Як Уряди Використовують ШІ на Своїх Даних

Що вважається просунутим тут

Системи штучного інтелекту урядовців покладаються на чотири методи, які застосовуються до необроблених потоків даних: регресійний аналіз для прогнозування безперервних величин, таких як рівень злочинності або обсяг трафіку; алгоритми класифікації (детерміновані дерева рішень, машини опорного вектора) для сортування записів за категоріями, наприклад, маркування заяви як шахрайської чи законної; кластеризація (зазвичай k-середніх) для групування громадян або випадків за потребами без попередньо визначених міток; та глибокі нейронні мережі для складних завдань зі збігу шаблонів, таких як розпізнавання зображень або аналіз текстових записів.

Жодне з цих методів не замінює основної конвеєрної системи даних. Система отримує записи з баз даних правоохоронних органів, медичних закладів, датчиків транспорту чи систем соціального забезпечення, очищає та стандартизує їх, інженерує ознаки, які фактично прогнозують результат, навчує модель на історичних даних, а потім розгортає її з постійним моніторингом, щоб можна було перенавчити її при зміні умов. Ігнорування етапів очищення та інженерії ознак все ще призводить до отримання неякісних результатів, навіть якщо використовується найсучасніша нейронна мережа.

Задокументовані розгортання та їх кількість

Програма ‘Розумної Нації’ Сінгапуру використовує автоматизоване розпізнавання номерних знаків для правоохоронних органів, а також прогнозне обслуговування інфраструктури в транспортній сфері, охороні здоров'я та міському плануванні. Лондон проводив пілотні програми прогнозування злочинності, які використовували машинне навчання на історичних даних про злочини для виявлення проблемних зон і перенаправлення патрулів – програму, яка також підняла питання про упередження, що часто зустрічаються в цій категорії. Міністерство внутрішніх справ США (DHS) застосовує моделі ШІ для аналізу соціальних мереж та звітів розвідки на предмет ознак загроз.

Наведено дві кейс-історії ‘до/після’ із реальними цифрами: місто, де пікове навантаження на дорогах зросло на 20%, запровадило систему оптимізації світлофорів на основі ШІ та скоротило затори на 15%, зменшивши середній час подорожі приблизно на 10 хвилин. Окремо, програма з виплати допомоги по безробіттю штату, де було 10% шахрайських заяв, застосувала класифікаційну модель, яка виявляла шахрайські заяви з точністю 92%, запобігаючи приблизно 5 мільйонам доларів виплат. Обидва випадки ілюструють закономірність: технологія відображає відому проблему (оптимізація часу світлофорів, виявлення аномалій у заявах) на існуючий клас алгоритмів, замість того, щоб винаходити щось нове.

Вартість та час отримання результатів

Обмежений доказ концепції – базовий модель виявлення шахрайства, побудована на існуючих наборах даних, коштує від 50 000 до 250 000 доларів США та зазвичай демонструє перші результати протягом 3-6 місяців. Більші розробки, що включають створення моделей на замовлення та інтеграцію з устарілими системами, такими як міська платформа управління дорожнім рухом або потік даних про прогнозування злочинності, коштують понад 1 мільйон доларів США і потребують від 12 до 24 місяців для виведення в експлуатацію, переважно через підготовку, валідацію та інтеграційні роботи, а не саму моделювання.

Постійні витрати додаються зверху: ліцензії на платформу/програмне забезпечення (від 10 000 до 100 000 доларів США на рік), консалтинг (від 50 000 до 200 000 доларів США за проєкт) та навчання персоналу (приблизно від 20 000 до 50 000 доларів США на співробітника). Приклад оптимізації трафіку, згаданий вище, оцінювався в 200% ROI після врахування заощаджень на пальному, зменшення викидів та підвищення продуктивності порівняно з початковою інвестицією – корисна перевірка на розумність для визначення перспективного бізнес-кейсу.

Де виникають проблеми

Три основні технічні причини збоїв повторюються в розгортаннях. Ізольовані бази даних: установи зберігають несумісні та відключені бази даних, що вимагає інтеграційних робіт ще до того, як модель може побачити об'єднані дані. Якість даних: відсутність значень, невідповідні формати та помилки введення погіршують результати моделі безпосередньо, тому оцінка даних передує вибору моделі в будь-якому компетентному розгортанні. Упередження алгоритмів: модель, навчена на історичних даних про поліцію або кредитування, успадковує будь-які дискримінаційні закономірності, що існують у цій історії, що є основною скаргою проти предиктивного поліцейського реагування.

Організаційно, повторювані перешкоди – це нестача внутрішніх фахівців з даних, опір працівників новим робочим процесам та регуляторне середовище, яке відстає – вимоги щодо відповідності GDPR ускладнюють використання яких саме даних і як їх використовувати. Використовуються реальні заходи: алгоритми, що враховують питання справедливості, та аудити упереджень на навчальних даних, методи пояснюваного ШІ (XAI), щоб можна було відстежити походження рішення від його вхідних даних, анонімізація та контроль доступу для забезпечення конфіденційності, а також постійний моніторинг після розгортання замість підходу «навчився один раз і забув».

Передбачуваний шлях розвитку

Вже відбуваються три ключові зміни, а не лише теоретичні роздуми. Генеративні ШІ/Великі мовні моделі (LLM) використовуються для складання звітів та комунікації з громадянами. Федеральне навчання тренує моделі на децентралізованих наборах даних без централізації необроблених даних, що дозволяє уникнути деяких заперечень щодо конфіденційності. Обчислення на краю (edge computing) переносить висновки на локальне обладнання – патрульний автомобіль, датчик розумного міста – зменшуючи затримку між подією та відповіддю системи. Квантові обчислення згадуються у всіх дорожніх картах, але залишаються спекулятивними для цієї сфери; наразі жодна з поточних розгортань не залежить від них.

Модель виявлення шахрайства при безробітті досягла 92% точності у виявленні шахрайських заяв, запобігаючи приблизним виплатам у розмірі 5 мільйонів доларів США протягом одного року.

Часті запитання

Спробуйте наживо

Усе, що вище, працює прямо у вашому браузері — відкрийте the simulation і змінюйте параметри під час роботи. Нічого не встановлюється, нічого не завантажується на сервер, уся модель живе в одній вкладці.