政府负责任地部署生成式人工智能的 5 个关键领域 – IBM 博客

2024年，持续的数字化进程将进一步提高政府计划的效率和政策的有效性，正如之前的报告所述 白皮书。推动数字化转型的两个关键要素是数据和人工智能 (AI)。人工智能在释放数据价值以及更深入地了解政府为服务公民而收集的大量信息方面发挥着关键作用。  

由于今年对生成人工智能的需求预计将增长，公共部门必须负责任地使用这项技术。只有这样，政府才能成为值得信赖的管家。 

生成式人工智能与传统人工智能的区别 

与传统人工智能相比，要了解生成人工智能带来的独特挑战，有助于了解它们的根本差异。传统人工智能主要依靠算法和大量标记数据集通过机器学习来训练模型。这些模型可以通过识别模式并遵守预定义的规则来提供建议或识别某些行为。例如，传统人工智能用于提高垃圾邮件过滤的效率，增强对消费者的电影或产品推荐，并使虚拟助理能够帮助个人寻找信息。 

生成式人工智能正在成为一种有价值的解决方案，用于自动化和改进日常管理和重复性任务。该技术擅长应用基础模型，这些模型是在大量未标记数据上进行训练并针对各种任务进行微调的大型神经网络。它可以有效地从大数据集中识别、总结、转换、预测和生成内容。在公共部门实施这项技术可以显着提高效率，使组织能够用很少的资源完成日常任务。 

生成式人工智能为加强政府运作的各个方面和改善为公民提供的服务提供了前所未有的机会。它可以为政府工作人员提供更强大的工具来回答问题和进行研究。合同撰写和管理等既耗时又关键的任务可能会从生成式人工智能的应用中受益匪浅。 

去年，美国国务院寻求有关将生成和自然语言处理人工智能引入其网络的挑战和安全考虑的反馈。六月份向国务院索取信息的要求显示，他们的目标是提高工作人员在与市场研究和合同撰写采购规划相关的重复性任务中的效率和准确性。经过机器学习训练的生成人工智能可能有助于根据这项研究起草新合同。 

负责任地实施生成式人工智能 

这种新兴人工智能技术卓越的生成能力引发了人们对其在公共部门负责任使用的质疑。例如，合同经理需要知道原始研究是否已忠实地转化为对两方或多方具有法律约束力的合同。  

公众最近主要通过使用预先存在的文本、图像、视频和音频来按需创建定制内容的工具来接触生成式人工智能。然而，其中一些模型的训练细节程度 可能还不够尤其是对于依赖公众信任的大型企业或高度监管的行业。  

为了开发负责任的人工智能，政府领导人必须谨慎 准备他们的内部数据 充分利用人工智能和生成式人工智能的潜力。制定负责任的标准是政府的一项重要职责，需要从一开始就整合责任，而不是事后才考虑。这包括维持人工监督，以帮助确保人工智能生成的内容的准确性并防止偏见等因素。 

政府中负责任的人工智能的关键支柱 

IBM 的 AI 开发围绕 5 个基本支柱，以帮助确保值得信赖的 AI。政府领导人在考虑负责任地开发、培训和部署人工智能时应优先考虑以下支柱：  

• 公平 人工智能系统中的“公平性”是指其公平对待个人或群体的能力，具体取决于人工智能系统的使用环境。这意味着反对偏见并防止与性别、种族、年龄和退伍军人身份等受保护特征相关的歧视。 
• 隐私政策 涉及人工智能系统优先考虑和保护消费者隐私和数据权利，同时遵守与数据收集、存储、访问和披露相关的现有法规的能力。  
• 可解释性 很重要，因为人工智能系统必须能够以不隐藏在技术术语背后的方式为其预测和见解提供人类可解释的解释。  
• 用户评论透明 意味着人工智能系统必须包含并共享有关其设计和开发方式以及用于为系统提供数据或数据源的信息。 
• 鲁棒性 是人工智能系统有效处理异常情况（例如输入异常）的能力。它有助于确保一致的输出。  

IBM Watsonx™是一个集成的人工智能、数据和治理平台，通过为跨各种环境的人工智能开发提供无缝、高效和负责任的方法来体现这些原则。更具体地说，最近推出 IBM® watsonx.governance™ 帮助公共部门团队自动化并解决这些领域的问题，使他们能够指导、管理和监控其组织的人工智能活动。该工具促进了清晰的流程，使组织能够主动检测和降低风险，同时支持其内部人工智能政策和行业标准的合规计划。  

随着公共部门继续采用人工智能和自动化来解决问题并提高效率，在任何人工智能解决方案中保持信任和透明度至关重要。团队应该有能力有效理解和管理人工智能生命周期。积极采用负责任的人工智能实践是我们所有人改进的机会。  

详细了解人工智能可以改变政府服务