人工智能正被用于预测哪些居民有可能无家可归。
慢性无家可归人工智能模型在预测无家可归方面的成功率为93%。
这意味着加拿大安大略省伦敦市可以尝试将这些人安置到安全住所，或为他们提供可能需要的医疗服务。
无家可归者特别容易感染新冠病毒，原因是免疫系统较弱，且难以获得庇护场所和卫生设施。
随着加拿大各地出现临时搭建的帐篷城，以安置因担心感染新冠病毒而不愿使用收容所的露宿者，一座城市正利用人工智能（AI）预测哪些居民有可能无家可归。
为加拿大安大略省伦敦市政府工作的计算机程序员表示，这一新系统是全球同类系统中的首创，并可能为其他正在应对无家可归问题的地区提供借鉴。伦敦市位于省会多伦多西南170公里处。
“现在全国的收容所都已人满为患，”伦敦市无家可归预防经理乔纳森·里瓦德（Jonathan Rivard）说，他负责该人工智能系统的工作。
“我们需要更好地在个人陷入困境之前，而不是之后，为其提供资源，”他对汤姆森路透基金会表示。
加拿大正面临第二波新冠病例，安大略省政府警告称，如果当前趋势持续，该省可能出现“在意大利北部和纽约市曾出现的最坏情况”。
卫生专家表示，在疫情期间，无家可归者尤其面临感染及传染他人的风险，原因是免疫系统较弱，且难以获得庇护场所和卫生设施。
该人工智能系统于8月推出，负责协助开发该项目的该市信息技术（IT）专家马特·罗斯（Matt Ross）表示，该系统通过分析参与者的个人数据，计算哪些人将在较长时间内无处栖身。
在正式推出之前，该系统（名为慢性无家可归人工智能模型，简称CHAI）曾对一组人员进行了六个月的测试性追踪，正式推出时间定于8月。
罗斯指出，在此期间，CHAI预测某人何时会成为慢性无家可归者的成功率为93%，并补充称目前其成功率已达到或超过该水平。
通过使用该系统预测哪些人可能成为慢性无家可归者，市政府可以优先考虑如何与这些人合作，以尝试将其安置到安全住所，或为其提供可能需要的医疗服务，里瓦德表示。
“大规模无家可归”
里瓦德解释说，慢性无家可归是指某人一年内在收容所居住180天或以上。
他表示，这些人所消耗的资源是偶尔无家可归者的12倍，因此从长远来看，解决他们的处境可以节省时间和资金。
里瓦德补充说，市政府工作人员目前正与当地收容所、社区团体及无家可归者合作，探讨如何最好地利用新的人工智能数据。
每年有超过23万人在加拿大经历无家可归——“任何一个夜晚约有3.5万人”，倡导团体加拿大终结无家可归联盟主席蒂姆·里克特（Tim Richter）表示。
里克特将过去30年间“现代大规模无家可归”所呈现的“爆发式增长”，归咎于20世纪80年代末和90年代初政府对经济适用房及其他项目的削减。
透明的人工智能
当市政官员首次提议使用计算机程序预测慢性无家可归问题时，这一做法在隐私方面“引发了一些警示”，经营无家可归者收容所的非营利机构伦敦使命服务中心（Mission Services of London）的彼得·罗泽卢克（Peter Rozeluk）表示。
“我想，每当有人使用“人工智能”这一术语时，它都可能显得反乌托邦，仅仅是因为媒体和好莱坞描绘人工智能的方式所致，”罗泽卢克表示。
在与官员讨论该提议后，他表示支持其总体目标，即获取更好的数据以辅助决策。
开发者罗斯表示，该人工智能项目仅适用于同意参与的人员。参与者可随时退出该项目，其数据也将从模型中删除，他补充说。
他的数据科学家团队无法获取相关人员的真实姓名。
取而代之的是，每人会被分配一个识别编号，系统会将该编号与其他数据一并处理，这些数据包括其年龄、种族、性别、兵役状况、所使用的城市服务类型，以及其在收容所过夜的频率。
与大多数其他人工智能系统不同，后者在得出最终结论时不会披露推导步骤，罗斯表示，伦敦的这项技术能够解释其如何以及为何对某个人的风险等级作出评估。
该系统的建设成本约为14,000加元（10,660美元）。这笔资金全部来自市政府信息技术部门，他指出，这意味着CHAI并未挤占收容所等无家可归者一线服务的资源。
截至目前，该系统已识别出至少88名有慢性无家可归风险的人员，该市约有40万居民，里瓦德在市政厅表示。
根据模型预测，曾在收容所居住、年龄超过52岁且在当地没有家人的单身男性，往往具有较高的慢性无家可归风险；若他还是退伍军人或原住民，风险尤甚，里瓦德表示。
他强调，尽管人工智能可提供个人长期无家可归风险的信息，但与服务部署相关的所有决策仍由人来做出。
隐私问题
两位无关联的计算机科学专家和一位隐私律师告诉汤姆森路透基金会，该项目似乎已采取必要措施保护用户的个人信息。
“看起来他们在把事情做对方面投入了大量思考，”研究人工智能与隐私问题的渥太华大学法学教授特蕾莎·斯卡萨（Teresa Scassa）说。
她表示，设计者已确保输入系统的数据经过标准化且准确，并符合国家关于自动化决策伦理使用的指导原则。
阿穆利亚·亚达夫（Amulya Yadav）在宾夕法尼亚州立大学教授信息科学与技术，并研究过人工智能与无家可归问题，他表示，伦敦的这一举措是机器学习正在“被普及化”的一个例证。
“进入门槛正在降低，”他说。“我非常希望他们能够成功实施，这也将是众多此类项目中的第一个。”
不过，斯卡萨、亚达夫及其他专家担心，未来弱势居民的敏感数据可能会遭遇何种风险。
“至关重要的是，不仅要考虑我们的数据用于何种用途，还要考虑‘我们的数据未来可以用于什么？’——并假定数据持有者没有道德底线，”渥太华卡尔顿大学计算机工程助理教授保罗·加西亚（Paulo Garcia）说。
斯卡萨表示，例如，如果新政府上台后寻求削减开支，这些信息可能被用来判断哪些人占用了大量资源，以及哪些资金可能被削减。
罗泽卢克长期在加拿大无家可归危机的第一线工作，他的担忧则有所不同。
他表示，预测某人何时可能陷入慢性无家可归，远不如提供实际住房重要。
罗泽卢克表示，针对这一问题的研究已持续数十年，共识十分明确：“解决无家可归问题的办法是提供安全、充足、可负担的住房……并在之后提供支持。”
