上周，太平洋帕利塞德地區爆發野火，且時至今日火勢仍未平息。預計未來幾天，當地還將出現大風。目前洛杉磯地區共發生六處火災，僅帕利塞德和伊頓火災就已造成24人死亡。
這些火災提醒我們，國民警衛隊等急救部門需要快速獲取最取可操作性的資訊。為了應對野火、洪水乃至其他日益常見的災難，國民警衛隊必須迅速前往最需要他們的位置。
這方面需求，也是資訊技術領域面臨的最具風險的挑戰之一：在受到災害影響的數平方英里範圍之內，哪所學校、哪座橋樑或者哪個街區最需要緊急救援？一個選擇，往往決定著眾多生命能否獲救。
谷歌母公司Alphabet擁有一處名為X的登月工廠（實驗室），旨在解決世界上最重要、最棘手的問題。X已經開發出一種突破性的解決方案，以類似與眾多企業的方式運用預測性AI技術。下面，我們就一同了解X如何推動研發，嘗試幫助解決洛杉磯野火問題，以及各位商務專業人士能夠從中學到哪些關於運用機器學習應對不確定性及高風險難題的經驗教訓。
任務：標記航拍照片
在發生嚴重的氣象事件期間及之後，無人機和載人飛機都會大量收集受影響地區的航拍照片，且數量往往多達數千張。這些圖像可能揭示出哪些建築物和其他基礎設施受到了影響，但前提是要為每張照片的內容標記出所顯示的確切位置。遺憾的是，這些圖像往往缺少這種元數據。
手動標記照片顯然會極大拖慢國民警衛隊的響應速度。根據以往經驗，在災害發生之後，標記團隊通常需要12個小時左右才能完成任務。遺憾的是，這個過程到目前為止也仍然只能手動進行，而且在轉向自動化方面存在著諸多挑戰。最直觀的原因，就是這些照片往往是在不同高度、以不同的傾斜角度拍攝而成。
但X選擇迎難而上，專門為其設計解決方案。換言之，高企的風險只有用具有顛覆性的技術突破才能克服。X應對這一挑戰的計劃名為Bellwether，號稱是「面向地球及地表一切活動的首款預測引擎」。
自2020年創立以來，Bellwether一直秉持著Sarah Russell提出的觀點，即「之所以勇敢接受挑戰，是因為我們意識到如果能夠解決這個問題，我們將成功縮短氣候災難的響應時間，成倍增加能夠挽救的生命數量。」
解決方案：使用機器學習實現圖像匹配
那麼突破來自何處？答案就是將真實照片與合成照片相匹配。Bellwether合成出一套模擬的參考照片資料庫，可作為比對樣本。當一張真實照片與資料庫中的圖像相匹配時，就會得到標記——之後系統可以準確知曉這是一張什麼照片、拍攝於何地以及拍攝的是什麼對象。為了合成參考圖像，X運用到谷歌獨特的豐富地理空間資源，即用於支持谷歌地球和谷歌地圖等產品的底層素材。
最終成效令人眼前一亮。在Bellwether建立並開始研究這一解決路線的短短幾年之後，國民警衛隊及其他組織就已經開始實際部署。Bellwether團隊已經開始研究洛杉磯地區的航拍圖像，恰好順應了飛行限制放寬所帶來的航拍素材激增潮流。
依託於這套解決方案，國民警衛隊成員們可以立即瀏覽受影響最嚴重的地區，並明確知曉自己正在查看哪些位置。他們可以了解哪些橋樑已經關閉，可以查詢受到監控的區域，比如「讓我看看區域內所有醫院」。以此為基礎，他們可以即時做出明智決策，擺脫多年來一直造成困擾的處理延遲。
機器學習在這樣的實驗性計劃中發揮著核心作用——且基本邏輯與各類常見的業務系統一樣。畢竟圖像匹配正是機器學習最擅長處理的非精確過程。然而，沒有什麼匹配能夠真正萬無一失，因為航拍照片的內容也並不完全準確——它們每一張的拍攝高度、縮放比例和角度都有不同，可能受到天氣條件的影響甚至遮擋，捕捉到的畫面往往不夠穩定，有時甚至會引發災難性的誤解。
機器學習通過為每對匹配生成一個置信度評分以消除大部分不確定性。隨著大量照片的湧入，事實證明其中很多照片都具有很高的匹配度，因此系統可以向操作人員提供覆蓋幾乎所有受影響位置的視覺效果。也就是說，即使刪除掉那些缺少可信匹配結果的照片之後，其仍然承載著巨大的指導價值。
國民警衛隊幫助受到2017年哈維颶風所造成洪水影響的當地居民。
這種方法還具備可擴展性。Russell指出，「除了部署國民警衛隊之外，我們的目標是讓這項服務從根本上更容易為災難響應者們普遍提供支持和服務。這項技術可以應用於各類天氣相關現象的救援和重建響應，例如熱浪和龍捲風。」
預測性AI的普遍意義
無論是實驗性項目還是為更常見的業務目標而努力，機器學習產生高置信度結果的核心能力，都有望解決各個行業中的運營挑戰。哪些客戶購買意願更強，就把營銷資源投向哪個群體。哪些交易活動可能存在欺詐性嫌疑，就要提醒銀行部門多加關注。哪些地址明天可能會收到快遞，就要由UPS為配送制定計劃。
這種運用機器學習的預測推動大規模運營的全新範式，擁有一個響亮的名號：預測性AI。這是一種以系統方式過濾掉置信度較低案例，並對其餘置信度更高案例採取行動的指導性實踐。
那麼，置信度要到多高才算「可信」？具體要視情況而定。每個項目都必須根據實際需要確定最佳決策閾值選擇。例如，國民警衛隊需要匹配度更高的照片；相比之下，營銷活動和欺詐檢測則可以容納很多並不成功的案例——這也是此類行動不可避免需要承擔的計劃內成本。
換句話說，預測性AI通過量化不確定性以降低不確定性。Bellwether還在努力以其他方式擴展這種驚人的方法，強調在環境事件發生之前就推行預測，旨在減少氣候災害造成的損害——例如預測在哪裡介入可以挽救最多的生命，以及哪些受到影響的地區應該成為疏散救援的優先切入點。
Russell最後總結道，「機器學習已經成為地理科學領域的新範式。例如，不久之前，水文學的主要思路還是使用基於特定地點的模型來預測洪水。現在有了機器學習，最強大的模型已經能夠容納不同地點獲取到的數據並從中尋求模式——美國東海岸的過往洪澇，已經可以用於預測西海岸可能出現的洪水。」
