美国劳工部：应用AI和自动化技术，释放数据价值-AI-php.cn

美国劳工部：应用AI和自动化技术，释放数据价值

政府里充斥着数据。为了洞察这些数据更好地为公民服务，各机构正在应用自动化、RPA（机器人流程自动化）、ML（机器学习）和AI（人工智能）等技术，以更好地管理数据、改进方法和工作流程。这些机构正在制定独特的方法，在其数据丰富的环境中使用新兴技术，DOL（美国劳工部）就是其中的一员。

美国劳工部的首席技术官Sanjay Koyani和他的团队正在努力地整合负责任的AI、RPA和聊天机器人等各种创新技术，并计划在劳工部创建一个企业级数据平台。在即将于2022年9月15日举行的一个“政府中的AI”活动中，Sanjay将探讨该部门的AI、自动化和数据之旅，需要做些什么来探索文化变革的考虑因素，以及如何最好地识别问题和客户需求，然后制定解决方案真正确定并解决这些问题。

在接受Forbes的预览采访时，Sanjay分享了劳工部如何在数据丰富的环境中应用AI和ML，在公共部门采用变革性技术所面临的一些挑战，以及美国劳工部如何看待值得信赖和负责任的AI。

你在利用数据和AI方面采用了哪些创新方法来帮助劳工部（DOL）？

Sanjay Koyani：所有的IT现代化计划都致力于实现我们在联邦IT解决方案中最优的目标，这支持了我们劳工部的使命，即增强为美国公众提供的服务并提供更好的客户服务以支持更加数字化的职场。

一年多之前，我们在技术、创新和工程（TIE）部门内创立了一个新的分支机构，它专门研究新兴技术，为劳工部未来的技术创建以人为本的设计方法。我们推出并正在努力在全企业范围内扩展的第一项新兴技术能力围绕着自动化的使用——机器人流程自动化（RPA）。在过去的一年中，我们已经推出了五个RPA机器人——这些软件应用程序被用于自动执行基于规则的重复性行政任务——并且正在试运行另外六个RPA。目前，我们正在开发几个供将来使用的RPA，并在整个劳工部的所有部门中探索更多的机会。总体目标是让员工将他们的能力聚焦在关键任务工作上，而不是基于行政的任务上，并为机器学习和人工智能等其他先进技术奠定基础。

在TIE中，我们也在探索如何更负责任地使用AI作为服务来提高绩效并增加价值。我们正在进行多个AI试点，我们正在云端进行创新，通过使用本地AI支持功能来评估程序需求，如语音到文本、文本到语音、翻译服务，以及提取文本和结构化文档以便更快做出决策的表格识别服务。与此同时，我们也开始探索以合乎道德和负责任的方式设计和评估人工智能的做法，以便我们能够更有信心地扩展它。

为了推动我们的AI和自动化工作，我们的团队还通过创建Enterprise Data Platform（企业数据平台）来增强我们的分析能力，以创新方式支持基于数据的决策。数据是AI和机器学习的基础，因此我们正在投资数据管理和分析工具。使用配备给此计划的Technology Modernization Funding（现代化资金），劳工部可以增强数据管理和高级分析能力，加强跨部门的数据共享和分享，并更快更好地做出决策。我们还可以推动《Executive Order on Worker Empowerment（工人赋权行政命令）》的要素，为调查人员和政策团队提供更好的情报、让工作更安全的高质量和及时的工人保护数据。

你是从哪些领域开始数据和认知技术项目的？

Sanjay Koyani：我们已经开始通过我们的创新孵化器来识别项目，这有助于评估概念证明——展示风险并根据现有工具对其进行评估。这让我们能够扩展我们当前的试点计划，看看它们是否可以解决其他问题并探索创新的解决方案。

我们最近使用的另一种策略是组织范围内的Bot-a-Thon，它帮助通知员工使用机器人，并了解它们可以如何帮助员工完成诸如报告、填写表格或研究等行政任务。结果涉及到21财年开始开发的九个不同的机器人流程，五个已经投入使用的机器人节省了数千小时的工作时间。

在数据和人工智能方面，公共部门有哪些独特的机会？

Sanjay Koyani：我们的知名度更高，对政府现代化IT重要性以及IT如何影响多项政府服务的关注也更多。本届总统政府已经将包括数据和AI在内的IT现代化作为优先事项。国会通过《联邦IT采购改革法案》（FITARA）继续关注IT工作，该法案让机构的CIO控制IT投资，并在七个关键 IT 领域对机构进行评级。网络安全漏洞也让人们重新关注AI能够如何帮助公共部门减轻威胁并更快地应对各种潜在风险。

你可以分享哪些成功应用AI的用例？

Sanjay Koyani：我们根据以客户为中心的设计，为劳工部的就业和培训管理局（ETA）开发了一个新的用户启发网站，并通过纳入AI增强了客户体验。因此，AI帮助改善了Apprenticeship.gov 上的候选人获得/机会匹配。

另一个例子是我们使用AI支持的表格识别服务来加快受益人确定的速度。我们的团队评估了AI支持云技术能够如何辅助索赔审查员评估福利表格的准确性和欺诈行为，以便更快地做出决定。使用现有的云技术，我们训练AI模型从多个索赔表格中提取并组织数据，以便审查员更快地得到综合信息。在此之前，审查员们要花费大量时间人工整理并比较表格，而不是完全专注于受益人支持和更快的决策。

你能分享一些公共部门在AI和ML方面面临的挑战吗？

Sanjay Koyani：我会谈到一些挑战。一是数据管理，这是劳工部的一大重点。虽然拥有大量数据是件好事，但你需要知道有哪些信息可用并且知道它们的使用方式。要想正确地使用AI和ML，你需要了解存在哪些数据，对其进行分类，并让机构利益相关方就劳工部如何使用数据进行更快、更好的决策保持一致。这需要对我们的数据战略进行持续教育和投资。

以人为本的设计也是AI/ML的关键。因此，你必须确保与所有相关的利益相关方进行沟通，以了解流程以及他们会如何使用该技术。这是决定AI/ML是否能解决问题的重要时刻。并非所有问题都可以通过技术解决。

另一个关键挑战是文化接受度。文化变革可能很困难，因此请务必展示工作方面的好处、如何负责任地使用新技术以及如何在整个机构内使用新技术。

归根结底，对于劳工部来说，全部门范围的可扩展性是长期目标。因此，我们正在考虑文化和技术方面的因素，评估有效性，然后在我们成功的基础上再接再厉。

你如何解决围绕人工智能的隐私、信任和安全问题？

Sanjay Koyani：我们正在使用Responsible AI Framework来确保以值得信赖的方式使用AI。劳工部正在就此与非营利性从业者和政府主题专家合作，以终结AI算法开发中的偏见，并帮助我们驾驭创造安全AI的复杂环境。

此外，我们目前已经制定了多项政策和程序来帮助解决安全问题。其中包括健全的治理政策和从一开始就考虑了安全性的整体战略。

在《Executive Order on Responsible AI》（负责任人工智能的行政命令）中，OSTP（白宫科技政策办公室）概述了负责任地实施AI系统的10项原则。此外，在考虑使用AI系统时，隐私是一个重要的考虑因素。我们不仅希望确保我们没有引入偏见，而且我们还希望确保那些信息包含在数据中的人的隐私得到保护。我们在这方面遵守联邦法规并采用了专门的隐私评估。

你是如何培养人工智能技术人才的？

Sanjay Koyani：我们正在构建企业架构和IT治理流程，以支持所有新兴技术解决方案的使用。这将有助于确保工具的一致性，以支持机构的业务需求和标准化流程。我们培养AI技术人才的另一种方式是通过教育、培训和聘用主题专家。例如，我们最近让一位总统创新研究员（PIF）评估我们的值得信赖的AI试点用例，这些用例支持政府关于促进在联邦政府中使用值得信赖的人工智能的行政命令。我们的PIF让我们能够与机构专家合作设计并测试新模型，以评估我们如何以更负责任的方式设计、开发和部署AI，这有助于提高透明度，让人们对AI扩展充满信心。