banner large

Kebutuhan penting untuk pembelajaran mesin di sektor publik

Comment
X
Share

Kami sangat antusias untuk menghadirkan Transform 2022 kembali secara langsung pada 19 Juli dan 20 – 28 Juli secara virtual. Bergabunglah dengan AI dan pemimpin data untuk pembicaraan yang berwawasan luas dan peluang jaringan yang menarik. Daftar hari ini!


Banyaknya backlog dan penundaan di sektor publik meresahkan bagi industri yang dirancang untuk melayani konstituen. Membuat berita musim panas lalu adalah masa tunggu empat bulan untuk menerima paspor, naik secara substansial dari norma pra-pandemi waktu penyelesaian 6-8 minggu. Baru-baru ini, Internal Revenue Service (IRS) mengumumkan memasuki musim pajak 2022 dengan 15 kali lipat jumlah pengajuan backlog yang biasa, di samping rencananya untuk bergerak maju.

Jaminan simpanan yang sering dipublikasikan ini tidak ada karena kurangnya usaha. Sektor ini telah membuat kemajuan dengan kemajuan teknologi selama dekade terakhir. Namun, teknologi warisan dan proses yang ketinggalan zaman masih mengganggu beberapa departemen paling terkemuka di negara kita. Agensi saat ini harus mengadopsi upaya transformasi digital yang dirancang untuk mengurangi simpanan data, meningkatkan waktu respons warga, dan mendorong hasil agensi yang lebih baik.

Dengan merangkul solusi pembelajaran mesin (ML) dan menggabungkan kemajuan dalam pemrosesan bahasa alami (NLP), backlog dapat menjadi sesuatu dari masa lalu.

Bagaimana ML dan AI dapat menjembatani dunia fisik dan digital

Baik dokumen pajak atau aplikasi paspor, memproses barang secara manual membutuhkan waktu dan rentan terhadap kesalahan di sisi pengirim dan penerima. Misalnya, pengirim mungkin salah mencentang kotak yang salah atau penerima mungkin mengartikan angka “5” sebagai huruf “S.” Ini menciptakan penundaan pemrosesan yang tidak terduga atau, lebih buruk lagi, hasil yang tidak akurat.

Namun, mengelola dokumen pemerintah dan masalah backlog data yang semakin meningkat tidak sesederhana dan semudah mengunggah informasi ke sistem pemrosesan. Banyaknya dokumen dan informasi warga yang masuk ke lembaga dalam berbagai format dan status data tidak terstruktur, seringkali dengan keterbacaan yang buruk, membuat hampir mustahil untuk mengekstrak data secara andal dan efisien untuk pengambilan keputusan hilir.

Merangkul kecerdasan buatan (AI) dan pembelajaran mesin dalam operasi pemerintah sehari-hari, seperti yang telah dilakukan industri lain dalam beberapa tahun terakhir, dapat memberikan kecerdasan, kelincahan, dan keunggulan yang diperlukan untuk merampingkan proses dan memungkinkan otomatisasi ujung ke ujung dari proses yang berpusat pada dokumen.

Instansi pemerintah harus memahami bahwa perubahan nyata dan kesuksesan yang langgeng tidak akan datang dengan tambal sulam cepat yang dibangun di atas pengenalan karakter optik (OCR) warisan atau solusi otomatisasi alternatif, mengingat banyaknya data masuk.

Menjembatani dunia fisik dan digital dapat dicapai dengan pemrosesan dokumen cerdas (IDP), yang memanfaatkan model ML eksklusif dan kecerdasan manusia untuk mengklasifikasikan dan mengonversi format dokumen yang kompleks dan dapat dibaca manusia. PDF, gambar, email, dan formulir yang dipindai semuanya dapat diubah menjadi informasi terstruktur yang dapat dibaca mesin menggunakan IDP. Ia melakukannya dengan akurasi dan efisiensi yang lebih besar daripada alternatif lama atau pendekatan manual.

Dalam kasus IRS, dibanjiri jutaan dokumen seperti 1099 formulir dan W-2 individu, model ML dan IDP yang canggih dapat secara otomatis mengidentifikasi dokumen digital, mengekstrak teks yang dicetak dan tulisan tangan, dan menyusunnya menjadi format yang dapat dibaca mesin . Pendekatan otomatis ini mempercepat waktu pemrosesan, menggabungkan dukungan manusia jika diperlukan dan sangat efektif dan akurat.

Memajukan upaya ML dengan NLP

Bersamaan dengan otomatisasi dan IDP, memperkenalkan teknologi ML dan NLP dapat secara signifikan mendukung upaya sektor ini untuk meningkatkan proses dan mengurangi backlog. NLP adalah bidang ilmu komputer yang memproses dan memahami teks dan kata-kata yang diucapkan seperti yang dilakukan manusia, yang secara tradisional didasarkan pada linguistik komputasi, statistik, dan ilmu data.

Bidang ini telah mengalami kemajuan yang signifikan, seperti pengenalan model bahasa kompleks yang berisi lebih dari 100 miliar parameter. Model-model ini dapat mendukung banyak tugas pemrosesan teks yang kompleks, seperti klasifikasi, pengenalan suara, dan terjemahan mesin. Kemajuan ini dapat mendukung ekstraksi data yang lebih besar di dunia yang dikuasai oleh dokumen.

Ke depan, NLP berada di jalur untuk mencapai tingkat kemampuan pemahaman teks yang serupa dengan pekerja pengetahuan manusia, berkat kemajuan teknologi yang didorong oleh pembelajaran mendalam. Kemajuan serupa dalam pembelajaran mendalam juga memungkinkan komputer untuk memahami dan memproses konten lain yang dapat dibaca manusia seperti gambar.

Khusus untuk sektor publik, ini bisa berupa gambar yang disertakan dalam klaim disabilitas atau formulir atau aplikasi lain yang lebih dari sekadar teks. Kemajuan ini juga dapat meningkatkan tahap hilir proses sektor publik, seperti pengambilan keputusan yang didukung ML untuk lembaga yang menentukan bantuan pengangguran, asuransi Medicaid, dan layanan pemerintah lainnya yang tak ternilai.

Kegagalan untuk memodernisasi bukan lagi pilihan

Meskipun kami telah melihat beberapa peningkatan transformasi digital yang menjanjikan, seruan untuk perubahan sistemik belum sepenuhnya dijawab.

Memastikan lembaga melampaui patching dan berinvestasi dalam berbagai sistem warisan diperlukan untuk bergerak maju hari ini. Patchwork dan investasi dalam proses usang gagal mendukung kasus penggunaan baru, rentan terhadap perubahan, dan tidak dapat menangani lonjakan volume yang tidak terduga. Alih-alih, memperkenalkan solusi fleksibel yang dapat mengambil dokumen yang paling rumit dan sulit dibaca dari input hingga hasil seharusnya tidak perlu dipikirkan lagi.

Mengapa? Warga negara berhak mendapatkan lebih banyak dari lembaga yang melayani mereka.

CF Su adalah Wakil Presiden pembelajaran mesin di Hyperscience.

DataDecisionMakers

Selamat datang di komunitas VentureBeat!

DataDecisionMakers adalah tempat para ahli, termasuk orang-orang teknis yang melakukan pekerjaan data, dapat berbagi wawasan dan inovasi terkait data.

Jika Anda ingin membaca tentang ide-ide mutakhir dan informasi terkini, praktik terbaik, dan masa depan teknologi data dan data, bergabunglah dengan kami di DataDecisionMakers.

Anda bahkan mungkin mempertimbangkan untuk menyumbangkan artikel Anda sendiri!

Baca Lebih Lanjut Dari DataDecisionMakers

Leave a Reply

Your email address will not be published. Required fields are marked *