2020年7月8日,众议院金融服务委员会人工智能工作组举行了一场名为“曝光通知和接触者追踪:AI如何帮助各地安全重新开放,并研究人员找到治疗“。

工作组主席、国会议员Bill Foster (D-IL)在他的开幕词中表示,听证会将讨论2019冠状病毒(COVID-19)大流行迫使公众在生活、自由、隐私和追求幸福之间做出的必要权衡。福斯特主席指出,他所谓的“侵入式”人工智能(AI)监控可能会挽救生命,但会以个人自由为代价。他说,使用后端人工智能的联系人追踪应用可能会充分解决隐私问题,同时仍能获得与侵入性监测类似的健康和经济效益。人工智能结合了从自愿参与的covid -19阳性患者收集的原始数据。

国会议员巴里劳德米尔克(R-GA)讨论数字接触者追踪如何能比手动接触者追踪更有效,但注意的是,它必须有强烈的参与,从人 - 40%-60%的采用率整体 - 是有效的。他说,市民需要相信,他们的隐私不被侵犯。帮助建立这种信任,他建议,人们需要能够很容易地确定数据将被收集的,谁有权访问数据,以及如何将数据将被使用。

四个小组成员作证在这次听证会。以下是每名参加者的证词的总结,随后的一些后证词的问题,委员会成员提出的概述:

布莱恩·麦克伦登,首席执行官和CVKey项目的联合创始人,讨论隐私,披露和选择,在数据收集影响的能力如何识别和隔离这些感染COVID-19。AI和机器学习需要大量的数据。他说,虽然最有价值的数据,以打击COVID-19可以在被感染和接触人群的接触追踪采访发现,在捕获此信息存在困难。例如,尝试打电话到达到接触的人可能会因为没有答案的人往往不接来自未知号码的来电。移动应用程序,他说,提供了一种方法来进行接触,更高的精度和覆盖范围跟踪。麦克伦登先生讨论两种方式,这样应用程序可以工作:通过低能量蓝牙使用GPS位置,或(2)(1)。对于后者,麦克伦登先生解释由两个大型科技公司开发了一种方法:当数字联系跟踪应用程序的用户的COVID-19测试呈阳性,他或她则选择在选择要上传非个人身份信息的国营云服务器,那么这将确定是否发生了潜在风险,并将这些用户提供应用程序内通知。

Krutika Kuppalli医学博士中,感染性疾病的医生,讨论了如何使用接触追踪可以帮助阻碍传染病的传播。她指出,要记住使用这些技术时,涉及公共健康信息,数据保护和数据隐私伦理方面的考虑是非常重要的。

安德烈·M.·佩里在布鲁金斯学会研究员,通过讨论COVID-19是如何不成比例的影响黑人和拉丁裔人群,反映历史的不平等和结构性种族主义开始了他的演讲。佩里先生确定了关于AI和接触者追踪,因为它们涉及到结构性种族主义和偏见特别关注。这些工具,他说,是不是中性的,既可以加剧或缓解结构性种族主义。为了解决这样的偏见,他建议,接触者追踪应包括谁一般都被排除在已提供更好的健康和经济后果系统的人。此外,在医疗保健领域使用的AI工具呈现相同风险的其它领域:在AI的好坏是谁设计它的程序员。偏置程序会导致技术缺陷,在现实世界中AMPLIFY偏见。佩里先生说,招募更多的投资与黑人拥有的高科技公司,严格的审查和测试是必需的偏见,更多参与当地社区。

拉梅什·拉斯卡尔麻省理工学院教授,​​PathCheck基金会的创始人,强调他演示过程中三个要素:(1)如何增加手动接触应用追踪;(2)如何确保应用程序的隐私保护,包容性的,值得信赖的,并且使用开源方法和非营利组织建立;(3)建立国家应对流感大流行的服务。关于包容性,拉斯卡尔先生指出,国会应该积极要求解决方案可访问广泛和普遍;追踪接触者不能只为有机会获得最新的技术部分人有效。

后作证的问题

主席福斯特问及保护隐私的极限技术通过提供一个例子,一个人被孤立的一个星期,然后与另一个人,然后收到通知的接触:这样的人可能会知道感染者的身份。拉斯卡尔回答说,数据保护有不同层次:机密性、匿名性,然后是隐私。在公共卫生的情况下,拉斯卡尔先生说,今天,我们只关心机密性,而不是匿名或隐私(最终,他说,你将不得不去见医生)。

如果我们要实现一个联邦接触者追踪程序,代表劳德米尔克问,我们如何确保公民,他们可以知道什么数据将被用于收集,以及谁有权访问?麦克伦登先生回应说,由两个大型科技公司开发的方式下,数据是随机的,并存储在个人手机上,直到用户选择随机数上传到服务器。该通知确定该手机上的状态下提供的消息。国家将不知道暴露者是谁,直到那个人OPTS通过调用手动接触者追踪团队。

Maxine Waters代表(D-CA)问,移动接触者追踪技术的开发人员应考虑什么,以确保少数民族社区不再进一步处于不利地位。佩里重申,人工智能技术尚未经过有色人种的测试、创造或审查,这导致了各种偏见。

国会议员肖恩卡斯腾(d-IL)问AI是否接触者追踪使用仅向后看还是可以预测未来的热点。麦克伦登先生回答说,预测未来,你需要知道的过去。手动接触者追踪采访,在被感染或暴露的人描述他或她已经将提供显著数据的机器学习算法,包括,使示踪剂预测,其中一个热点可能会在未来发生。但是,隐私问题和技术不兼容(如。,县和国家的工具,不相互兼容)意味着大量的数据,目前孤立,甚至无法进入,阻碍了AI期待的能力。

请访问我们的冠状病毒资源中心订阅我们的邮件列表收到警报,研讨会邀请函和其他出版物,以帮助您浏览这个充满挑战的时代。