Доктор Сема Сгайер - соучредитель и исполнительный директор Surgo Foundation, финансируемого из частных источников фонда действий, ориентированного на поведенческие факторы, влияющие на здоровье и развитие. Она работает на стыке поведения, данных и технологий, чтобы решать сложные глобальные проблемы развития. Она была исследователем нейробиологии и геномики в Гарвардской медицинской школе и научным сотрудником Центра исследований глобального здравоохранения. Она получила докторскую степень в области клеточной и молекулярной биологии в Нью-Йоркском университете и степень магистра нейробиологии в Университете Брауна. Ранее в Фонде Билла и Мелинды Гейтс она руководила крупномасштабными программами здравоохранения в Индии и Африке. Она преподает в Гарвардском университете T.H. Школа общественного здравоохранения Чан. Форум женщин за экономику и общество назвал ее перспективным талантом.

Как вы считаете, в чем заключаются основные ограничения работы в области человеческого развития сегодня?

Ежегодно миллиарды долларов тратятся на улучшение жизни людей с ограниченными ресурсами (т.е. тех, кого часто называют «живущими в бедности»), но эти деньги не всегда приносят максимальный эффект. Для достижения результатов необходима важная информация - глубокое и всестороннее понимание того, что движет поведением людей, и окружающей экосистемы, которая на них влияет. Начав с этого глубокого понимания, можно изменить то, как разрабатываются и реализуются программы разработки.

Еще одно важное ограничение, которое мы наблюдаем, заключается в том, что программы развития имеют тенденцию быстро переходить к решениям и сосредотачиваться на масштабировании конкретных вмешательств, однако мало что известно о причинно-следственной цепочке факторов, которые влияют на конкретные результаты, в том числе о том, как и почему люди принимают решения о здоровье и благополучии. их семей.

Как Surgo Foundation пытается изменить подход к проблемам развития?

Мы считаем, что у людей с ограниченными ресурсами есть выбор, и к ним следует относиться как к активным клиентам , а не как к пассивным бенефициарам программ развития. Это переосмысление невероятно важно, потому что оно отражает выбор, который есть у всех людей, независимо от того, где они живут и сколько у них доходов. Люди также живут в сложных динамических системах, где они взаимосвязаны с другими и в рамках более широкой экосистемы. Наша миссия состоит в том, чтобы стимулировать глобальный сектор развития, разрабатывая решения, которые ставят клиентов в центр своих программ и объясняют, почему люди ведут себя именно так, учитывая как человеческий, так и системный объектив.

Мы считаем, что для этого необходимы новые инструменты и подходы, и мы инвестируем в разработку набора инструментов для сектора, который собирает и анализирует данные в целом. Это включает в себя объединение лучших подходов и методов, используемых в других областях, и их адаптацию к сектору разработки. В рамках этого набора инструментов мы тестируем различные подходы к машинному обучению.

Какой вы видите потенциал применения машинного обучения в сфере разработки?

В частном секторе организации стремятся внедрить машинное обучение, чтобы помочь улучшить все, от продаж до операций. Мы видим огромный потенциал для применения машинного обучения в секторе разработки, но это потребует времени - нам нужно быть практичными, и нам действительно нужно протестировать эти новые подходы к решению поставленных задач.

Машинное обучение может быть трансформирующим как с точки зрения его способности помогать нам выявлять закономерности в данных, так и разрабатывать более совершенные модели прогнозирования мира. Есть много разных типов машинного обучения и способов его использования. Например, причинно-следственные модели машинного обучения могут помочь нам лучше понять восходящую цепочку событий, которые приводят к определенному результату, например материнской смертности. Прогнозирующие модели машинного обучения могут помочь нам сделать более точные прогнозы, чтобы у женщин был более высокий риск развития осложнений во время родов. Обладая такой информацией, мы можем лучше разрабатывать и нацеливать меры вмешательства по сокращению числа женщин, умирающих при рождении или вскоре после него. Алгоритмы классификации можно использовать для разделения на группы на основе их поведения и движущих сил, что очень полезно для более эффективного нацеливания медицинских услуг. Это всего лишь несколько широких наборов подходов, которые мы тестируем; В области машинного обучения есть еще много категорий и специальных инструментов.

Мы не думаем, что машинное обучение полностью заменит другие методологии, такие как традиционный статистический анализ. По сути, они дополняют друг друга. Думайте об этом как о добавлении еще одной линзы к нашему существующему набору инструментов. Различные снимки и разные объективы способствуют созданию сюжета. Однако есть несколько очень серьезных проблем, связанных с применением машинного обучения к данным международного развития.

Почему машинное обучение не применялось раньше?

Машинное обучение - очень широкая область, включающая множество подходов. Как дисциплина, она существует уже несколько десятилетий, и в последнее время некоторые подходы (например, нейронные сети) привлекают все больше внимания и внимания. В целом, две недавние разработки позволили применить его в секторе международного развития. Во-первых, высокоскоростные вычислительные мощности только недавно стали доступны в этом масштабе. Во-вторых, огромные инвестиции донорских организаций и правительств в данные и их готовность открыто делиться своими необработанными данными.

Что вы узнали из своих инициатив по машинному обучению на данный момент?

В своей работе мы тестируем широкий спектр инструментов машинного обучения. В рамках этого обширного исследования мы специально тестируем применение причинных моделей машинного обучения в рамках Инициативы машинного обучения для точного общественного здравоохранения (ML4PxP). В рамках этой инициативы мы собрали разнообразную группу заинтересованных сторон для тестирования этой платформы, включая экспертов в области машинного обучения, таких как Университет Сассекса и GNS Healthcare, международных разработчиков, таких как Университет Манитобы, и спонсоров, таких как как Фонд Билла и Мелинды Гейтс. ML4PxP все еще находится на начальной стадии, но мы уже многому научились, просто объединив эти различные точки зрения.

Во-первых, мы узнали, что вам действительно нужно вкладывать время и усилия в объединение международных экспертов по развитию и экспертов по машинному обучению. Когда мы только начинали, никто не говорил на одном языке. Мы должны были помочь обеим сторонам понять друг друга, чтобы сотрудничать. Во-вторых, мы узнали, что качество данных имеет значение. Машинное обучение, хотя и является многообещающим инструментом, не сможет дать содержательную информацию, если у вас нет качественных данных. В-третьих, требуется время и дальнейшие инновации в методологиях тестирования и адаптации этих методов к задачам разработки и наборам данных.

Какие факторы могут препятствовать применению причинно-следственных моделей машинного обучения для точного общественного здравоохранения?

Самая большая проблема - продемонстрировать ценность. Прямо сейчас, например, мы не знаем, дадут ли каузальные подходы к машинному обучению ценную информацию о том, что мы узнали из традиционной статистики. Чтобы подходы к причинно-следственному машинному обучению использовались в этом секторе, они должны предоставить новые ценные сведения о сложных проблемах.

Даже если мы сможем продемонстрировать ценность, есть еще одна проблема - объединить два отдельных сообщества - международное сообщество разработчиков и сообщество машинного обучения - для стимулирования принятия.

Как вы планируете решать эти проблемы?

Мы вкладываем собственные средства в тестирование этого подхода, чтобы быть очень открытыми в отношении того, что мы находим. Когда у нас будет несколько вариантов использования, которые показывают ценность в применении причинно-следственных подходов к машинному обучению, мы перейдем от тестирования к масштабированию. Благодаря нашему глубокому опыту в области международного развития и нашему погружению в причинно-следственное машинное обучение в рамках этого пилотного проекта, мы находимся в уникальном положении, чтобы объединить два сообщества для стимулирования принятия.

Чего вы надеетесь достичь через пять лет благодаря инвестициям в машинное обучение?

Поскольку технологии развиваются так быстро, трудно сказать точно. Если мы сможем продемонстрировать ценность применения причинно-следственных моделей машинного обучения к данным о международном развитии, мы захотим стать каналом для стимулирования принятия. Мы надеемся, что через пять лет каузальное машинное обучение будет распространено на весь сектор международного развития, чтобы помочь в разработке и реализации более эффективных программ.