重磅推荐丨@@德勤报告@@：人@@工智能@@@@如何增强政府@@治理@@@@

几十年@@来@@，人@@工智能@@@@（AI）研究人@@员一直试图让计算机执行一系列曾被认为是为人@@类保留的任务@@。近@@年@@来@@，这项技术已经从@@科幻小说成为现实@@：人@@工智能@@@@程序可以玩游戏@@、识别面孔和@@语音@@，能学习并做出明智的决定@@。也许就如人@@工智能@@@@的惊人@@发展一样@@，其背后的认知技术已经对许多人@@的生活和@@工作产生了实实在@@在@@的影响@@。以人@@工智能@@@@为基础的科技包括@@：机器学习能力@@、计算机视觉@@、语音识别@@、自@@然语言处理@@、和@@机器人@@@@技术@@；它们很强大@@，可以升级@@，并且以幂的速度在@@提高@@。开发人@@员正在@@从@@无人@@驾驶汽车到@@集群无人@@机@@，从@@“智能@@”机器人@@@@到@@精确的语音翻译等一切事物上运用人@@工智能@@@@解决方案@@。

公共部门正在@@寻求和@@发现应用来改善服务@@；事实上@@，认知技术最终可能会彻底改变政府@@运作的方方面面@@。例如@@，美国国土安全部公民和@@移民服务局创造了一个能够对人@@类语言作出准确@@反应的虚拟助手@@EMMA。EMMA仅仅使用其智慧就能给出相关问题的答案@@，目前每月几乎有五十万个问题@@。虚拟助手从@@它自@@己的经验中学习@@，回答的问题越多越聪明@@。用户反馈告诉@@EMMA哪些答案有帮助@@，在@@一个叫做@@“监督式学习@@”的过程中@@，它磨炼了掌握数据@@的能力@@。虽然@@EMMA是一个相对简单的应用程序@@，但开发人@@员在@@考虑更大的问题@@：如今@@的认知技术可以同时@@追踪近@@@@2000架飞机的航线@@、速度和@@目的地@@，从@@而使他们能够安全飞行@@。

随着时间的推移@@，人@@工智能@@@@将在@@@@公共部门产生巨大变化@@，将改变政府@@员工如何完成工作的方式@@。这可能会淘汰一些工作@@，导致无数人@@再设计并创造出全新的职业@@。我们的分析表明@@，在@@短期内政府@@不太可能大量裁员@@。但是@@，认知技术将会改变许多工作的性质@@——无论做什么@@，还是工作人@@员如何去做@@，许多工作人@@员都可以腾出四分之一的时间@@@@，集中精力从@@事其他活动@@。

如今@@，典型的政府@@工作人@@员在@@@@“一篮子@@”的任务中分配他的工作@@。通过将工作分解为单个活动@@,并分析每个活动对自@@动化的影响程度@@，我们可以预测能腾出或者取消的劳动时间@@。我们分析发现@@，通过自@@动化计算机执行的常规@@任务@@，每年@@可以节省数百万个工作时间@@（共约@@43亿次@@@@）。在@@低端范围@@，我们估计@@，自@@动化可以每年@@节省@@9,670万个小时@@，能节省@@33亿美元@@;在@@高端范围@@，每年@@可节省的时间@@增加到@@@@@@12亿小时@@，每年@@可能节省@@@@411亿美元@@（见图@@1）。想要深入了解我们的数据@@分析可以在@@这里找到@@@@。

 来源@@：Deloitte University Press 

认知技术已经对政府@@工作产生了深远的影响@@，对未来也带来了更大的影响@@。基于人@@工智能@@@@的应用可能减少积压@@@@，降低成本@@，克服资源限制@@@@，帮助工人@@从@@平淡无奇的任务中解放@@，提高预测的准确@@性@@，将智能@@投入到@@成千上万的流程和@@系统中@@，并处理人@@类靠自@@己无法轻易做到@@的许多其他任务@@，如预测欺诈交易@@。过面部识别识别犯罪嫌疑人@@@@，并实时筛选数百万个文档以获得相关性最大的内容@@。

通过业务改进来同时@@提高速度@@，提升质量和@@降低成本@@@@，这是很不寻常的@@，但是@@认知技术提供了一种撩拨人@@心的可能性@@。

人@@工智能@@@@向政府@@提供了关于如何完成工作的新选择@@，一些工作完全自@@动化@@，一些由人@@工和@@机器共同完成@@，还有一些由人@@工员执行@@，但由机器来加强@@。在@@这项研究中@@，我们为政府@@领导人@@提供了寻求理解这一新兴景观的路线图@@。我们将描述关键的认知技术@@，为政府@@展示其潜力@@，概述一些有前景的选择@@，并说明政府@@领导人@@如何确定近@@期最佳机会@@。

如果你在@@政府@@机构或联邦政府@@@@、州政府@@或当地政府@@花费了大量时间@@，你可能会听到@@一些常见的抱怨@@：

·“我们没有足够的人@@手@@”

·“在@@这方面我们必须浏览很多判例法@@”

·“文书工作正在@@破坏我们的生产力@@”

·“我们不知道@@，因为我们无法追踪这样的事件@@和@@事故@@”

这些正是认知技术可以解决的问题@@。

我们描述的技术可以分为三大类@@：机器人@@@@和@@认知自@@动化@@，认知洞察@@力和@@认知参与@@@@。

机器人@@@@技术和@@认知自@@动化@@：将人@@类劳动转化为附加值高的工作@@

机器人@@@@和@@认知自@@动化@@允许机器复制人@@类的行为和@@判断@@（参见插图@@），让人@@们从@@手工作业中解放出来@@，以便完成需要人@@类独有的能力才能完成的工作@@。例如@@，我们可以通过自@@动手写识别技术实现自@@动录入数据@@@@，用规划优化算法处理日程安排@@，并使用语音识别@@@@、自@@然语言处理@@和@@问答技术来向客户提供服务@@。这些功能可能会解决政府@@的三个常见难题@@：资源限制@@，文书工作负担和@@积压的工作@@。

虽然@@不是认知技术本身@@，但机器人@@@@自@@动化@@@@（RPA）对政府@@来说是近@@期很好的机会@@。机器人@@@@自@@动化@@涉及通常称为@@“机器人@@@@”的软件@@@@，可以自@@动执行你通常自@@行执行的各种任务@@，模拟完成各种数字任务所需的步骤@@—— 如填写表单或采购订单@@，从@@一个电子表格中剪切和@@粘贴信息到@@另一个子表格@@,准确@@/快速地访问多个数据@@库@@。在@@没有重新设计基本过程的情况下@@，机器人@@@@实现显著的生产力增长是相对容易的@@。机器人@@@@自@@动化@@最适合重复的@@、可预测的@@、耗时的过程@@，如发票处理和@@理赔等@@（见图@@2）。

来源@@：Deloitte University Press

1、打破自@@然资源限制@@@@

认知自@@动化可以以前看起来不切实际的规模@@、速度和@@体积执行任务@@。这不仅允许资源再分配@@，还可以优化劳动力@@：将资源和@@任务匹配@@。例如@@，在@@法律案件@@的搜索@@阶段@@，电子文档通过搜索@@功能找到@@了@@95%的相关文件@@@@，相比之下@@，在@@它们所耗费的一小部分时间内人@@类平均只找到@@了@@50%。这项技术使律师能够筛选出大得多的文件@@转储@@。同样@@，在@@医学上@@，让机器人@@@@做手术旨在@@让医生进行更多@@的手术@@。

佐治亚州政府@@透明度和@@竞选财务委员会每月处理约@@4万页竞选资金披露@@，其中许多是手写的@@。在@@评估其他替代方案后@@，该委员会选择了一种将手写识别软件@@与人@@工审核相结合的解决方案以跟上工作量@@，同时@@确保质量@@。

从@@脸谱网的帖子到@@传感器读数@@，21世纪的人@@类只会为人@@类提供太多数据@@@@，让人@@们在@@没有帮助的情况下理解@@。这也正是人@@工智能@@@@的用武之地@@。例如@@，美国国家航空航天局的@@Sensorweb是一个低分辨率@@、高覆盖率的传感器网络@@ （覆盖空间@@@@，陆地和@@空中@@），可以通过高分辨率仪器触发近@@距离的观测@@。它提供了一种解决高分辨率成像资源限制@@的方法@@，允许用户精确定位和@@记录火山和@@其他冰冻圈事件@@@@（暴风雪@@，湖泊冻结等@@）的即时图像@@。它还可以使用诸如@@谷歌地球这样的开源工具来创建重要数据@@的可视化@@。该项目的目标是生成智能@@和@@可互操作的传感器环境@@，像网站一样可以轻松访问@@。

自@@动化还可以缓解许多政府@@面临的一些人@@员问题@@ - 最显着的是招聘年@@轻@@、技术精湛的工人@@来替代老化的婴儿潮一代的劳动力@@。

2、削减文书工作负担@@

在@@2017年@@，正如@@1917年@@，政府@@雇员花费大量的时间@@在@@文书工作上@@。最近@@对州和@@地方官员进行的调查显示@@，由于文书工作负担过重@@，53％的工作人@@员一周在@@@@35至@@40小时内完成工作有难度@@。

科罗拉多州最近@@的儿童福利县工作量@@（ Child Welfare County ）研究强调了这个问题@@。科罗拉多的公共事业部@@2014年@@花了四周对@@54个县的@@1300名儿童福利工作者进行了@@研究@@，记录了他们在@@不同活动上花费的时间@@@@。该部门发现个案工作者在@@文件@@和@@行政管理方面花费了@@37.5％的时间@@，而与儿童及其家属的实际接触的时间@@只有@@9％。

在@@联邦层面上@@，我们的研究表明@@，仅文件@@编制和@@记录信息@@，每年@@的工作时间就消耗了五十亿@@，单薪水这一项就要花@@160多亿美元@@@@。购和@@处理信息消耗了@@2.8亿个小时@@，每年@@额外花费联邦政府@@@@150亿美元@@。

自@@动化可以让一线员工大大减少他们在@@管理任务上花费的时间@@@@，使他们有更多@@的时间@@进行以任务为中心的工作@@。

3、减少积压@@

积压和@@长久的等待时间让公民和@@政府@@雇员都感到@@沮丧@@。自@@2009以来@@，医疗保险上诉判决的平均等待时间从@@三个月上升至@@两年@@@@。社会保障局预计在@@@@2016财政年@@度结束@@前将会有一百万多个未判决案件@@@@，预计大约第三的总劳动力@@，近@@22000名雇员@@，将在@@@@2022年@@退休@@，使得这个问题更加严重@@。

在@@美国专利商标局@@，2015年@@10月专利申请积压量达@@558091件@@。专利延误可能会严重阻碍企业@@，尤其是初创企业@@; 一项机构研究得出结论@@，每年@@延迟审核最终获得批准的第一个专利申请会将五年@@内的公司的就业和@@销售增长分别减少@@21％和@@28％。

认知技术可以筛选大量数据@@积压并采取适当行动@@，把困难的问题留给专家@@。机器人@@@@自@@动化@@与人@@的互动少@@，反过来可以通过大规模执行完整的端到@@端的业务流程减少积压@@@@（见图@@3）。

 来源@@：Deloitte University Press

复杂的模式@@，如保险市场活动@@，恐怖威胁级别@@，或熟悉的例子如棒球人@@才这些很难发现@@。认知应用@@，如使用神经网络的异常检测系统@@，可以深入了解上下文并识别数据@@中的相关模式@@。在@@某些情况下@@，根据其设计@@，某些应用程序可以向决策者解释为什么某种模式是至@@关重要的@@; 有些甚至@@可以自@@己决定下一步做什么@@（见图@@4）。

1、实时追踪@@

嵌入传感器和@@摄像头的智能@@技术使机构能够实时跟踪和@@报告重要信息@@。接到@@路灯的相机可以跟踪交通和@@行人@@活动@@，并决定何时让每个灯变暗或变亮@@。连接到@@@@“智能@@停车场@@”应用程序中的路灯内置传感器可以告知公民可用的停车位@@，甚至@@在@@停车位满时提醒他们@@。

人@@工智能@@@@技术的实时跟踪和@@报告还可以实现疾病监测@@，体现其潜在@@的救生能力@@ 。美国疾病控制和@@预防中心利用人@@工智能@@@@工具对脊髓灰质炎病毒追踪和@@报告过程进行了@@精简@@，将病毒类型分类@@，并将疾病报告分成相关的集群@@。

 来源@@：Deloitte University Press

机器学习和@@自@@然语言处理@@可以发现问题的类型并对问题做出有效反应@@; 它们可以发现公共卫生危机中最脆弱的群体@@，或追溯食源性疾病的起源@@。（以下插图说明了这种预测能力是如何工作的@@，以及如何帮助提高资源配置@@。）

按照这些方法@@，美国陆军医疗部正在@@开发可穿戴式生理监护仪@@，使用机器学习算法来衡量伤口潜在@@的严重程度@@，协助医师确定治疗或疏散的优先次@@序@@。

同时@@，能源部新的自@@学天气和@@可再生能源预测技术@@SMT，在@@太阳能预测中比以前的技术准确@@了@@30％。  

提高其预测精度@@，系统使用机器学习@@，信息来自@@多个传感器网络@@、从@@天空照相机衍生的云运动物理学和@@卫星观测@@。

2、利用人@@工智能@@@@打击食物中毒@@

南内华达州卫生区@@（SNHD）负责克拉克县的公共卫生事务@@。2014年@@，SNHD对近@@@@16,000个场所随机检查@@，进行了@@35,855次@@食品检验@@。为了提高其有效性@@，卫生部已转向人@@工智能@@@@应用程序@@（见图@@5）。

该部门使用从@@推特得来的数据@@@@：应用程序采用地理标记和@@自@@然语言处理@@来识别推特用户的食物中毒@@，并标记他们去过的餐馆@@，生成调查餐馆列表@@。

在@@拉斯维加斯进行的一项实验中@@，该市一半的食品检测是随机分配的@@，另一半使用了@@APP。三个月内@@，该系统每天平均自@@动扫描约@@3600名用户的约@@16000条推特@@。 这些推特中有一千条可以与特定的餐馆相连@@，每天大约有@@12条提到@@食物中毒@@。这用来创建一个高优先级的检查列表@@。

SNHD通过人@@引导机器学习和@@自@@动化语言模型分析推文@@。该机构聘请工作人@@员扫描推文样本@@，然后将@@8000条推文放入模型中@@，以检测哪些是可能对公共卫生产生危害的场所@@。这些基于机器学习的适应性检查显着优于随机检查@@：自@@适应检查发现了更多@@显着的缺点@@，平均检查@@9次@@和@@@@6次@@，结果显示在@@检查中@@15% 有引用@@，而随机抽取的只有@@9%有引用@@。如果每一次@@检查都是适应性的@@，那么每年@@会导致食物中毒事件@@减少@@9000，住院人@@数减少@@557人@@。

 来源@@：Deloitte University Press

美国陆军投入了数亿美元@@用于招聘演习@@，从@@大学生旅游团到@@购物中心的摊位@@。显然@@，选择是否加入服务业是一个改变人@@生的决定@@。然而@@，军队的职业选择并不简单@@：新兵必须考虑未来的专业@@、承诺期限和@@福待遇@@。

为了帮助潜在@@的新兵了解他们的选择@@，陆军网站的访问者会接触到@@@@SGT STAR，这是一个使用人@@工智能@@@@来回答问题的互动虚拟助理@@，它检查用户资质@@，并将其转交给人@@才招聘@@。 军发现@@，SGT STAR的招聘人@@数为@@55人@@，准确@@率达到@@@@94％以上@@，现场访客的参与时间从@@@@4.0增加到@@@@10.4分钟@@。截至@@@@2016年@@，虚拟助理已回答@@1600多万用户问题@@。

GT STAR使用机器学习识别数据@@模式@@，帮助它区分有用的答案与无用的答案@@。它回答的问题越多@@，学到@@的就越多@@，得到@@的结果也越好@@，   

诸如@@SGT STAR等聊天机器人@@@@也可以部署在@@内部@@，使人@@力资源@@、IT和@@采购流程自@@动化@@。北卡罗来纳州的创新中心@@（iCenter）正在@@测试聊天机器人@@@@@@，以帮助内部@@IT网络支持服务人@@员@@，让他们有时间去做更重要的任务@@。发现其@@IT网络支持服务人@@员@@收到@@的@@80％到@@90％的标签@@都是用于密码重置@@，这些这聊天机器人@@@@可以执行@@。机器人@@@@也可用于改善其他内部应用程序的服务@@; 共享服务提供了一个非常吸引人@@的案例@@。

参与式应用程序提供了各种福利@@（见图@@6）    

 来源@@：Deloitte University Press

为了充分利用这三类认知能力@@，以更综合的方式思考它们至@@关重要@@。  例如@@，如果使用认知自@@动化和@@参与来减轻工作人@@员基于规则@@，常规@@，重复和@@相对简单的任务@@，那么人@@类就有更多@@的时间@@专注于更复杂@@、附加值更高的任务@@。 帮助人@@们更有效@@、高效地执行这些困难的任务@@，这就是认知洞察@@力发挥作用的地方@@。因此@@，从@@组织的角度来看@@，经常考虑活动和@@决策的逻辑流程@@，如何在@@此流程的早期引入认知技术会影响之后执行的工作@@，以及新的认知技术通过自@@动化如何增加释放更多@@的劳动时间@@，这些是很有意义的@@。

友情提示@@：

关注@@国脉研究院@@官方微信@@：ethinktank，回复@@：AIGOV；获取@@《人@@工智能@@@@强化政府@@治理@@@@：利用认知技术重新设计公共服务@@》报告中文完整版@@。