(xué)校可以為有輟學(xué)風(fēng)險(xiǎn)的學(xué)生進(jìn)行有針對(duì)性的干預(yù)。

讓數(shù)據(jù)自己對(duì)自己進(jìn)行歸類

紐約市市長辦公室的數(shù)據(jù)智能創(chuàng)新中心（CIDI）廣泛關(guān)注利用數(shù)據(jù)解決城市內(nèi)的無家可歸者、市內(nèi)的經(jīng)濟(jì)問題和健康問題。

最近的一項(xiàng)研究分析了剛擺脫無家可歸狀態(tài)的年輕人，將他們化為幾個(gè)群體中，比如經(jīng)常入獄，一直有保障性住房，一直有補(bǔ)貼住房，早年曾無家可歸，后來曾無家可歸等等。

“這有助于我們預(yù)測(cè)哪些人可能屬于哪一群體，同時(shí)有助于我們了解每個(gè)群體的資源是什么，”CIDI執(zhí)行董事Maryanne Schretzman說。

這項(xiàng)工作需要一些嚴(yán)肅的數(shù)據(jù)加工。 CIDI使用來自8795個(gè)人的真實(shí)數(shù)據(jù)創(chuàng)建了個(gè)人資料，這一過程需要從多個(gè)數(shù)據(jù)源中提取并保護(hù)敏感數(shù)據(jù)：如青少年和社區(qū)發(fā)展部、無家可歸者服務(wù)部、兒童服務(wù)管理局、監(jiān)獄和醫(yī)院等。

敏感數(shù)據(jù)從未離開過市政府的內(nèi)網(wǎng)。 Schretzman解釋說，政府使用加密文件傳輸系統(tǒng)實(shí)現(xiàn)數(shù)據(jù)的轉(zhuǎn)移。

那么機(jī)器學(xué)習(xí)在哪里發(fā)揮作用？在分類過程中。在項(xiàng)目開始之前，這幾個(gè)類別沒有預(yù)定義;團(tuán)隊(duì)使用R統(tǒng)計(jì)計(jì)算環(huán)境中的TraMineR軟件包進(jìn)行數(shù)據(jù)分析。

“機(jī)器學(xué)習(xí)讓你能夠指導(dǎo)數(shù)據(jù)自己進(jìn)行分類，”Schretzman說。 “數(shù)據(jù)本身能夠?qū)ψ约哼M(jìn)行分類，這太酷了。”

躍遷：從“淺層”神經(jīng)網(wǎng)絡(luò)到深度神經(jīng)網(wǎng)絡(luò)

上面說的紐約市和伊利諾伊州的項(xiàng)目使用的技術(shù)可以算是機(jī)器學(xué)習(xí)，但只是對(duì)該技術(shù)的簡單應(yīng)用。不過，美國勞工統(tǒng)計(jì)局（BLS）多年來一直在使用機(jī)器學(xué)習(xí)，并準(zhǔn)備從現(xiàn)在的“淺層機(jī)器學(xué)習(xí)”躍遷到深度神經(jīng)網(wǎng)絡(luò)的使用上。

每年，BLS都會(huì)收集大量數(shù)據(jù)。比如工傷和職業(yè)病調(diào)查項(xiàng)目包含了30萬份關(guān)于工人受傷情況的書面說明。這些響應(yīng)必須進(jìn)行編碼，比如要確保“reporter”和“journalist”的編碼是相同的，以及對(duì)傷情進(jìn)行正確的分類等。

直到2013年，這個(gè)編碼過程都是手工完成的，大約需要20000小時(shí)才能完成。但2013年后，該機(jī)構(gòu)開始使用機(jī)器學(xué)習(xí)，用手工編碼的歷史調(diào)查數(shù)據(jù)來訓(xùn)練模型?，F(xiàn)在，已有超過一半的編碼是由機(jī)器完成的。

每天晚上完成的調(diào)查都是通過自動(dòng)編碼模型運(yùn)行的，可以得出關(guān)于編碼結(jié)果的準(zhǔn)確性的概率。如果這個(gè)概率低于某個(gè)水平，則發(fā)送給工作人員進(jìn)行人工編碼。

BLS的經(jīng)濟(jì)學(xué)家Measure表示，該部門一直使用的“淺層機(jī)器學(xué)習(xí)”非常擅長識(shí)別單詞或單詞對(duì)，但在識(shí)別文本字符串時(shí)會(huì)有困難。“有時(shí)要理解一句話，需要理解一個(gè)詞序在整體上的含義?！?/p>

比如像“沒有腦震蕩的跡象”這樣的短語中，淺層機(jī)器學(xué)習(xí)可能會(huì)識(shí)別出“腦震蕩”這個(gè)詞，甚至也會(huì)識(shí)別出“腦震蕩的跡象”，但很難識(shí)別出“no”一詞否定了“腦震蕩”。深度神經(jīng)網(wǎng)絡(luò)可以模擬復(fù)雜的非線性關(guān)系，可能會(huì)對(duì)解決這個(gè)問題有所幫助。

BLS已經(jīng)在使用Google的TensorFlow等開源軟件，在現(xiàn)有硬件上運(yùn)行其淺層機(jī)器學(xué)習(xí)模型。不過，隨著該機(jī)構(gòu)越來越多地使用深度神經(jīng)網(wǎng)絡(luò)，它需要NVIDIA GPU服務(wù)器的處理能力。盡管云服務(wù)商也可以提供這種計(jì)算力，BLS數(shù)據(jù)的敏感性要求其需要使用并管理自己的硬件。

未來：機(jī)器學(xué)習(xí)是靈丹妙藥，但不是萬能藥

看起來，機(jī)器學(xué)習(xí)似乎可以用來解決任何問題，但事實(shí)遠(yuǎn)非如此。

“確保你有訓(xùn)練數(shù)據(jù)，”BLS的經(jīng)濟(jì)學(xué)家Measure說。機(jī)器學(xué)習(xí)“無法解決所有問題，但可以解決一些問題，在可以解決的問題中，需要有大量的訓(xùn)練數(shù)據(jù)，并且找不到更簡單的自動(dòng)化解決方法。”

Delmolino表示，機(jī)器學(xué)習(xí)最容易應(yīng)用的領(lǐng)域是IT票務(wù)和呼叫中心等，這些領(lǐng)域會(huì)產(chǎn)生大量的請(qǐng)求，擁有大量的歷史數(shù)據(jù)。他說，機(jī)器學(xué)習(xí)可以對(duì)“任何高容量，長等待時(shí)間或大量積壓”的事務(wù)產(chǎn)生很大影響。

Lipton警告說：“這項(xiàng)技術(shù)可以被使用，并不意味著它就應(yīng)該被使用。由于模型的使用形成了一個(gè)反饋循環(huán)，預(yù)測(cè)警務(wù)等應(yīng)用程序有可能繼續(xù)或加劇社會(huì)中已有的偏見。”

“如果警察被派去巡邏的地區(qū)是基于’犯罪會(huì)發(fā)生在哪里’，如果你去尋找犯罪，你最終可能會(huì)發(fā)現(xiàn)犯罪，但結(jié)果有可能是會(huì)發(fā)現(xiàn)更多的犯罪。一個(gè)樣本數(shù)據(jù)有偏差的模型可能認(rèn)為這些社區(qū)發(fā)生了不成比例的犯罪，然后它將分配更多的警察?！盠ipton補(bǔ)充道。

Delmolino支持關(guān)注潛在偏見的必要性。機(jī)器學(xué)習(xí)實(shí)施需要主動(dòng)管理、調(diào)整模型以減少隨時(shí)間的偏差。

他說：“你不能只買一個(gè)神奇的工具然后部署，你必須意識(shí)到這些事情?！?/p>

Delmolino預(yù)測(cè)，機(jī)器學(xué)習(xí)的下一個(gè)重要步驟可能是多個(gè)模型相互作用并協(xié)同工作的能力。

“所以我想，我們會(huì)看到一些非常吸引人的需求，比如’我如何確保我的模型互相配合?’”模型之間有沒有相互溝通的方式?’”他說。

另一個(gè)墊腳石將是機(jī)器學(xué)習(xí)和機(jī)器人過程自動(dòng)化的整合。 RPA提供了自動(dòng)執(zhí)行任務(wù)的功能，例如傳輸文件，將數(shù)據(jù)從一個(gè)字段移動(dòng)到另一個(gè)字段或其他計(jì)算機(jī)進(jìn)程。

Forrester分析師Craig Le Clair在談到RPA時(shí)說：“目前的情況不太理想?！钡S著機(jī)器學(xué)習(xí)與技術(shù)的整合，RPA將開始做出更多獨(dú)立于人類參與的決策。

如果將機(jī)器學(xué)習(xí)比作大腦，那么我們可以將RPA視作肢體，它提供了跨企業(yè)網(wǎng)絡(luò)訪問和抓取不同系統(tǒng)的能力，在大腦認(rèn)為合適的時(shí)候做出改變。

“這些都是非常通用的工具，”Lipton談到機(jī)器學(xué)習(xí)時(shí)說，“我認(rèn)為它們?cè)谌魏未笮徒M織中都能找到大量的用例，包括政府。”