Статья, кратко изложенная ниже, была первоначально опубликована в Стэнфордском обзоре социальных инноваций, написанном Беном Брокманом, Эндрю Фрейкером, Джеффри Макманусом и Нилом Бадди Шахом.

IDinsight недавно опубликовала статью в Стэнфордском обзоре социальных инноваций, в которой подробно рассказывается, как некоммерческие организации, правительства и другие организации могут использовать машинное обучение для повышения своего социального воздействия. В статье описываются благоприятные условия, которые могут помочь поставщикам услуг получить максимальную отдачу от машинного обучения.

Что такое машинное обучение? «Машинное обучение использует данные… и статистические алгоритмы для предсказания чего-то неизвестного. Например, в частном секторе приложения для совместного использования используют данные о трафике для прогнозирования времени ожидания клиентов.

Избранное тематическое исследование с Educate Girls объясняет, как мы использовали машинное обучение, чтобы определить, на какие географические районы они должны ориентироваться, чтобы максимизировать количество девочек, не посещающих школу, которые они найдут. Результат? Ожидается, что в программу Обучение девочек будет зачислено более чем в 1,5 раза больше ожидаемого числа девочек, не посещающих школу, при аналогичных операционных затратах.

В статье указаны четыре требования для максимального использования машинного обучения для социального воздействия:

1. Хорошие предикторы: это данные, которые могут помочь предсказать интересующие нас результаты. В случае с Educate Girls мы пытались понять, где сосредоточены девочки, не посещающие школу. Мы использовали общедоступные данные переписи населения и системы образования, чтобы предсказать, в каких районах, вероятно, будет больше всего девочек, не посещающих школу.

2. Данные результатов: это данные, ориентированные на результаты программы, которую мы пытаемся предсказать, например, количество девочек, не посещающих школу, в данной деревне. Educate Girls уже собрала данные о статусе зачисления в миллион домохозяйств в 8000 деревень. Эти данные в сочетании с данными о предикторах, описанными выше, ценны, потому что они позволяют нам анализировать закономерности, которые связывают предикторы с результатом, например. мы могли лучше предсказать, в каких районах было больше всего девочек, не посещающих школу, а в каких меньше всего.

3. Возможность действовать в соответствии с прогнозами.Алгоритм машинного обучения может точно предсказать, в каких деревнях или районах, скорее всего, проживает большое количество девочек, не посещающих школу, но партнер-исполнитель должен иметь возможность перенаправлять ресурсы в эти деревни или районы. В этом случае Educate Girls может по своему усмотрению выбирать, на какие штаты, районы и деревни она будет распространять свою программу, и теперь может полагаться на наш алгоритм для информирования об этих решениях.

4. Возможность обслуживания машины.Чтобы алгоритм машинного обучения продолжал делать точные прогнозы, он должен время от времени обновляться свежими данными. Например, факторы, которые предсказывают зачисление в школу в одно время и в одном месте в Индии, могут быть другими в другое время и в другом месте. Таким образом, важно, чтобы Educate Girls время от времени обновляла свой алгоритм прогнозирования, особенно по мере того, как он расширяется на новые географические регионы. Чем полнее и актуальнее данные, тем точнее прогнозы.

Статья завершается обсуждением различных возможных приложений машинного обучения и областей для инвестиций с упором на сельское хозяйство. Прочитайте полную статью здесь для более подробного обсуждения машинного обучения и его приложений в социальной сфере.

Educate Girls недавно была отмечена наградой в номинации Смелый проект. Мы с нетерпением ждем продолжения сотрудничества с их командой, поскольку мы продвигаемся вперед в этой важной работе. Следите за обновлениями в этом разделе!