Bridging the Gap: Towards an Expanded Toolkit for ML-Supported Decision-Making in the Public Sector

要約

機械学習 (ML) システムは、刑事司法、社会福祉、金融詐欺検出、公衆衛生などの分野にわたって応用され、公共部門で活用されるようになってきています。
これらのシステムは、効率性や信頼性の向上など、組織の意思決定プロセスに大きな潜在的なメリットをもたらしますが、複雑で微妙な政策目標を、ML モデルによって必要とされる正確な形式化要件と整合させるという課題に依然として直面しています。
このペーパーでは、政策目標と ML モデルの間で不一致が一般的に生じる主要な技術的課題の包括的な概要を提示することで、ML と公共部門の意思決定の間のギャップを埋めることを目的としています。
モデルを運用環境に接続する ML パイプラインの重要なポイントに焦点を当て、代表的なトレーニング データの重要性を掘り下げ、効果的な意思決定を促進するモデル設定の重要性を強調します。
さらに、これらの課題を、因果関係 ML、ドメイン適応、不確実性の定量化、多目的最適化を含む新たな方法論の進歩と結びつけ、ML と公共部門の目標を調和させるための今後の道筋を示します。

要約(オリジナル)

Machine Learning (ML) systems are becoming instrumental in the public sector, with applications spanning areas like criminal justice, social welfare, financial fraud detection, and public health. While these systems offer great potential benefits to institutional decision-making processes, such as improved efficiency and reliability, they still face the challenge of aligning intricate and nuanced policy objectives with the precise formalization requirements necessitated by ML models. In this paper, we aim to bridge the gap between ML and public sector decision-making by presenting a comprehensive overview of key technical challenges where disjunctions between policy goals and ML models commonly arise. We concentrate on pivotal points of the ML pipeline that connect the model to its operational environment, delving into the significance of representative training data and highlighting the importance of a model setup that facilitates effective decision-making. Additionally, we link these challenges with emerging methodological advancements, encompassing causal ML, domain adaptation, uncertainty quantification, and multi-objective optimization, illustrating the path forward for harmonizing ML and public sector objectives.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google