幫助我們做出更好的決定
機器學習算法，可以幫助我們做出更好的決策，通過將人類的偏見最小化，使用更完整的數據集，或者彌補我們決策軟件中已知的缺陷。
雖然古老的計算機科學公理“垃圾輸入，垃圾輸出”仍然適用，但精心設計的具有完全代表性數據集的系統，可以幫助我們做出更明智的決策。
考慮一下招聘場景。Textio開發了一種軟件產品，幫助人們寫工作描述，這種描述最有可能吸引有資格、有能力做特定工作的人。這家公司由一個微軟 Office 老員工團隊創辦，在你寫內容時在屏幕上提供指導。
例如，當你在某個特定的時間點，使用某個性別比另一個性別更有吸引力的詞語時，Textio 會提醒你。
諸如詳盡、強制、無畏之類的詞彙已經被統計學證明，會讓你的人才庫偏向男性。
Textio還指出了地區差異。
例如，如果你用“好的職業道德”來描述你的理想候選人，這可能會吸引聖何塞的工人，但會阻止華盛頓地區的工人。如果你的目標是埃弗雷特的候選人，最好不要說這句話。
鑑於Textio可以訪問廣泛的數據集，比如現有的職位描述、應用統計數據和工作表現數據等等，可以幫助你消除招聘過程中的盲點。
機器學習還可以幫助你，找出是什麼讓你最優秀的員工如此高效，並幫助你在第一天就把新手變成專家。Cresta.ai觀察最有效的銷售人員在聊天時如何與潛在客戶互動：弄清楚潛在客戶需要什麼，推薦產品，回答問題。
這個系統提取最佳實踐方案，並將其轉化為實時建議，供經驗不足或效率較低的銷售人員在與潛在客戶互動時使用。
在 Intuit 這樣的客戶部署中，銷售團隊的轉化率上升了20% ，培訓時間節省了66%。換句話說，與沒有使用這個系統相比，銷售代表在培訓較少的情況下完成了更多的業務。
這個系統對銷售人員和客戶都有好處。
正如一位 Intuit 代表所描述的，“我擔心使用這個系統會破壞與客戶的個人關係或對話，但是將這個人工智能作為工作助手，有助於展開個性化對話。”機器學習也有助於提高非常熟練的專業人員的決策能力，例如尋找特定礦物的地質學家。
鋰離子電池(如手機、筆記本電腦或電動汽車中的電池)內部可能含有一種叫做鈷的礦物質，這種礦物質可以幫助電池在多次充放電循環後依舊保持性能。隨著特斯拉的Gigafactory等電池工廠生產更多的鋰離子電池，鈷的需求正在迅速增長。
不幸的是，世界已知鈷儲量的65%在剛果民主共和國，這個國家政治不穩定，據報道可能有多達40000名兒童在開採鈷礦。
如果我們在剛果民主共和國政府中有一個可靠的政治夥伴，我們可能會努力改善所有礦工的工作條件，但是我們也應該尋找新的鈷來源。
這正是KoBold Metals正在做的事情。
通過查看許多不同的數據源，如地形數據、在某一地區生長的植物、磁和電磁模式、水和天氣模式、岩石類型等等，在我們派遣非常昂貴的探險隊開採之前，這個系統可以幫助地質學家找到鈷的可能存在的位置。
另一個很好的例子是金融技術。
向首次借款人發放貸款是有風險的，尤其是在第三世界國家，如肯尼亞、坦桑尼亞或尼日利亞。在這些國家，信用機構要麼不存在，要麼無法接觸到所有人，致使很多人無法獲得傳統貸款。
我們的投資組合公司Branch，一直致力於在這些領域為首次借款人提供貸款。
在沒有信用機構的情況下，Branch試圖根據借款人的移動應用程序使用情況和通過其移動應用程序收集的行為來確定借款人的資格。 使用機器學習，Branch分析了數據，並確定了幾個行為指標，這些指標已經被證明，可以預測貸款償還的可能性。
以下是一些令人驚訝的因素或行為，使得Branch的借款人更有可能償還貸款的特徵：
- 使用三星或HTC等品牌的手機
- 節約使用電池
- 晚上接大部分電話
- 收到的短信比發送的多
- Facebook賬戶更活躍
- 在手機上運行賭博應用程序
除了最後一個指標，列表上的大多數指標都不太令人驚訝。數據發現，如果一個人是賭徒，並且手機上有賭博應用，他們更有可能償還貸款。
如果你覺得這有點違反直覺，你並不孤單。這只是證明了一個人類決策者是多麼的不靠譜，這是由於個人偏見和過去的經驗造成的。
這是否意味著算法在所有決策方面都比人類好？ 還沒有。
從組織樣本中比較癌症診斷性能的研究顯示，例如哈佛醫學院2016年6月發表的這一項研究和谷歌AI Health研究員2018年10月發表的另一項研究，當人類與算法競爭時，始終提供最準確診斷的是人類+算法，它們的表現優於單獨的算法和單獨的人類。
為了讓你瞭解醫生用來診斷癌症的方法，這裡有兩張並排的圖片。左邊的一張顯示了已經染色的組織切片。右邊的圖顯示了計算機視覺算法疊加“熱圖”的結果，熱圖顯示了它認為更多(紅色)或更少(藍色)含有癌組織的區域。
為什麼人類使用的算法比單獨的算法和單獨的人表現更好？一種可能性是，這些算法改進決策的方式，與語法和拼寫檢查有助於提高我們的寫作水平的方式相似。
一般來說，這些檢查器能很好地發現我們的打字錯誤和語法錯誤(真正的優點)。 但是偶爾，檢查器會標記出錯誤(假陽性)或者給出一個你不同意的語法暗示。
在這些情況下，你最終將重寫檢查器。這種過程最終的結果是，寫出的東西比任何一方自己寫出的東西都要好。
將危險的工作和任務自動化使我們更加安全
有些工作顯然是危險的，例如海上救援、向偏遠地區運送血液和疫苗，以及衝進大樓看看裡面是否有敵對士兵。創業公司和非營利組織正在幫助實現這些工作的自動化。
一個叫“Little Ripper”的組織正駕駛無人機在海洋上空蒐集視頻畫面。他們計劃建立一個識別水中鯊魚的機器學習模型，作為衝浪者和游泳者的早期預警系統。
在一次收集錄像的訓練任務中，一個真實的求救電話打了進來。
在70秒內，無人機操作員就飛到了遇難游泳者身邊，把救生背心扔給他們，營救他們，所有這一切都不需要派一隊救生員進入危險的海浪中。
Zipline，我們的投資組合公司之一，正在努力為盧旺達全國人民提供救命的血液和疫苗。他們以無人機為基礎的輸送系統非常普遍，以至於現在盧旺達輸血所用血液的25% 都是他們提供的。大多數快遞都在半小時內完成。
這家公司現在正在將他們的配送系統擴展到加納，並已開始在美國進行試飛。
最後，我們的投資組合公司Shield.ai正在製造一種無人駕駛飛機，以增強美國軍隊今天執行最危險的行動中的人類士兵的能力。
這被稱為“清理”，它涉及派遣武裝的人類士兵進入他們從未見過的建築。這家公司的Nova無人駕駛飛機，在清除存在未知敵人的建築物時，對士兵來說是一種無價的幫助。
它能夠探索並傳送建築物通道的詳細地圖，同時使用機器學習算法將建築物內的居住者標記為朋友或敵人。
海上救援，快速向偏遠地區運送血液，清除可能存在潛在對手的對建築：這些工作中的每一項，顯然都很危險。令人驚訝的是，根據美國勞工統計局的數據，美國最危險的工作之一是長途卡車運輸。
這個職業的死亡人數比其他職業都要多，而且這個已經令人痛心的數字還沒有考慮到長途貨運對健康的負面影響。
長途卡車司機的肥胖率是普通人群的兩倍多，而且風險還不止於此。肥胖會增加一個人患糖尿病、癌症和中風的風險，而且由於工作本身的壓力，卡車司機更有可能通過飲酒和吸菸來縮短壽命。
我們必須儘快讓這些卡車司機下車，這需要我們能建立起比人類司機更安全的自動駕駛系統。駕駛客車也非常危險。世界衛生組織估計每年有120萬人死於道路交通事故。
這是15至29歲年輕人死亡的主要原因，世界衛生組織認為，從致命的交通事故中恢復過來消耗了世界GDP的3%。
一旦自動駕駛系統足夠安全，可以控制方向盤，我們就必須讓人類駕駛員下車，我們有一組投資組合公司在這個生態系統中積極開發產品和服務。
DeepMap正在構建精美詳細的3D地圖，這些算法可以用來安全地為我們在道路上導航。
Applied Intuition創建了模擬系統，幫助工程師測試和重新測試他們的算法，以確保他們創建的算法在暴露於各種條件下時，行為完全符合預期。
Voyage在退休社區內提供自動化出租車服務，這樣即使我們失去了駕駛能力，我們也可以保持自己獨立行動的能力。Cyngn 正在開發一整套自動駕駛軟件，這些軟件可以在各種各樣的車輛中使用。
機器學習將幫助我們更好地理解彼此
你可能認為人類最有能力理解彼此。畢竟，談話的另一方是另一個人類。
但事實證明，精心設計的軟件實際上可以幫助我們更好地瞭解彼此。想想被診斷患有自閉症的人。
總部位於劍橋的兩家公司 Affectiva 和 Brain Power 已經開發了應用程序，通過使用簡化的表情符號，幫助自閉症患者認識到周圍人的情緒狀態，以便他們能夠適當地調整自己的行為。
他們的系統通過谷歌眼鏡分析視頻，並將適當的表情疊加在一個人的臉上，幫助佩戴者最準確地理解與他們交流的人的情緒狀態。
這是一個正在運行中的系統：人工智能研究的最初目標之一就是機器翻譯，也就是把一種人類語言翻譯成另一種語言。
這個領域最困難的挑戰是同步實時翻譯：當一個人用一種語言說話時，系統會自動及時輸出另一種語言的翻譯，這樣兩個人就可以進行自然的對話。
這種類型的翻譯非常具有挑戰性，就算是專業的聯合國翻譯人員一次只能工作20分鐘，然後他們就會被一個隊友接替。
2018年10月，百度發佈了同步翻譯系統 STACL (即帶有預期和可控延遲的同步翻譯系統) 。鑑於技術挑戰是如此之大，人工智能社區朝著這個目標正在取得堅實的進展，這令人印象深刻。
為了跟上說話者的步伐，機器學習系統實際上會生成多個預測，預測說話者開始說話時每個句子將如何結束。這有點像谷歌在你的瀏覽器的搜索欄中的自動完成功能。
系統需要為一個句子創建和翻譯不同的可能結尾，因為如果不這樣做，它就會落後於說話者。
想象一下，在我們走進的每個會議室或打開的每個瀏覽器窗口的每次網絡呼叫中嵌入實時翻譯，我們可以更好地理解每個呼叫。下面是最後一個例子，說明如何更好地理解對方，這可能是我在整個演講中最喜歡的例子。
有一個叫做Crisis Text Line的非營利組織，它通過短信向處於危機中的人們提供諮詢。
上一代人在面臨危機時可能會撥打熱線電話，而現在這一代人則更喜歡發短信。
當Crisis Text Line啟動時，他們要求訓練有素的顧問列出50個觸發詞，這些詞可以用來預測高風險短信發送者。
他們生成的單詞通常和你想象的一樣: 比如“死”、“割”、“自殺”和“殺”。在這項服務運行了一段時間之後，這家公司應用機器學習技術，看看是否還有其他單詞可以從列表中添加或刪除，結果非常令人驚訝。
你知道布洛芬這個單詞預測自殺的可能性，是自殺這個詞的14倍嗎？ 哭喪的表情是是自殺這個詞的11倍嗎？斯坦福大學的研究人員，接著提取了最有效的諮詢師的的最佳實踐。
他們發現有效的技術之一是創造力：成功的諮詢師以創造性的方式回應，而不是使用過於籠統或“模板化”的回應。
在危機諮詢的極端情況下，機器學習幫助我們更好地瞭解彼此。
結語
雖然機器學習軟件，在使我們成為更好的人類方面有很大的潛力，但是如果我們沒有故意的、深思熟慮的和同情心的話，我們就不可能達到這個目的。
“垃圾輸入，垃圾輸出”的說法仍然成立，而且隨著我們越來越信任基於人工智能的系統，這種說法可能更具潛在危險性。
話雖如此，對於如何最大限度地提高人類的繁榮，我有三個建議。
為了打擊“垃圾輸入，垃圾輸出”，我們必須用高質量、包容性的數據來訓練我們的機器學習系統。Ai4all、 OpenAI 和Partnership for AI等組織正在發佈最佳實踐(關於包容性和安全性) ，供研究人員和產品團隊在設計系統時使用。
我們必須學會使用像埃森哲、谷歌和微軟這樣的組織提供的數據質量工具和概念框架。
隨著公司和組織朝著一個包容、安全的機器學習系統的未來發展，組織規模不斷擴大，他們經常發現自己需要僱傭一名全職思考這些問題的高管。
這是硅谷最熱門的新職位之一：人工智能倫理和政策總監。
第二，我們不要把這變成核軍備競賽的重演，一場零和競賽。
與20世紀80年代開始的專有數據庫時代相比，隨著開源代碼庫(如谷歌的TensorFlow、Databricks的mlflow、無處不在的Keras和scikit-learn )和共享數據存儲庫(來自Kaggle、UCI、Data.gov等組織)的激增，我們在機器學習社區已經有了更好的開端。
但是我們還有很長的路要走。
雖然來自各個國家的專家，可能想把這變成一個零和遊戲，一個國家以另一個國家為代價取得成功。
但我們可以、而且應該共同努力，實現機器學習支持的軟件對所有人的承諾，而不管其國籍如何。
最後，談談就業問題。
雖然預測就業的未來超出了這個報告的範圍，但是我注意到像 Gartner 這樣的組織，最近的研究預測，在未來幾十年裡會有新的工作機會，而之前的研究，則預測未來幾十年會有大規模的失業。
我喜歡我的朋友李開復在他的《人工智能超級大國: 中國、硅谷和世界新秩序》一書中提出的框架。
想象兩個座標軸：在 x 軸上，我們有一系列更常規的工作，而不是需要創造力和策略的工作。 在 y 軸上，我們有需要同情心才能做好的工作。
李開復認為，機器學習將首先取代的工作是左下角的工作：不需要太多同情心的常規工作。但即使這些工作消失了，我們仍然有3個象限的工作：那些需要同情心的工作在圖表的上半部分，以及需要大量創造力的工作。
這些工作是目前的機器學習技術還沒有發展到可以取代的地步。
在思考如何讓子孫後代為這些工作做好準備時，我想起了我成長過程中流行的一本書。
這本書的作者是一位名叫羅伯特·福爾甘（Robert Fulghum）的牧師，書名叫《我在幼兒園學到的所有我需要學習的東西》。
在書中，他認為我們應該在孩子身上培養人類的價值觀：同理心、公平競爭、學會如何與他人相處、說聲抱歉、想象力等等。
雖然我知道我們需要在這個基礎上增加一套實用的技術訣竅，但我同意他的觀點，即一個富有情商、同情心、想象力和創造力的基礎，是讓人們為機器學習的未來做好準備的絕佳跳板。
在這個未來，人類和算法會更好地結合在一起。
閱讀更多 機器人週刊 的文章
