Czytasz dzięki

Sztuczna inteligencja na usługach urzędników i obywateli

  • Materiał partnera
opublikowano: 22-09-2020, 00:00
aktualizacja: 22-09-2020, 13:17

Rozmowa z Patrykiem Chorosiem, Business Development Director w SAS Polska.

Raport IDC o roli sztucznej inteligencji (AI) w sektorze publicznym pokazuje, że ma ona duży potencjał zastosowań. W jakim zakresie już jest użytkowana w Polsce?

Zobacz więcej

Patryk Choroś, Business Development Director w SAS Polska

Raport „Jak AI zmienia sektor publiczny”, opracowany przez IDC we współpracy z SAS, identyfikuje korzyści z użycia AI w sektorze publicznym. Wynikają one z możliwości podejmowania decyzji na podstawie dogłębnej analizy danych. W sektorze publicznym przebiega wiele złożonych procesów, które często są realizowane na podstawie detalicznie określonych, skomplikowanych reguł. Analityka przynosi uproszczenie, zapewnia precyzję i umożliwia wskazanie konsekwencji podejmowanych decyzji. Przykładem jest typowanie podmiotów do kontroli w procesach wykrywania nadużyć. Ministerstwo Finansów z powodzeniem korzysta już z technik uczenia maszynowego do kontrolowania zobowiązań podatkowych i jest to przeprowadzane efektywnie, w sposób przyjazny dla podatnika. Działania te przynoszą obniżenie kosztów własnych i podniesienie satysfakcji urzędników – dzięki ograniczeniu liczby kontroli i wzroście ściągalności podatków. Beneficjentami są wszyscy, ponieważ zyskujemy na eliminacji nieuczciwych konkurentów i poprawie warunków na rynku.

Jakie inne obszary czekają na wdrożenie AI?

Sztuczna inteligencja pomaga budować przyjazne państwo – nie tyko w resorcie finansów, ale i w ochronie zdrowia – przez usprawnianie diagnostyki i wsparcie badań klinicznych. W 2019 r. Instytut Kardiologii zrealizował pilotażowy projekt, który dowiódł, że AI umożliwia trafne typowanie chorób współwystępujących u hospitalizowanych pacjentów. Taka podpowiedź jest dla lekarza bardzo istotna – umożliwia bardziej precyzyjnie planowanie leczenia i hospitalizacji pacjentów.

Każdy przypadek wdrożenia AI w sektorze publicznym ma logikę win-win – obie strony na tym zyskują, zarówno obywatele jak i pracownicy administracji. Dlatego dostrzegamy wiele możliwości zastosowania AI w dalszym uszczelnianiu finansów publicznych, w przeciwdziałaniu nadużyciom, w planowaniu i realizowaniu polityki społecznej, a także w rozwoju rolnictwa. W każdym z tych obszarów postępujemy w ślad za sprawdzonymi na Zachodzie wzorcami.

Za wyższym odsetkiem zastosowań AI w sektorze publicznym na Zachodzie stoją liderzy zmian i większa zasobność portfela. Jak znaleźć liderów cyfrowej zmiany w Polsce?

W Polsce sytuacja jest komfortowa i sprzyja wdrożeniom AI. Gromadzimy coraz więcej danych, zmieniamy procesy korzystając z zachodnich wzorców, unikamy długu technologicznego – tak zyskujemy zwinność i minimalizujemy nieefektywności. Jednak faktycznie brakuje nam liderów zmian. Pozyskanie talentów i zadbanie o ich rozwój to najtrudniejsze z zadań. Takie osoby są – pomagamy im budować kompetencje do pracy w zespołach, do planowania architektur i pilotaży. Największą pomocą są dla nich doświadczenia już zdobyte przez innych. Potrzebne jest też otwarcie się na różnorodność technologiczną. Dynamiczny rozwój AI znajduje wyraz w wielu rozwiązaniach komercyjnych i open source. Wybrana technologia powinna umożliwiać specjalistom korzystanie z narzędzi, które preferują. Z ich pomocą powinni szukać w danych odpowiedzi na swoje pytania. Umożliwi im to platforma analityczna. Taki wzorzec architektury promujemy w SAS. Zapewniamy analitykom równowagę między wyborem technologii, a kontrolą i operacjonalizacją wyników pracy. Dzięki temu powstaje środowisko, w którym łatwo wykreować potrzebne narzędzia i korzystać z już posiadanych. Umożliwiamy szybkie wdrożenie i monitorowanie funkcjonujących modeli, np. oceny prawdopodobieństwa nadużyć, automatycznej diagnostyki w ochronie zdrowia czy prognozowania zjawisk społecznych.

Jak w warunkach polskich wykorzystać doświadczenia z wdrożeń AI zrealizowanych na świecie?

Inspirująca jest odwaga w łączeniu danych i budowaniu szerokiego obrazu informacyjnego w każdej z dziedzin. W Wielkiej Brytanii DWP (Department for Work and Pensions) opracował platformę Genesis. Umożliwia ona tworzenie modeli mikro-symulacyjnych dla planowania i testowania scenariuszy zmian w wydatkach socjalnych. NHS (National Health Service) zbudowało bazę łączącą dane z całości systemu ochrony zdrowia. Dzięki temu tworzy nowe analizy – od modeli wspierania decyzji z obszaru ratownictwa medycznego, po strategiczne analizy potrzeb obywateli w zakresie opieki zdrowotnej. Efektem jest większa sprawność operacyjna i wsparcie dla planowania strategicznego.

Z raportu IDC wynika, że AI adresowana jest głównie do obszaru nadużyć i ściągalności danin publicznych. Tam najłatwiej zmierzyć zwrot z inwestycji. Kolejne w rankingu zastosowań AI są spersonalizowane usługi dla obywateli i wsparcie dla strategicznego planowania i optymalizacji. Wdrożenia w tych obszarach poprawiają postrzeganie państwa przez obywateli. Jeden z krajów środkowoeuropejskich pracuje nad udostępnieniem obywatelom możliwości weryfikowania przysługujących im świadczeń socjalnych na portalu administracji publicznej. Analityka uczy ich i podpowiada, z których programów pomocowych mogą skorzystać. To skuteczne narzędzie, które podnosi zaufanie do administracji publicznej i pomaga osobom potrzebującym. Takich inspiracji powinniśmy szukać.

Jakie znaczenie dla spożytkowania AI ma faza eksperymentowania?

Wdrożenie rozwiązań analitycznych rozpoczyna się od postawienia hipotezy. Nie znamy odpowiedzi na nie. Zaczynamy więc gromadzić dane opisujące badane zjawisko i analizować możliwość wyciągnięcia wniosków. Krok ten umożliwia postawienie nowych pytań i znalezienie nieznanych wniosków. Pozwala też odrzucić kierunki, które nie przyniosą korzyści.

Zwrot z inwestycji w analitykę zawsze jest bezpośrednio związany z dostępnością danych – im więcej danych, tym lepsze wnioski i pożytki. Jednakże eksperymentów nie należy prowadzić na szeroką skalę informacyjną. Warto za to identyfikować jednostkowe kwestie, dla których można zbudować całą ścieżkę – od danych, przez ich analizę do decyzji. Tak uruchomiona zmiana umożliwi kwantyfikowanie korzyści, a w kolejnym kroku podjęcie decyzji o wdrożeniu i włączaniu kolejnych obszarów.

Skuteczne eksperymentowanie może też wynikać ze współpracy z uczelniami. US Department of Agriculture (USDA ) zapoczątkował współpracę z jednym z amerykańskich uniwersytetów. Stworzono Center for Agribusiness Excellence – ośrodek w którym studenci i wykładowcy wykorzystują techniki eksploracji do analizy danych dotyczących ubezpieczenia upraw, w celu wykrywania oszustw. Dzisiaj Krajowy Urząd Statystyki Rolniczej, agencja USDA, wykorzystuje zaawansowaną analitykę także do agregacji i analizy krajowych danych dotyczących upraw oraz zwierząt hodowlanych. Urząd gromadzi dane, przetwarza je i opracowuje roczne raporty o stanie rolnictwa w USA. Dąży też do wykrywania anomalii w zbiorach danych, prezentuje ekonomiczne predykcje, które stają się podstawą do daleko idących decyzji rządowych i biznesowych.

Jakie bariery należy pokonać, by od zebrania danych i ich analizy dojść do uzyskania trafnych wniosków?

Wyzwań nie brakuje. Droga rozpoczyna się od danych, które trzeba przetwarzać zgodnie ze ściśle określonymi regułami. Wynikają stąd ograniczenia. Dane zbierane są w konkretnym ustawowym celu. Nie mogą więc być wykorzystywane szerzej, podlegają ochronie w kraju i w UE. Potrzebne są więc uzgodnienia, a nawet zmiany w przepisach. Najtrudniejsze są wdrożenia, które dotyczą danych z różnych resortów i instytucji.

Na etapie analizy danych problemem jest dostęp do potrzebnych kompetencji i kadr, do liderów zmiany wspieranych przez inżynierów danych, analityków i programistów o nietuzinkowych umiejętnościach. Z pomocą przychodzi tu biznes, uczelnie i jednostki naukowe. Jako SAS angażujemy się w budowanie kompetencji analitycznych. Wspieramy uczelnie w kształceniu Data Scientist. Szczególnie cenimy sobie współpracę z SGH, gdzie od lat realizowane są podyplomowe studia z analiz statystycznych i data mining w biznesie.

Konieczne też jest zdobycie zaufania obywateli do decyzji wspieranych przez AI. Stworzony model uczenia maszynowego, choć przynosi wysoką trafność predykcji, nie zawsze da się zapisać w postaci przejrzystych definicji. Znów potrzebny jest kompetentny specjalista. AI nie wydaje jeszcze diagnoz bez lekarza, a decyzje administracyjne nie zapadają bez urzędnika. AI pomaga za to działać sprawniej, w sposób bardziej zorientowany na obywatela.

© ℗
Rozpowszechnianie niniejszego artykułu możliwe jest tylko i wyłącznie zgodnie z postanowieniami „Regulaminu korzystania z artykułów prasowych” i po wcześniejszym uiszczeniu należności, zgodnie z cennikiem.

Podpis: Materiał partnera

Polecane