上周，太平洋帕利塞德地区爆发野火，且时至今日火势仍未平息。预计未来几天，当地还将出现大风。目前洛杉矶地区共发生六处火灾，仅帕利塞德和伊顿火灾就已造成24人死亡。
这些火灾提醒我们，国民警卫队等急救部门需要快速获取最取可操作性的信息。为了应对野火、洪水乃至其他日益常见的灾难，国民警卫队必须迅速前往最需要他们的位置。
这方面需求，也是信息技术领域面临的最具风险的挑战之一：在受到灾害影响的数平方英里范围之内，哪所学校、哪座桥梁或者哪个街区最需要紧急救援？一个选择，往往决定着众多生命能否获救。
谷歌母公司Alphabet拥有一处名为X的登月工厂（实验室），旨在解决世界上最重要、最棘手的问题。X已经开发出一种突破性的解决方案，以类似与众多企业的方式运用预测性AI技术。下面，我们就一同了解X如何推动研发，尝试帮助解决洛杉矶野火问题，以及各位商务专业人士能够从中学到哪些关于运用机器学习应对不确定性及高风险难题的经验教训。
任务：标记航拍照片
在发生严重的气象事件期间及之后，无人机和载人飞机都会大量收集受影响地区的航拍照片，且数量往往多达数千张。这些图像可能揭示出哪些建筑物和其他基础设施受到了影响，但前提是要为每张照片的内容标记出所显示的确切位置。遗憾的是，这些图像往往缺少这种元数据。
手动标记照片显然会极大拖慢国民警卫队的响应速度。根据以往经验，在灾害发生之后，标记团队通常需要12个小时左右才能完成任务。遗憾的是，这个过程到目前为止也仍然只能手动进行，而且在转向自动化方面存在着诸多挑战。最直观的原因，就是这些照片往往是在不同高度、以不同的倾斜角度拍摄而成。
但X选择迎难而上，专门为其设计解决方案。换言之，高企的风险只有用具有颠覆性的技术突破才能克服。X应对这一挑战的计划名为Bellwether，号称是“面向地球及地表一切活动的首款预测引擎”。
自2020年创立以来，Bellwether一直秉持着Sarah Russell提出的观点，即“之所以勇敢接受挑战，是因为我们意识到如果能够解决这个问题，我们将成功缩短气候灾难的响应时间，成倍增加能够挽救的生命数量。”
解决方案：使用机器学习实现图像匹配
那么突破来自何处？答案就是将真实照片与合成照片相匹配。Bellwether合成出一套模拟的参考照片数据库，可作为比对样本。当一张真实照片与数据库中的图像相匹配时，就会得到标记——之后系统可以准确知晓这是一张什么照片、拍摄于何地以及拍摄的是什么对象。为了合成参考图像，X运用到谷歌独特的丰富地理空间资源，即用于支持谷歌地球和谷歌地图等产品的底层素材。
最终成效令人眼前一亮。在Bellwether建立并开始研究这一解决路线的短短几年之后，国民警卫队及其他组织就已经开始实际部署。Bellwether团队已经开始研究洛杉矶地区的航拍图像，恰好顺应了飞行限制放宽所带来的航拍素材激增潮流。
依托于这套解决方案，国民警卫队成员们可以立即浏览受影响最严重的地区，并明确知晓自己正在查看哪些位置。他们可以了解哪些桥梁已经关闭，可以查询受到监控的区域，比如“让我看看区域内所有医院”。以此为基础，他们可以即时做出明智决策，摆脱多年来一直造成困扰的处理延迟。
机器学习在这样的实验性计划中发挥着核心作用——且基本逻辑与各类常见的业务系统一样。毕竟图像匹配正是机器学习最擅长处理的非精确过程。然而，没有什么匹配能够真正万无一失，因为航拍照片的内容也并不完全准确——它们每一张的拍摄高度、缩放比例和角度都有不同，可能受到天气条件的影响甚至遮挡，捕捉到的画面往往不够稳定，有时甚至会引发灾难性的误解。
机器学习通过为每对匹配生成一个置信度评分以消除大部分不确定性。随着大量照片的涌入，事实证明其中很多照片都具有很高的匹配度，因此系统可以向操作人员提供覆盖几乎所有受影响位置的视觉效果。也就是说，即使删除掉那些缺少可信匹配结果的照片之后，其仍然承载着巨大的指导价值。
国民警卫队帮助受到2017年哈维飓风所造成洪水影响的当地居民。
这种方法还具备可扩展性。Russell指出，“除了部署国民警卫队之外，我们的目标是让这项服务从根本上更容易为灾难响应者们普遍提供支持和服务。这项技术可以应用于各类天气相关现象的救援和重建响应，例如热浪和龙卷风。”
预测性AI的普遍意义
无论是实验性项目还是为更常见的业务目标而努力，机器学习产生高置信度结果的核心能力，都有望解决各个行业中的运营挑战。哪些客户购买意愿更强，就把营销资源投向哪个群体。哪些交易活动可能存在欺诈性嫌疑，就要提醒银行部门多加关注。哪些地址明天可能会收到快递，就要由UPS为配送制定计划。
这种运用机器学习的预测推动大规模运营的全新范式，拥有一个响亮的名号：预测性AI。这是一种以系统方式过滤掉置信度较低案例，并对其余置信度更高案例采取行动的指导性实践。
那么，置信度要到多高才算“可信”？具体要视情况而定。每个项目都必须根据实际需要确定最佳决策阈值选择。例如，国民警卫队需要匹配度更高的照片；相比之下，营销活动和欺诈检测则可以容纳很多并不成功的案例——这也是此类行动不可避免需要承担的计划内成本。
换句话说，预测性AI通过量化不确定性以降低不确定性。Bellwether还在努力以其他方式扩展这种惊人的方法，强调在环境事件发生之前就推行预测，旨在减少气候灾害造成的损害——例如预测在哪里介入可以挽救最多的生命，以及哪些受到影响的地区应该成为疏散救援的优先切入点。
Russell最后总结道，“机器学习已经成为地理科学领域的新范式。例如，不久之前，水文学的主要思路还是使用基于特定地点的模型来预测洪水。现在有了机器学习，最强大的模型已经能够容纳不同地点获取到的数据并从中寻求模式——美国东海岸的过往洪涝，已经可以用于预测西海岸可能出现的洪水。”
