机器学习的无限潜力或许可以变革公共政策的每个领域，它能助政府更精准地分配公共基金，提高预测心脏病发病率，甚至帮助打击犯罪。但预测只揭示可能性，并不完美，即使最高明的算法也离不开人类智慧的帮助。
机器学习
关于预测与政策 在制定公共政策时引入算法，政府会获益颇多，但争议也日益显现
精疲力竭的老师们得了一晚的闲功夫，却不知看点什么来打发时间？有人能帮得上忙。一家在线流媒体服务商的软件可根据类似人群过去的选择预测老师们可能会愿意看什么内容。但是这些老师如果试图找出哪些孩子最有可能面临辍学的危险，却不能得到类似形式的帮助。不过，哈佛大学的桑希尔·穆莱纳桑（Sendhil Mullainathan）注意到，上述问题有着相似之处——它们都需直接或间接地依据大量数据作出预测。他认为，很多领域的政策制定都可以多少借助些机器学习的帮助。
机器学习系统善于作出预测。为了训练系统，一个常用的方法是向其展示大量数据，如学生信息及其成绩。软件会仔细分析这些数据，并探明哪些特征在预测一个学生是否有可能辍学时帮助最大。一旦训练完毕，机器学习系统还可对另一学生群体进行研究，并在其中准确地识别出有辍学风险的人。机器学习通过帮助政府更精准地分配公共基金，可能会节省下大笔经费。曾任印第安纳波利斯市长的哈佛大学教授史蒂芬·戈德史密斯（Stephen Goldsmith）认为，机器学习或许可以变革公共政策的每个领域。
例如，在医院里，医生们力图预知病人何时会心脏病发作，以便提前诊治。手动系统正确预测的比例是30%左右。 卡内基梅隆大学的斯里拉姆·索曼奇（Sriram Somanchi）及同事们创建的机器学习算法对历史数据进行测试，预测的准确率达80%， 并可在病发前四小时得出结果，理论上可予以医生介入的时间。
机器学习或许还可为警务工作提供帮助。 去年，德克萨斯州的一名警察被派往一个由青少年举行的泳池派对，结果却拔出了枪——当天这名警察刚处理过两通与自杀有关的电话。按理说，警察局本应派一位压力不那么大的警察前去才对。已有很多警察局长开始使用一种简单的系统来标记“有危机的”警官。没人能确定机器学习原本可以阻止德州的恐慌事件，但雷伊德·甘尼（Rayid Ghani）于芝加哥大学开发的系统及其他类似系统将风险预测方面的准确率提高了12%，将警官误标记为有危机的情况也减少了三分之一。目前北卡罗来纳州的夏洛特-梅克伦堡警察局（Charlotte-Mecklenburg police department）已在使用这个系统。
芝加哥公共卫生局（CDPH）也较早采用了机器学习系统。 该部门过去常利用血检来识别体内铅含量已达危险水平的儿童，并随后将他们家中含铅的油漆清除干净。现在，该部门正尝试在易受毒害的青少年中毒前就将他们找出来。在印度，微软与安得拉邦（Andhra Pradesh）政府也在帮助农民选择播种的最佳时机。八月，微软在班加罗尔举办了首次机器学习与数据科学大会，以期与政府订立新合同。
但机器学习在法规上的应用就没那么明晰无误了。在美国，许多法官会收到由软件生成的“风险评估”报告，可用以预测一个人再次犯案的可能性。它们还被用来帮助决定保释、假释以及判决（这一点最具争议）。但是今年新闻调查机构ProPublica发现，在佛罗里达州的布劳沃德县（Broward County），一种算法错误地将黑人犯罪的可能性预测为将近白人的两倍。（该算法提供者Northpointe对此调查结果并不认同。）
甘尼指出，为了遏制潜在的偏差，训练系统时所采用的数据应避免偏见，并为机器设立正确的目标。 对机器进行训练是为了从过去的数据中找出可预测犯罪发生的规律，因而可以命令机器去寻找那些既能预测犯罪，又不会以错误的比例将黑人（及其他人种）归为潜在犯罪者的规律。当一名新被告与这些规律进行比对测试，造成种族偏见的风险应该会低些。
在做保释决定时，法官会评估一名犯人在审讯前出逃或犯罪的风险；这方面似乎尤其到了该寻求帮助的时候。芝加哥大学的延斯·路德维格（Jens Ludwig ）及其同事们称他们的算法就过往的案例样本进行了测试，应该会将犯罪数量减少20%（见图表），同时保持获得保释的犯人人数不变。 他们还指出，若想在全美范围内将犯罪数量减少至类似水平，需额外组织两万人的警力，且会耗资26亿美元。这引起了白宫的注意。六月，67个州、城市及县签订了“用数据驱动司法公正”的倡议，更好地下达保释决定便是这一倡议的重中之重。
然而，人们还是想知道那些能对他们产生影响的决定是如何做出的。对于那些受算法所做决定影响的公民，欧盟正考虑赋予其寻求解释的权利。 美国公民自由联盟（ American Civil LibertiesUnion）的杰伊·斯坦利说道，人们需要的是“透明，透明，还是透明”。但各家私营企业也许并不愿透漏自己的“独门秘笈”。在波士顿的首席信息官亚沙·富兰克林-霍奇（Jascha Franklin-Hodge）看来，正是出于这一原因，这些企业选择内部开发机器学习。然而，有分析能力的人员颇为难找。
其他一些障碍也有可能会延缓采用机器学习的进程 。为一个项目获取足够的数据并非易事，将本应是机密的数据集集中起来也许会提高个人信息被意外暴露的风险。有些数据的使用也许还有不道德之嫌。穆莱纳桑及同事们还表示，机器学习可以帮助预测死亡的危险。有了这个“功能”，便可优先为那些最有可能活得久的人进行髋关节置换手术。有些人会认为这种做法未免太过分。
不过，预测只能揭示可能性，并不完美。 官员们仍需有所行动。清除含铅油漆也许并不难，阻止遭受创伤的警察们拔枪却不容易，即使有最高明的算法帮助也是如此。对于那些积极拥抱机器学习的政府来说，将来情形会如何，就要看它们将机器学习的预测能力与传统的人类智慧结合得有多好了。
《经济学人·全球商业评论》十月刊主题之一，介绍从企业到政府部门机器学习热潮和大数据的前沿应用。您已免费阅读《关于预测与政策》，欢迎登录App了解更多。
《经济学人·全球商业评论》 十月刊 主题目录
机器学习
机器学习： 关于预测与政策
预防犯罪： 扒窃图谋
衡量公司业绩： 观察者
卫星产业
卫星：个小数量多
地球观测：任何地方，所有地方
技术传奇：起起落落
书呆子的崛起
欢迎关注《经济学人·全球商业评论》十月刊
点击“阅读原文”，免费下载《 经济学人·全球商业评论》App
