A necessidade imperativa de aprendizado de máquina no setor público

O grande número de atrasos e atrasos no setor público é inquietante para um setor projetado para atender aos eleitores. Virar notícia no verão passado foi o quatro meses período de espera para receber passaportes, substancialmente acima da norma pré-pandemia de 6-8 semanas de pace de resposta. Mais recentemente, o Interior Income Provider (IRS) anunciou que entrou na temporada fiscal de 2022 com 15 vezes a quantidade same old de atrasos de arquivamento, juntamente com seu plano para avançar.

Esses backlogs frequentemente divulgados não existem devido à falta de esforço. O setor avançou com os avanços tecnológicos na última década. No entanto, a tecnologia herdada e os processos desatualizados ainda atormentam alguns dos departamentos mais importantes do nosso país. As agências de hoje devem adotar esforços de transformação virtual projetados para reduzir o acúmulo de dados, melhorar os tempos de resposta dos cidadãos e gerar melhores resultados das agências.

Ao adotar soluções de aprendizado de máquina (ML) e incorporar avanços no processamento de linguagem herbal (NLP), as pendências podem ser coisa do passado.

Como ML e IA podem unir os mundos físico e virtual

Sejam documentos fiscais ou pedidos de passaporte, o processamento guide de itens leva pace e está sujeito a erros nos lados de envio e recebimento. Por exemplo, um remetente pode marcar erroneamente uma caixa incorreta ou o destinatário pode interpretar o número “5” como a letra “S”. Isso cria atrasos de processamento imprevistos ou, pior, resultados imprecisos.

Mas gerenciar o crescente problema do acúmulo de documentos e dados do governo não é tão simples e limpo quanto o add de informações para sistemas de processamento. O grande número de documentos e informações dos cidadãos que entram nas agências em vários formatos e estados de dados não estruturados, muitas vezes com baixa legibilidade, tornam quase impossível extrair dados de forma confiável e eficiente para a tomada de decisões.

Adotar a inteligência synthetic (IA) e o aprendizado de máquina nas operações diárias do governo, assim como outros setores fizeram nos últimos anos, pode fornecer a inteligência, a agilidade e a vantagem necessárias para otimizar processos e permitir a automação de ponta a ponta de processos centrados em documentos.

As agências governamentais devem entender que a mudança actual e o sucesso duradouro não virão com colchas de retalhos rápidas construídas sobre reconhecimento óptico de caracteres (OCR) herdado ou soluções de automação alternativas, dada a grande quantidade de dados de entrada.

A ponte entre os mundos físico e virtual pode ser alcançada com o processamento inteligente de documentos (IDP), que aproveita modelos de ML proprietários e inteligência humana para classificar e converter formatos de documentos complexos e legíveis por humanos. PDFs, imagens, e-mails e formulários digitalizados podem ser convertidos em informações estruturadas e legíveis por máquina usando o IDP. Ele faz isso com maior precisão e eficiência do que alternativas legadas ou abordagens manuais.

No caso do IRS, inundado com milhões de documentos, como formulários 1099 e W-2s de indivíduos, modelos sofisticados de ML e IDP podem identificar automaticamente o documento digitalizado, extrair texto impresso e manuscrito e estruturá-lo em um formato legível por máquina . Essa abordagem automatizada acelera os tempos de processamento, incorpora suporte humano quando necessário e é altamente eficaz e precisa.

Avançando os esforços de ML com PNL

Juntamente com a automação e o IDP, a introdução de tecnologias de ML e NLP pode apoiar significativamente a busca do setor para melhorar os processos e reduzir os atrasos. A PNL é uma área da ciência da computação que processa e entende texto e palavras faladas como os humanos, tradicionalmente fundamentada em linguística computacional, estatística e ciência de dados.

O campo experimentou avanços significativos, como a introdução de modelos de linguagem complexos que contêm mais de 100 bilhões de parâmetros. Esses modelos podem impulsionar muitas tarefas complexas de processamento de texto, como classificação, reconhecimento de fala e tradução automática. Esses avanços podem suportar uma extração de dados ainda maior em um mundo invadido por documentos.

Olhando para o futuro, a PNL está a caminho de atingir o nível de capacidade de compreensão de texto semelhante ao de um trabalhador do conhecimento humano, graças aos avanços tecnológicos impulsionados pelo aprendizado profundo. Avanços semelhantes no aprendizado profundo também permitem que o computador entenda e processe outros conteúdos legíveis por humanos, como imagens.

Para o setor público especificamente, podem ser imagens incluídas em pedidos de invalidez ou outros formulários ou aplicativos que consistem em mais do que apenas texto. Esses avanços também podem melhorar os estágios posteriores dos processos do setor público, como a tomada de decisões com ML para agências que determinam assistência ao desemprego, seguro Medicaid e outros serviços governamentais inestimáveis.

Não modernizar não é mais uma opção

Embora tenhamos visto um punhado de melhorias promissoras na transformação virtual, o apelo por mudanças sistêmicas ainda não foi totalmente respondido.

Garantir que as agências vão além da correção e do investimento em vários sistemas legados é necessário para avançar hoje. Patchwork e investimentos em processos desatualizados não suportam novos casos de uso, são frágeis para mudanças e não conseguem lidar com picos inesperados de quantity. Em vez disso, a introdução de uma solução flexível que pode levar os documentos mais complexos e difíceis de ler da entrada ao resultado deve ser um acéfalo.

Por quê? Os cidadãos merecem mais das agências que os atendem.

CF Su é vice-presidente de aprendizado de máquina da Hyperscience.