從奧巴馬到特朗普，美國一直重視在政府層面上對AI和機器學習技術的利用和開發(fā)。比如預測高中學生輟學率、分析工傷和職業(yè)病等個人化的敏感數(shù)據(jù)，對其自動編碼歸類等。不過機器學習并不是萬能藥，利用機器學習需要廣泛的數(shù)據(jù)作為基礎，過度濫用可能會產(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，時任美國總統(tǒng)巴拉克·奧巴馬還擔任過《連線》雜志的客座編輯，并與麻省理工學院媒體實驗室的負責人Joi Ito就人工智能及其影響進行了訪談。

奧巴馬說：“技術開發(fā)的早期應該是百花齊放的。政府應該增提供相對輕松的渠道，大力投資研發(fā)，并確保基礎研究和應用研究之間的交流。”

兩個月后，奧巴馬政府發(fā)布了一份關于人工智能的報告，廣泛概述了當時的新興技術，該報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)布了第二份報告，主要關注AI技術潛在的經(jīng)濟影響。“AI提出了許多新的政策問題，這些問題應該是未來主管部門、國會、私營企業(yè)和公眾討論和考慮的主題。”報告中寫道。

從那以后，特朗普政府為將AI作為研究重點的機構提供了額外的指導。根據(jù)2018年5月的一份白宮報告，白宮成立了AI專責委員會，以改善聯(lián)邦政府對AI相關工作的協(xié)調(diào)，并確保美國在人工智能方面繼續(xù)保持領導地位。報告指出，該委員會的工作將包括鼓勵“機構與人工智能相關的計劃和倡議”。

在過去兩年中，各級機構越來越多地尋求利用機器學習，由橡樹嶺國家實驗室的研究人員開發(fā)的機器學習技術已被聯(lián)邦緊急事務管理局用于尋找被熔巖流吞噬的人造結構。密蘇里州開發(fā)了一種機器學習算法，來預測城市街道上何時形成坑洼。軍方已開始使用AI算法來預測坦克上的部件故障。

“預測”是美國政府應用機器學習的重要途徑

如果說上面的應用有一個共同的主題，那就是“預測”。

在機器學習中，“預測”的意思是“根據(jù)已知的東西推斷出未知的東西，”卡內(nèi)基梅隆大學泰珀商學院助理教授Zachary Chase Lipton說。“事實證明，大量任務都可以通過預測模型來表達。”

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)給出輸出預測。用歷史數(shù)據(jù)訓練機器學習模型，進行模式識別。然而，要想讓機器學習真正派上用場，必須明確定義輸入和輸出，Lipton說。

機器學習可以成為尋找非線性關系的理想工具。線性關系，比如與房屋大小相關的房屋成本，可以通過經(jīng)典的回歸技術得到更好的解釋。但有時我們要處理的關系不是線性的。

比如，句子中各個單詞之間的關系就不是線性的，照片中像素之間的關系也不是線性的。這些關系很復雜，但機器學習已被證明可以作為尋找這些關系的一種方法。

讓數(shù)據(jù)庫井井有條

每年年底，各州的政府機構經(jīng)常發(fā)布年度報告，記錄前一年的成功經(jīng)驗和未來的目標。 2017年，伊利諾伊州的報告指出，創(chuàng)新與技術部門致力于進一步使用人工智能、聊天機器人和高級數(shù)據(jù)分析工具，“通過新技術推動伊利諾伊州以更有效的方式改善對本州公民的服務”。

DoIT首席數(shù)據(jù)科學家KrishnaIyer表示，該州去年發(fā)布了一項信息請求，以更好地了解機器學習和人工智能領域。從與供應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的潛力。

“AI技術的實際應用與其潛力相比存在巨大差距。”Iyer說。

盡管缺乏正式的技術平臺，該州還是啟動了數(shù)個機器學習項目。

伊利諾伊州稅務部門已開始使用機器學習來輔助預測稅務欺詐行為，教育部們利用機器學習來更好地預測哪些學生在學業(yè)上很吃力，并可能退學。

Iyer表示，經(jīng)過訓練的稅務欺詐模型，可以發(fā)現(xiàn)欺詐行為的歷史數(shù)據(jù)模式。該模型對那些被標記的納稅人的稅務欺詐概率進行了預測，使稅務部門更容易識別需要提供稅務申報澄清的個人。這是在過去的申請季節(jié)使用的。

伊利諾伊州預計今年秋季開始使用機器學習模型來輔助教育。模型經(jīng)過未從高中畢業(yè)的學生數(shù)據(jù)的訓練，數(shù)據(jù)中包括這些學生的學校表現(xiàn)，他們所居住地區(qū)的人口統(tǒng)計數(shù)據(jù)和其他變量信息。Iyer表示，該模型為當前學生預測了低，中，高（輟學）風險，學校可以為有輟學風險的學生進行有針對性的干預。

讓數(shù)據(jù)自己對自己進行歸類

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)濟問題和健康問題。

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

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

這項工作需要一些嚴肅的數(shù)據(jù)加工。 CIDI使用來自8795個人的真實數(shù)據(jù)創(chuàng)建了個人資料，這一過程需要從多個數(shù)據(jù)源中提取并保護敏感數(shù)據(jù)：如青少年和社區(qū)發(fā)展部、無家可歸者服務部、兒童服務管理局、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)實現(xiàn)數(shù)據(jù)的轉(zhuǎn)移。

那么機器學習在哪里發(fā)揮作用？在分類過程中。在項目開始之前，這幾個類別沒有預定義;團隊使用R統(tǒng)計計算環(huán)境中的TraMineR軟件包進行數(shù)據(jù)分析。

“機器學習讓你能夠指導數(shù)據(jù)自己進行分類，”Schretzman說。 “數(shù)據(jù)本身能夠?qū)ψ约哼M行分類，這太酷了。”

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

上面說的紐約市和伊利諾伊州的項目使用的技術可以算是機器學習，但只是對該技術的簡單應用。不過，美國勞工統(tǒng)計局（BLS）多年來一直在使用機器學習，并準備從現(xiàn)在的“淺層機器學習”躍遷到深度神經(jīng)網(wǎng)絡的使用上。

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

直到2013年，這個編碼過程都是手工完成的，大約需要20000小時才能完成。但2013年后，該機構開始使用機器學習，用手工編碼的歷史調(diào)查數(shù)據(jù)來訓練模型。現(xiàn)在，已有超過一半的編碼是由機器完成的。

每天晚上完成的調(diào)查都是通過自動編碼模型運行的，可以得出關于編碼結果的準確性的概率。如果這個概率低于某個水平，則發(fā)送給工作人員進行人工編碼。

BLS的經(jīng)濟學家Measure表示，該部門一直使用的“淺層機器學習”非常擅長識別單詞或單詞對，但在識別文本字符串時會有困難。“有時要理解一句話，需要理解一個詞序在整體上的含義。”

比如像“沒有腦震蕩的跡象”這樣的短語中，淺層機器學習可能會識別出“腦震蕩”這個詞，甚至也會識別出“腦震蕩的跡象”，但很難識別出“no”一詞否定了“腦震蕩”。深度神經(jīng)網(wǎng)絡可以模擬復雜的非線性關系，可能會對解決這個問題有所幫助。

BLS已經(jīng)在使用Google的TensorFlow等開源軟件，在現(xiàn)有硬件上運行其淺層機器學習模型。不過，隨著該機構越來越多地使用深度神經(jīng)網(wǎng)絡，它需要NVIDIA GPU服務器的處理能力。盡管云服務商也可以提供這種計算力，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：機器學習是靈丹妙藥，但不是萬能藥

看起來，機器學習似乎可以用來解決任何問題，但事實遠非如此。

“確保你有訓練數(shù)據(jù)，”BLS的經(jīng)濟學家Measure說。機器學習“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，需要有大量的訓練數(shù)據(jù)，并且找不到更簡單的自動化解決方法。”

Delmolino表示，機器學習最容易應用的領域是IT票務和呼叫中心等，這些領域會產(chǎn)生大量的請求，擁有大量的歷史數(shù)據(jù)。他說，機器學習可以對“任何高容量，長等待時間或大量積壓”的事務產(chǎn)生很大影響。

Lipton警告說：“這項技術可以被使用，并不意味著它就應該被使用。由于模型的使用形成了一個反饋循環(huán)，預測警務等應用程序有可能繼續(xù)或加劇社會中已有的偏見。”

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

Delmolino支持關注潛在偏見的必要性。機器學習實施需要主動管理、調(diào)整模型以減少隨時間的偏差。

他說：“你不能只買一個神奇的工具然后部署，你必須意識到這些事情。”

Delmolino預測，機器學習的下一個重要步驟可能是多個模型相互作用并協(xié)同工作的能力。

“所以我想，我們會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。

另一個墊腳石將是機器學習和機器人過程自動化的整合。 RPA提供了自動執(zhí)行任務的功能，例如傳輸文件，將數(shù)據(jù)從一個字段移動到另一個字段或其他計算機進程。

Forrester分析師Craig Le Clair在談到RPA時說：“目前的情況不太理想。”但隨著機器學習與技術的整合，RPA將開始做出更多獨立于人類參與的決策。

如果將機器學習比作大腦，那么我們可以將RPA視作肢體，它提供了跨企業(yè)網(wǎng)絡訪問和抓取不同系統(tǒng)的能力，在大腦認為合適的時候做出改變。

“這些都是非常通用的工具，”Lipton談到機器學習時說，“我認為它們在任何大型組織中都能找到大量的用例，包括政府。”