人工智能造福公众：未来一片光明

本文主要是介绍人工智能造福公众：未来一片光明，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

作者：来自 Elastic Peter Dutton

我们如何衡量人工智能对政府的影响？毫无疑问，人工智能将为运营流程和决策带来的好处已被广泛讨论 —— 从自动化工作流程到节省成本再到减少重复工作。

但对于以服务公众为目标的组织来说，人工智能的这些好处不仅限于业务指标，例如效率或收入增长。相反，人工智能带来的潜在效率和成本节约可以开辟空间和资源，用于提供有意义的公共服务，改善全球人民的生活质量。这听起来可能过于简单和理想化 —— 但它已经发生了。

例如，在英国，政府组建了一个以人工智能为重点的团队，迅速开发试点项目，以改善直接影响纳税人和公民的服务。这些举措包括减少药店的欺诈和错误、有效地将庇护申请人从酒店转移，以及构建一个工具来总结对政府咨询的回应。这些计划除了改善英国公民的整体健康和福祉外，还可能为纳税人节省数十亿美元。

在美国，政府问责局 (Government Accountability Office - GAO) 估计联邦政府机构正在实施或计划实施的 AI 用例超过 1,200 个，从改善客户支持到增强福利计划再到分析天气灾害。在英国，政府机构正在实施的 AI 用例有 74 个。

自动化后，影响空间更大

由于公共部门组织通常资源和人员更加紧张，人工智能可以提供大量机会来自动化繁琐的任务，并让员工有时间专注于更具战略性和影响力的计划。区域研究通过以下估计支持了这一想法：

在英国，据估计，人工智能可以轻松实现 84% 的面向公民的交易自动化，每年有可能节省 2000 亿英镑。
在美国，预计到 2033 年，公共部门将从生成人工智能中获得 5190 亿美元的生产力收益。
在澳大利亚，生成人工智能每年有可能为澳大利亚经济增加 450 至 1150 亿美元，主要是通过提高生产力。

负责任且合乎道德的人工智能走在前列

Elastic 最近对全球生成式人工智能实施的一项研究发现，99% 的受访者认识到生成式人工智能可以对其组织产生的积极影响。与此同时，89% 的受访者表示，他们对生成式人工智能的使用正在放缓。在英国，国家审计署 (National Audit Office - NAO) 调查的政府机构中，只有 37% 积极使用人工智能。

减缓全球生成式人工智能实施的因素

如上图所示，阻碍快速实施 AI 的最常见因素是对隐私和安全的担忧。公共部门官员有责任保证敏感数据得到保护，并确保他们的团队不会将专有数据直接输入公开的生成式 AI 应用程序中。政府官员和其他公共部门领导人在无法保证数据隐私和负责任使用的情况下，一直犹豫不决是否要实施生成式 AI。

除了安全和隐私问题外，缺乏现代数据和 IT 战略也减缓了公共部门采用 AI 的速度。英国 NAO 的报告发现，“高质量数据的获取受限是实施 AI 的障碍，中央政府的支持对于解决这一问题至关重要。” 建立强大的数据基础和现代化遗留系统需要时间和协调一致的行动，这进一步挑战了 AI 的采用。

克服人工智能实施障碍

为了加快人工智能的采用并帮助公民尽早看到人工智能的积极影响，政府机构可以采取一些切实可行的措施。

虽然政府机构对重新配置其基础数据策略的前景感到畏惧，但有一些技术平台可以让组织从已有的数据中获得更多实用性和洞察力 —— 无论其位置或格式如何 —— 而无需移动或复制它。这种 “数据网格 - data mesh” 方法可以作为一个统一的数据层，帮助组织最有效地将自己的数据与生成式人工智能集成。

此外，许多公共部门组织发现使用检索增强生成 (retrieval augmented generation - RAG) 工作流程将其专有数据与生成式人工智能应用程序连接起来是有益的。这使他们能够安全地获得生成式人工智能技术的好处，而不会损害敏感数据的隐私。它本质上充当一个 “上下文层”，只将最相关的数据发送到生成式人工智能应用程序。

在私有数据和公共生成 AI 之间实现此上下文层时，向量数据库是成功的关键决定因素。向量数据库可以规范化和简化数据，以便你可以快速搜索数据，无论其格式如何。由于向量数据库将信息存储为向量或数据的数字表示，因此更容易在传统上不兼容的格式（例如文本、图像、传感器数据等）中查找和关联数据。能够从所有数据中快速找到所需内容，然后你可以将正确的、上下文丰富的信息发送到生成 AI 应用程序，从而提高 AI 输出的准确性和相关性。

成功案例：一所大学如何利用生成式人工智能增加学生获得经济援助的机会

作为公共部门的长期合作伙伴，Elastic 正在与世界各地的许多政府、医疗保健和教育组织合作，将生成式人工智能安全地实施到他们的技术环境中。生成式人工智能在公共利益方面的用例多种多样，但这里只是其中一个例子，展示了它的实际应用。

想象一下，你是一名申请大学的高中生。你的家人支持你，但没有经济能力支付你的学费。你听说过一些同学获得了经济援助计划和奖学金，但你不知道从哪里开始。你有哪些机会？你如何申请？资金可用于哪些学校？

一所大学着手通过生成式人工智能的力量帮助潜在学生回答这些问题。佐治亚州立大学是一所公立大学，为美国佐治亚州 50,000 多名学生提供服务，被评为美国第二大创新型大学。

该团队在大学建立了生成式人工智能的概念验证，以助学金用例为试点。这是 GenAI 的理想用例，因为有来自多个来源和格式的大量不同的、公开的助学金资源。所有这些数据都被输入到 Elastic 中并转换为向量（数值），这样就可以对其进行语义搜索（或使用用户的自然语言而不是通过特定关键字）。

财务援助流程可能很复杂，因为学生需要了解自己是否有资格获得奖学金和助学金。需要帮助但找不到资金的学生可能不太可能完成大学学业。

- Jaroslav Klc，佐治亚州立大学 IT 战略计划和发展总监

这本身对学生来说是一种福利，但该团队更进一步，建立了一个检索增强生成 (retrieval augmented generation - RAG) 工作流程，通过大学自己的专有数据为公开的财务援助数据添加关键背景。这些数据为生成式 AI 模型提供了背景信息，并为 GenAI 模型提供了有关如何将这些信息纳入输出的附带说明。当学生访问大学的财务仪表板时，他们会看到反映他们当前状态的个性化内容，以及与他们的状态相关的外部财务援助资源的信息或警报。

公共部门 AI 实施注意事项

采取隐私优先的方法。毋庸置疑，公共部门组织负责的数据通常高度敏感，并受到监管审查。使用像 Elastic 这样的平台（具有基于角色的访问控制）可以在组织自己的数据和公开的 LLM 之间提供安全的桥梁。Elastic 作为向量数据库的强大功能在此过程中至关重要，因为它允许以数值形式搜索和分析数据，同时删除私人信息。
确保你的数据基础是健康的。生成式 AI 输出的质量完全取决于你提供的数据。确保你有办法查看整个数据环境，无论数据格式和位置如何。这样，当 RAG 工作流搜索你的组织数据以查找相关上下文时，它将拥有一组准确、全面的数据可供参考。
对传统 IT 进行现代化改造，以实现统一的数据和可见性。由于预算有限且技术工具脱节，许多政府机构发现自己正在拼凑无法相互交流或无法提供环境统一视图的传统工具和系统。当机构开始使用生成式 AI 时，这种情况就会出现问题，因为 AI 将基于不完整、孤立和过时的数据生成输出。
通过避免微调来节省成本。尽管 AI 有望节省公共部门的时间和预算，但在幕后，自己微调大型语言模型 (LLM) 可能需要付出很多努力，因为这项工作永远无法完成。总会有更多数据需要添加。但是，当你使用 RAG 时，生成式 AI 模型将始终从你最新的相关数据中提取数据。

详细了解 Elastic 针对公共部门的 AI方法。

原文：AI for the public good: The future is bright | Elastic Blog

这篇关于人工智能造福公众：未来一片光明的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！