原文：
www.kdnuggets.com/2020/11/machine-learning-social-good.html
评论
就像企业利用机器学习的价值一样，慈善和非营利组织也可以这样做。人们正在以多种方式将机器学习应用于社会公益。
机器学习的社会公益应用分为三类：
-
保护。 确定最脆弱或高风险的对象以进行干预。
-
筹款。 针对直接邮寄请求捐款——适用于任何类型的慈善组织。
-
审批。 预测哪些项目提案最可能成功，以分配资助和其他类型的援助。
预测对齐预防应用机器学习来识别面临虐待风险的儿童。在美国，每年有 1500 到 3000 名婴儿和儿童因虐待和忽视而死亡。0-3 岁的儿童面临最大风险。最脆弱的儿童通常不被专业人士看到。模型提高了早期检测和干预能力，该组织进行战略规划以优化预防资源的空间分配。
这说明了一个绝妙的趋势：就像典型的商业应用标记不良结果——例如违约、取消和欺诈——并作出相应的干预，类似的概念也适用于利他主义地干预可能发生在个人身上的不良事件。这是模型基本上用来分配有限资源的另一种方式。公司只有有限的资源来留住高风险客户，就像儿童福利组织有有限的资源来保护高风险儿童一样。优先和针对资源可以提高固定资源的效力。这是相同的商业价值主张，现在被应用于社会公益。
另一个例子是，美国平等就业机会委员会预测歧视，标记特定行业中哪些特定群体更容易受到歧视。
芝加哥市模型预测哪些住宅更有可能发生铅中毒事件。这作为一个早期预警系统，以主动标记，改进了传统的在检测到中毒后采取的被动措施。风险评分用于确定需要检查的住宅和需要检测的儿童，并帮助人们决定迁移到更安全的住宅。
扩展这一概念，机器学习被应用于标记所有类型的潜在不良事件风险，以便进行干预，包括：
-
营养不良的儿童
-
人口贩卖
-
自杀
-
警察不当行为
-
每个求职者的失业持续时间
-
空气质量差
-
洪水
-
饥荒
-
非法雨林砍伐——基于声学监测
应用机器学习来针对募捐请求的做法更为普遍——毕竟，大多数非营利或慈善组织都在筹款。大学也通常会对其筹款进行有针对性的工作。
这与营销中的响应建模具有相同的价值主张，只是“订单履行”实际上并非必要——你不需要履行任何购买。但在这两种情况下，你都会以相同的方式计算净回报，基于活动的成本和产生的收入。
这里有几个例子。Charlotte Rescue Mission 通过预测建模将筹款活动的捐赠额增加了近 50%。
自然保护协会通过仅向其捐赠者名单中预测最有可能贡献的 10%人群邮寄，从而获得了 669,000 美元的利润。
预测性地针对受益者是一种日益增长的做法。在这种情况下，模型的目标是决定将钱给谁，而不是决定向谁索要钱！例如，一些慈善组织通过预测项目成功来决定哪个开发项目可以获得批准。这样，组织就能更有效地执行其使命。
在一个项目中，我帮助一个助力低收入、准备上大学的学生的项目将其宣传活动针对最具响应性和符合条件的申请者。在另一个案例中，我为美洲开发银行——拉丁美洲和加勒比地区最大的开发融资来源——进行了一次为期五天的培训项目，帮助他们研究项目结果成功的建模。
类似地，向那些有需求但通常不符合传统银行贷款条件的人提供小额贷款的公司——他们通常被传统金融机构标记为高风险——开发了自己的专门风险模型，以适应这些借款人。通过降低向无银行账户或贫困人群提供贷款的财务风险，像 Mimoni 和 Kiva 这样的组织能够实现其使命。
如果你希望拓宽你或你所在组织应用机器学习的方式，我强烈建议你参与这些社会公益应用。机器学习的伦理审视通常会问某些应用是否弊大于利——但如果你是专门为了社会公益而应用它，那么答案就很明确，社区也会热情地欢迎你。
要开始，可以查看一些完全致力于将预测建模应用于社会公益的机器学习公司，例如 Predict Align Prevent、Data Science for Social Good Foundation 或 DrivenData。
相关内容：
1. 谷歌网络安全证书 - 快速进入网络安全职业轨道
2. 谷歌数据分析专业证书 - 提升你的数据分析技能
3. 谷歌 IT 支持专业证书 - 支持你的组织进行 IT 方面的工作