如今机器可以在复杂的任务上击败人类，这些任务似乎是根据人类思维的优势而量身定制的，包括扑克、围棋和视觉识别。尽管如此，对于许多适合作为自动推理自然之选的高风险决策，比如医生问诊、法官判案，专家们通常更喜欢经验和直觉，而不是数据和统计信息。这种不愿采用正式统计方法的态度有其道理：机器学习系统很难设计、应用和理解。不过，回避人工智能进步可能会付出高昂代价。

    认识到管理者和工程师面临的现实制约因素之后，我们制定了简单的三步程序，用于创建可以改进是非型决策的评估准则。这些准则可以帮助法官决定拘留对象，帮助税务审计员决定审查对象，帮助招聘经理决定面试对象。我们的方法为从业者提供了最先进的机器学习性能，同时去除了不必要的复杂性。

    要了解这些规则的作用，请看看审前释放决定。当被告首次出庭时，法官必须评估他们逃避随后开庭日期的可能性。被认为是低风险的人会被释放回社区，而高风险的被告则被羁押在监狱里；因此，这些决定对被告和公众都具有重大影响。为了帮助法官做出决定，我们使用程序创建了简单风险图。每个被告的潜逃风险，是根据他们的年龄和缺席开庭次数得出的总分来计算的，然后应用风险阈值将这一分数转换为二进制的释放还是拘留建议。例如，如果风险阈值为10，一名曾缺席过一次开庭的35岁的被告会计8分（年龄计2分，缺席一次开庭计6分），而且会被建议释放。

    尽管这条规则简单，但它的表现明显胜过专家级的人类决策者。我们对本国某一最大城市的10万多项审前释放司法决定进行了分析。如果遵循这套规则，这一司法管辖区的法官可以拘留一半的被告，未出庭人数不会明显增加。这怎么可能？独立的司法判决与被告的客观潜逃风险水平只有微弱的相关性。此外，法官采用的是特立独行的标准，有些人释放了90%的被告，而另一些人只释放了50%。结果，许多高风险被告得到释放，而许多低风险被告却被羁押。遵循我们的准则可以确保被告得到公平对待，只有风险最高的被告才会被羁押，同时提高判决的效率和公平性。

    这类决策规则之所以快捷，是因为决策可以很快做出，无需计算机；之所以俭省，是因为它们只需要有限的信息就可以做出决定；之所以透明，是因为它们显示了做出决定的理由。满足这些标准的规则无论在司法背景，还是在其他背景下都有许多好处。比如，容易记忆的规则更容易被采纳并一贯使用。在医学领域，节俭的规则可以减少所需的检查，这可以节省时间、金钱，在分诊的情况下还可以拯救生命。简单规则的清晰性通过展示决策的做出方式，并指出可以改进的地方，从而产生信任。当社会要求公平和透明时，清晰性甚至可以成为一项法律要求。

    简单规则当然有其优点，但是我们也可能合理地怀疑，支持简单是否意味着牺牲性能。令人惊讶的是，在许多情况下，答案是否定的。我们将简单的规则与复杂的机器学习算法进行了比较。在司法判决的情形中，风险图在表现上与最佳的统计风险评估技术几乎相同。在22个不同的领域重复分析之后，我们发现一种现象：简单、透明的决策规则在表现上通常与复杂、不透明的机器学习方法不相上下。

   为制定这些简单的规则，我们使用了一个我们称之为“选择-回归-四舍五入”的三步策略。以下是它的工作原理。

    1.选择两到五个相关结果的主要指标——比如，对于审前决定，使用的是两个众所周知的潜逃风险指标：被告的年龄和缺席开庭的次数。如果没有此类领域知识，可以使用阶梯式特征选择等标准统计方法来创建因素列表。

    2.使用历史数据，对所选预测因素（年龄和缺席开庭次数）的结果（缺席庭审）进行回归。这一步骤可以用统计软件在一行代码中执行。

    3.步骤2的输出是一个模型，该模型为每个因素分配复杂的数值权重。对于许多决策应用程序来说，这样的权重过于精确，因此我们对权重进行四舍五入以生成整数分数。我们的“选择-回归-四舍五入”策略会产生简单的决策规则。同样重要的是，构建规则的方法本身很简单。一个在统计方面受过有限培训的分析师使用免费软件就可以轻松地遵循这个三步之法。

    当目标得到明确界定，而且过去成果及其主要指标方面的数据可以获得时，统计决策规则最有效。当这些标准得到满足时，利用统计信息做出的决策通常优于专家的经验和直觉。简单的规则以及策略会把机器学习的力量带给大众。