自從 SARS-CoV-2 大流行開始以來，我(也許還有你)一直想知道為什么在地球上我們沒有利用最近記憶中最被炒作的技術來做除了賣東西之外的其他事情。這些將是大數據、人工智能以及機器和深度學習的子領域。

終于，似乎有人擁有了。

本周發(fā)表在《自然》雜志上的一篇社論和論文顯示，一個由數據科學家、流行病學家和公共衛(wèi)生專家組成的團隊將強化學習應用于 Covid-19 邊境測試問題。過度擴張的希臘政府使用該框架來確定何時以及如何重新開放其經濟命脈：游客的邊界。

政府缺乏資源來測試所有旅行者是否接觸過 Covid-19。此外，基于游客原籍國的隨機檢測或篩查往往會漏掉無癥狀的受感染游客。

研究人員開發(fā)了一種名為 Eva 的機器學習算法，被稱為一種高效且有針對性的 Covid-19 邊界測試方法。此前，希臘政府依賴于基于旅行歷史的隨機測試，這是對稀缺資源的低效利用。Eva 進一步分析了從乘客信息表中收集到的人口統(tǒng)計數據。

結果?Eva 發(fā)現的感染但無癥狀旅行者的數量是隨機監(jiān)測測試的 1.85 倍，其中在旅游旺季期間發(fā)現的數量高達 4 倍。

研究人員報告說：“我們的結果引起了人們對基于人口水平流行病學指標的與國家無關的國際提議的邊境控制政策的有效性的嚴重擔憂?！? “相反，我們的工作代表了強化學習和實時數據在保護公共健康方面的潛力的成功范例。”

人工智能和機器學習未能在大流行中發(fā)揮很大作用的部分原因是缺乏數據，部分原因是更嚴格的數據隱私規(guī)則。這是可以理解的。訓練機器和深度學習算法所需的大量未開發(fā)大數據由政府和企業(yè)持有。

正如Nature的編輯所指出的，需要數據隱私框架，以便與研究人員共享相關數據。

Eva 的創(chuàng)建者注意到了這一要求，開發(fā)了符合歐盟通用數據保護條例的強化學習算法。GDPR 制定了收集數據并獲得同意以存儲和使用個人信息的規(guī)則。

這是一個很好的第一步，但必須進一步加強數據隱私規(guī)則，然后我們才能利用大數據和人工智能來對抗 Covid-19?！斑€必須關注算法設計方式以及用于訓練算法的數據的透明度，”《自然》社論正確地指出。

使用可信賴的算法來幫助抑制大流行對公共衛(wèi)生的好處可能超過了數據隱私的風險。畢竟，我們在下載應用程序時經常不假思索地點擊“條款和條件”上的“同意”按鈕。

希臘政府的機器學習實驗代表了朝著適當應用技術邁出的有希望的第一步，該技術的潛力遠不止賣東西。