1 人工智能有助于反思公共部门的工作吗？
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。
2 人工智能如何改善政府部门的工作
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。
· 机器人自动化
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
· 认知洞察：更好的预测能力
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
· 认知参与：回答公民的疑问
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。
