Інтелектуальні системи в міжнародній практиці публічного управління

Размещено на http://www.allbest.ru/

Інтелектуальні системи в міжнародній практиці публічного управління

Гасюк Ігор Леонідович доктор наук з державного управління, професор, заступник директора, науково-дослідний інститут публічного управління та права, м. Хмельницький

Баюк Микола Іванович, кандидат наук з державного управління, старший викладач кафедри публічного управління та адміністрування, Хмельницький університет управління та права імені Леоніда Юзькова, директор, Хмельницький регіональний центр підвищення кваліфікації, м. Хмельницький



Анотація

Реалізація концепції «нового публічного менеджменту», яка передбачає впровадження громадсько-мережевоїмоделі управління суспільством і у якій передбачено зменшення ролі держави та розширення участі громадян, можлива лише у разі ефективного впровадження технологій інтелектуальних систем. В статті розглянуто впровадження інноваційних підходів, а також вплив сучасних технологій на формування найкращих практик електронного публічного управління у різних соціально-економічних сферах. Ця стаття присвячена аналізу сучасних тенденцій модернізації системи публічного управління найбільш технологічно розвинутих країн у яких вже певною мірою сформована відповідна практика і накопичений достатній досвід для розробки нових механізмів електронного урядування. Як свідчить практика, переваг від використання технологій інтелектуальних систем набагато більше ніж проблем, які можуть бути породжені їх впровадженням. Це переконливо доведено успішним досвідом та позитивною статистикою зростання ефективності публічного управління від використання технологій інтелектуальних систем в різних країнах світу, таких як США, Канада, Іспанія, Японія, Англія та інші. У статті також розглянуті можливості інтелектуальних систем управління для вирішення різноманітних важливих соціально-економічних проблем: від соціального захисту і забезпечення правопорядку до прогнозування технічного стану споруд та транспортного парку «розумних міст». Наведено основні характеристики та класифіковано можливі загрози (шахрайство та кримінальні злочини) внаслідок використання технологій інтелектуальних систем для суспільства, а також основні принципи та етапи побудови інтегрованих інтелектуальних систем управління для реалізації концепції «розумне місто» в тому числі для систем реального часу. Розглянуті і підтверджені практикою можливості застосування інтелектуальних систем управління в різних сферах публічного сектору доводять їх високу ефективність.

Ключові слова: публічне управління, інтелектуальні системи.



Hasiuk Ihor Leonidovich Doctor of Science in Public Administration, Professor, Deputy Director, scientific-research institute for public management and law, Khmelnytsky електронне публічне управління інноваційний

Baiuk Mykola Ivanovich Candidate of Sciences in Public Administration, Senior Lecturer of the Department of Public Administration of the Leonid Yuzkov Khmelnytsky University of Management and Law, Director of the Khmelnytsky Regional Center for Advanced Training, Khmelnytsky,

INTELLIGENT SYSTEMS IN THE INTERNATIONAL PRACTICE OF PUBLIC ADMINISTRATION

Abstract. The implementation of the concept of "new public management", which envisages the introduction of a public network model of society management and which provides for a reduction in the role of the State and an increase in citizen participation, is possible only if intelligent systems technologies are effectively implemented. The article discusses the introduction of innovative approaches and the impact of modern technologies on the formation of best practices of e-public administration in various socio-economic spheres. This article is devoted to the analysis of current trends in the modernization of the public administration system of the most technologically advanced countries, which have already formed the relevant practice to a certain extent and have accumulated sufficient experience for the development of new e-government mechanisms. As practice shows, the benefits of using intelligent system technologies are much greater than the problems that may be caused by their implementation. This is convincingly proved by successful experience and positive statistics on the growth of public administration efficiency from the use of intelligent systems technologies in different countries of the world, such as the USA, Canada, Spain, Japan, England and others. The article also considers the possibilities of intelligent management systems for solving various important socio-economic problems: from social protection and law enforcement to forecasting the technical condition of buildings and the transport fleet of "smart cities". The main characteristics and possible threats (fraud and criminal offenses) resulting from the use of intelligent systems technologies for society are presented, as well as the basic principles and stages of building integrated intelligent control systems for the implementation of the "smart city" concept, including real-time systems. The possibilities of applying intelligent management systems in various areas of the public sector, which have been considered and confirmed by practice, prove their high efficiency.

Keywords: public administration, intelligent systems.



Постановка проблеми

Як свідчать практичні результати розвитку технологій інтелектуальних систем, вони спроможні забезпечити значне підвищення продуктивності в усіх сферах виробничої діяльності, оптимізувати та підвищити якість управлінських процесів. Незважаючи на деякі критичні зауваження щодо можливих загроз з боку «сильного» штучного інтелекту людству, які на нашу думку є абсолютно безпідставними на даному етапі розвитку цих технологій, їх впровадження є одним із найперспективніших шляхів реалізації концепції цифровізації процесів публічного управління і переходу до парадигми цифрового управління 4.0. Теоретизування та наукова полеміка із цього приводу не може зупинити поступальний розвиток і практичне застосування технологій інтелектуальних систем, адже саме практика є тим критерієм і мірилом успіху який визначає достовірність та істинність будь-якої наукової теорії. Тому з огляду значної актуальності даної теми, ми проаналізуємо успіхи та практичні досягнення із застосування технологій інтелектуальних систем у різних країнах світу щодо управління з їх допомогою відповідними сферами суспільного життя.

Аналіз останніх досліджень і публікацій

Попередній аналіз низки літературних джерел, зміст яких буде більш детально розглянутий нижче свідчить, що найбільш вагомих успіхів по впровадженню технологій інтелектуальних систем в практику публічного управління було досягнуто у наступних напрямах.

Інтелектуальні системи для послуг громадян: уряди використовують чат-боти та віртуальних помічників на основі технологій інтелектуальних систем, щоб надавати швидкі та персоналізовані відповіді на запити громадян. Наприклад, міська влада Амстердама використовує чат-бота на основі штучного інтелекту, щоб надавати інформацію про паркування, збір сміття та інші міські послуги.

Прогностична аналітика для запобігання злочинності: поліцейські департаменти використовують інтелектуальну аналітику на основі штучного інтелекту для виявлення гарячих точок злочинності та відповідного використання ресурсів. Наприклад, Департамент поліції Чикаго використовує систему прогнозування для виявлення територій, де ймовірно відбуваються злочини, що дозволяє поліцейським запобігати злочинам до того, як вони відбудуться.

Прийняття рішень на основі штучного інтелекту: уряди використовують алгоритми і технології інтелектуальних систем для аналізу великих обсягів даних і прийняття обґрунтованих рішень. Наприклад, Департамент у справах ветеранів Сполучених Штатів використовує інструмент на базі штучного інтелекту, щоб передбачити, які ветерани мають високий ризик самогубства, і надати їм своєчасну підтримку.

Виявлення та запобігання шахрайству:уряди використовують інтелектуальні системи для виявлення та запобігання шахрайству в різних сферах, таких як податки, охорона здоров'я та соціальне забезпечення. Наприклад, уряд Великобританії використовує інструменти інтелектуальних систем для виявлення шахрайських претензій щодо схем фінансової підтримки COVID-19.

Розумні міста: уряди використовують інтелектуальні системи, щоб зробити міста розумнішими та ефективнішими. Наприклад, міська влада Торонто використовує датчики на базі технологій інтелектуальних систем, щоб контролювати рух транспорту, виявляти вибоїни та керувати збиранням сміття.

Технології інтелектуальних систем для дотримання нормативних вимог: уряди використовують інтелектуальні системи для моніторингу та забезпечення дотримання правил у різних галузях. Наприклад, Управління з питань фінансової поведінки у Великобританії використовує інструменти інтелектуальних систем для моніторингу фінансових ринків і виявлення інсайдерської торгівлі.

Прогнозне технічне обслуговування: уряди використовують технології інтелектуальних систем, щоб передбачати, коли таке обладнання, як транспортні засоби та будівлі, потребує обслуговування, скорочуючи час простою та заощаджуючи витрати. Наприклад, міська влада Барселони використовує інтелектуальну систему для моніторингу стану громадських будівель і визначення пріоритетів технічного обслуговування.

Вважаємо за доцільне більш детально зупинитись на розгляді практичних прикладів застосування технологій інтелектуальних систем у вищенаведеній послідовності.

Метою статті є систематичний огляд найкращих міжнародних практик впровадження технологій інтелектуальних систем в публічному секторі управління.

Виклад основного матеріалу

Чат-бот місцевої влади в Амстердамі [15]- це програма, яка використовує технології інтелектуальних систем, щоб надавати інформацію та підтримку громадянам. Логіка використання чат-бота полягає в наступному:

^ Чат-бот доступний на сайті міської ради Амстердама [15] та в додатку

OIS.

^ Чат-бот може відповідати на запитання про різні послуги та процедури, такі як подача заявки на житло, отримання дозволу на паркування, реєстрація в муніципалітеті, виїзд за кордон громадян, інформувати про зони з найменшим викидом вихлопних газів з автомобілів, допомога та процедури переселенцям з України, освіта, пошуки роботи та доходи тощо.

^ Чат-бот також може надавати корисні посилання на інші ресурси або перенаправляти користувача до відповідного відділу чи спеціаліста.

ЃY Чат-бот використовує природну мову та навчається з кожної розмови, щоб покращувати свою здатність розуміти та задовольняти потреби користувачів.

^ Чат-бот може допомогти громадянам легко орієнтуватися на сайтах урядових порталів, надаючи їм прямі посилання надаючи їм допомогу у навігації по відповідним веб-ресурсам.

^ Чат-бот доступний 24/7, що означає, що громадяни можуть отримувати необхідну інформацію або задавати свої питання день і ніч.

^ Чат-бот пропонує миттєві відповіді. Це зменшує витрату часу громадян і відповідальних працівників.

Застосування чат-ботів в практиці публічного управління останнім часом набуває масового характеру. Центр цифрових урядових опитувань 2020 року [14], який збирав відповіді державних службовців у США, окремих штатах, містах та округах по всій країні, надав відчутні докази того, що ця технологія стає доволі популярною. Уряди використовували чат-ботів з метою автоматизації процесу надання громадянам необхідних відповідей на більш поширені запитання. Основна ідея полягає в тому, що чат-боти, які зазвичай використовують певну форму технологій інтелектуальних систем можуть обробляти загальні питання і залишати менш поширені або більш складні питання для відповіді персоналу.

Більшість урядових установ, які використовують ботів, сформували вичерпний перелік запитань, на які вони зобов'язані надавати відповіді. Чат- бот налаштований на розпізнавання таких запитань та генерації відповіді на них. Чат-боти здійснюють сортування питань, що надходять та здійснюють впорядкування запитів на такі, на запитання в яких можна легко відповісти та такі, відповідь на які мають надавати оператори. Це особливо було важливо під час пандемії, оскільки, як задокументовано багатьма постачальниками та урядами, люди звертаються до уряду набагато частіше, ніж зазвичай, за такими речами, як перевірка стану здоров'я, допомога по безробіттю та іншими видами допомоги. Наприклад, в окрузі Кінг, штат Вашингтон, чат-бот допоміг визначити, які люди, що викликають професійну медсестру, мають симптоми, схожі на симптоми коронавірусу, а які - ні. За оцінками округу, чат-бот заощадив 35% часу, який медсестри витрачали на спілкування з людьми без таких симптомів. А в штатах по всій країні чат-боти відіграли життєво важливу роль у розширенні можливостей людського персоналу відповідати на безперервні хвилі запитань від заявників програм допомоги по безробіттю. Наприклад, Техаська комісія з трудових ресурсів покладалася на чат-ботів, щоб відповідати на поширені запитання, що дозволило працівникам зосередитися на більш складних питаннях. У штаті Міннесота застосовують схожий підхід, покладаючись на чат-бота IBM Watson, який допомагає відповідати на загальні запити. Чат-бот штату Айова з'явився наприкінці 2018 року, і його можливості продовжують розширюватися в міру виникнення нових потреб. Нині ним користуються сімнадцять установ, а також громадськість. У травні 2020 року інструменти чат-бота штату в поєднанні з функцією живого чату заощадили приблизно 1700 годин робочого часу співробітників, які б витратили на вирішення тих самих запитів за допомогою традиційних інструментів. Чат-бот округу Кабаррус, штат Північна Кароліна, був інтегрований з технологією Laserfiche, щоб допомогти людям користуватися цифровими послугами. Чат-бот здатен отримувати інформацію з інших систем, щоб допомогти користувачеві. Департамент доходів штату Міссурі працював з Accenture над віртуальним агентом на ім'я DORA, який відповів на 100 000 запитань резидентів за перші три місяці з моменту свого дебюту в листопаді 2019 року. Метою агента було допомогти відповісти на запитання про податки, водійські права та транспортні засоби, хоча інструмент також виявився корисним у вирішенні питань, пов'язаних з пандемією та безробіттям. Оскільки цифрові послуги стали необхідністю для багатьох державних установ, які під час пандемії перейшли на дистанційну роботу, інструменти, що допомагають громадянам користуватися цифровими послугами, мають великий сенс [14].

Онлайн-послуги органів місцевого самоврядування Великої Британії - це величезні банки інформації [1]. Рада Ньюхема прагне максимально ефективно обслуговувати всіх жителів місцевої громади і для цього було створено і розгорнуто багатомовний чат-бот і чат-платформу, яка приймає запити, що надходять та відправляє відповіді автоматично перекладаючи їх на мову на якій поступив запит. Чат-бот «Newham Council» всього за півроку забезпечив надання 10491 відповіді на запити громадян, зекономив 84 години робочого часу персоналу, яка має еквівалент близько 40000 фунтів.

Чат-боти можуть допомагати мешканцям виконувати рутинні завдання, користуватися інструментами та програмами на веб-сайтах, у додатках і платформах для обміну повідомленнями практично без участі людини, це так зване самообслуговування через Інтернет. Уявіть собі сценарій, коли батьки використовують віртуального помічника, який допомагає їм подати заявку на місце в школі. Або пенсіонер, якому важко заповнювати онлайн-форми, використовує пристрій з голосовим управлінням, щоб сплатити комунальний податок. У найближчі роки самообслуговування стане ще більш цінним, оскільки населення продовжує зростати, а послуги місцевих органів влади користуються все більшим попитом. Штучний інтелект самообслуговування не тільки підвищує ефективність роботи працівників органів місцевого самоврядування, а й покращує користувацький досвід для пересічних громадян.

Найбільш відомими проектами є наступні: департамент внутрішньої безпеки, США: EMMA; уряд штату Міссісіпі чат-бот: MISSI; чат-бот уряду Сан-Франциско:PAIGE;чат-бот уряду Канзас-Сіті:OpenDataKC;

адміністрація загальних служб, США чат-бот місіс Landigem; чат-бот уряду міста Дубаї Rammas; чат-бот уряду Сінгапуру: Gov.sg; чат-бот уряду Австралії: Alex та багато інших.

За допомогою технологій інтелектуальних систем багато дослідників намагались здійснювати прогнозування скоєння злочинів. Як свідчить коротенький огляд літератури (SLR) ми маємо можливість узагальнити останні наукові доробки щодо прогнозування злочинів на основі машинного навчання, які в практичній реалізації дозволяють оптимізувати процес запобігання скоєнню злочинів у майбутньому [19]. Нейронні мережі можуть передбачати тип злочину, який скоєно або його місцезнаходження [26]. Технології інтелектуальних систем також можуть бути використані і стати інструментом для скоєння злочину (кіберзлочинність), наприклад, для створення підробленого контенту або для автоматизації атак [5], що в свою чергу створює нові виклики для безпеки громадян та творення правосуддя. Одним із яскравих прикладів успішного застосування технологій інтелектуальних систем в сфері охорони правопорядку є Департамент поліції міста Чикаго (США) [6]. Департамент поліції Чикаго наразі широко використовує програмне забезпечення із застосуванням алгоритмів інтелектуальних систем, яке за статистичними даними допомогло скоротити кількість стрілянини на вулицях на 39 відсотків у порівнянні за попередній рік і за перші 7 місяців 2017 року, а вбивства за цей період скоротились на 33 відсотка. Сутність алгоритму прогнозування полягає в тому, щоб передбачати, де і коли розміщувати офіцерів поліції на вулицях. Ця технологія отримала назву «HunchLab», і поєднує статистику злочинності з соціально- економічними даними, інформацією про погоду та місцеположенням бізнесу, щоб визначити місце, де можливе скоєння злочинів. Інші інструменти (такі як «Список стратегічних предметів» та «ShotSpotter») побудовані на аналізуванні зв'язку між бандами, історією затримання наркоторговців та даними територій на яких виявлено озброєних і небезпечних осіб. Як зазначають вчені розробники та громадські діячі, така організація діяльності поліцейської системи прогнозування може врятувати життя багатьом громадянам, особливо в умовах коли рівень злочинності є небезпечно високим [7].

Як зазначають дослідники [26] використання технологій інтелектуальних систем, зокрема нейронних мереж в криміналістиці зосереджені на прогнозуванні майбутніх так званих «гарячих криміногенних точок», яке здійснюється на основі аналізу великих масивів даних. Такий аналіз дозволяє об'єднати відповідну інформацію про злочин або серійні злочини чи злочинців, визначити рівень ймовірності рецидиву злочинів, встановити об'єкти і дані з місця злочину для застосування їх в слідчих діях. Нейронні мережі використовуються для виявлення кіберзлочинної діяльності, дослідженні нормативно-правової бази, окремих законів і рішень. Алгоритми інтелектуальних систем дозволяють автоматично ідентифікувати складні і зазвичай нелінійні зв'язки між злочинами та геопросторовими і часовими факторами цих злочинів, які виходять за рамки традиційних параметричних статистичних підходів. Ці зв'язки надалі створюють вельми дієві системи, які можуть прогнозувати тип злочину або категорію злочину, а також ймовірне місце скоєння злочину. Єдиними даними, що використовуються для таких систем є загальний тип злочину, час доби, день тижня, місце події. Як правило, первинні дані, які надаються системі для навчання, надходять із поліцейських відділків/правоохоронних органів. Ці набори даних містять різноманітні змінні: тип злочину, кримінальну справу, жертву, злочинця дату, час, погоду, місце злочину, рейтинг району тощо. Прогнозування злочинності може допомогти правоохоронним органам, урядам і департаментам поліції в усьому світі покращити криміногенну ситуацію у їхніх громадах [19].

Важливою з огляду даної теми, є результати досліджень, які висвітлюють іншу сторону медалі, а саме коли технології інтелектуальних систем використовуються для скоєння різноманітних злочинів. Як встановлено в дослідженнях [5] такі злочини з точки зору їх небезпечності для суспільства можна поділити на наступні групи: високий рівень небезпеки - аудіо або відео імітація; безпілотні автомобілі, літаки, плавзасоби як зброя; індивідуальний фішинг (фішинг - це атака «соціальної інженерії», метою якої є збір конфіденційної інформації або встановлення шкідливого програмного забезпечення через цифрове повідомлення, яке нібито надходить від довіреної сторони, наприклад банк користувача); порушення або втручання в роботу систем, керованих штучним інтелектом; масштабний шантаж (традиціинии шантаж передбачає вимагання під загрозою викриття доказів злочину або правопорушення, або особистої інформації, а штучний інтелект може використовуватися для цього в набагато більших масштабах); фейкові новини, створені штучним інтелектом. Середній рівень небезпеки - військові роботи; «зміїна олія» (продаж шахрайських (неіснуючих) послуг під виглядом респектабельних і довірених учасників ринку, існує безліч сумнозвісних історичних прикладів шахраїв, які продавали дорогі технологічні «досягнення» великим організаціям, включаючи національні уряди і військових); спотворення даних (навмисне внесення не достовірних відомостей в банки даних, які використовуються для навчання моделей штучного інтелекту); кібератаки на основі машинного навчання; автономні ударні безпілотники; онлайн булінг, спотворення особистісних даних в фінансових та державних установах тощо; шахрайство з розпізнаванням облич, підробка фото, аутентифікації тощо; «бомбардування ринку» (маніпулювання фінансовими або фондовими ринками за допомогою цілеспрямованих, ймовірно, високочастотних моделей торгів, з метою нанесення шкоди конкурентам або економіці щоб завдати шкоди конкурентам, валютам або економічній системи в цілому (а не безпосередньо для отримання прибутку від торгівлі, хоча це також може бути побічним ефектом). Низький рівень небезпеки - використання рекомендацій (наприклад, створення неіснуючих рекомендації на YouTube, щоб спрямувати глядачів на пропаганду, або рейтинги Google, щоб підвищити продажі низькосортних продуктів, послуг або створити репутаційні ризики для конкурентів, продуктів); боти-злодії; створення систем, які дозволяють не розпізнавати діючий і налаштований штучний інтелект для порушення закону; фейкові відгуки, створені за допомогою штучного інтелекту; переслідування за допомогою штучного інтелекту (використання інтелектуальних систем для моніторингу місцезнаходження та активності особи через соціальні мережі або через дані персонального пристрою (телефон), дії пов'язані з примусовими стосунками, домашнім насильством, «газлайтингом» тощо, тотального відслідковування приватного життя громадян, особливо в суспільствах із тоталітарним режимом, створення різноманітних рейтингів «соціального статусу» тощо); фальсифікація (створення фейкового контенту, такого як мистецтво або музика, який може бути проданий під фальшивим приводом щодо його авторства. Ця загроза була оцінена як найменша з усіх розглянутих як з точки зору шкоди, так і з точки зору ймовірності успіху).

Надзвичайно важливим є наступна сфера застосування технологій інтелектуальних систем, а саме в сфері охорони здоров'я бувших військовослужбовців, що особливо є актуальним для країн, армії яких ведуть бойові дії. Наприклад, Департамент у справах ветеранів Сполучених Штатів використовує інструмент на базі штучного інтелекту, щоб передбачити, які ветерани мають високий ризик самогубства, і надати їм своєчасну підтримку [12]. Цей інструмент називається REACH VET (Recovery Engagement and Coordination for Health - Veterans Enhanced Treatment) і він аналізує дані з електронних медичних записів ветеранів, щоб виявити ознаки психологічних травм, депресії, зловживання алкоголем або наркотиками, хронічних захворювань та інших факторів ризику. Інструмент повідомляє лікарям про ветеранів, які потребують особливої уваги, і допомагає їм розробити план догляду та попередження [16, 17]. REACH VET був запущений у 2017 році і за даними Департаменту у справах ветеранів, він допомагає знизити кількість смертей серед ветеранів на одинадцять відсотків щорічно [12]. Водночас, як зазначають дослідники цей інструмент не є бездоганним і має свої обмеження. Наприклад, він не може передбачити всіх можливих ситуацій психологічної кризи, не може гарантувати, що ветерани отримають необхідну допомогу, і не може запобігти доступу до смертельних засобів [2, 25]. Тому Департамент у справах ветеранів також працює над покращенням процедур моніторингу і догляду за ветеранами, забезпеченні прозорих процедур доступу ветеранів до зброї і ліків, надання вчасної психологічної підтримки та соціальної інтеграції ветеранів у суспільство та адаптації до мирного життя [12].

Як визначено в офіційних джерелах самогубства серед військовослужбовців, ветеранів та членів їхніх родин у США - це криза не тільки у сфері громадського здоров'я, але й суттєва небезпека для національної безпеки сполучених штатів. Як зазначають урядовці, занадто багато ветеранів та військовослужбовців США загинули від власних рук, переважна більшість з них - від вогнепальної зброї. З 2010 року і до теперішнього часу понад 65 000 ветеранів покінчили життя самогубством - це більше, ніж загальна кількість загиблих у боях під час війни у В'єтнамі та операцій в Іраку і Афганістані разом узятих. В цьому зв'язку інструмент прогнозування суїцидальних станів у ветеранів дозволяє їм запобігти, якщо людина в кризі не має вільного доступу до засобів для само ушкодження. Стратегія визначає шляхи обмеження в часі і просторі людини, яка знаходиться в кризовій ситуації, її доступу до летальних засобів, включаючи вогнепальну зброю і медикаменти. Це включатиме розробку та запуск кампанії з підвищення рівня безпеки зберігання вогнепальної зброї та медикаментів, а також превентивного вжиття медичними працівниками заходів з планування безпеки ветеранів. Також, ця стратегія включає заходи щодо покращення кризової допомоги та подальшої підтримки, лікування та реабілітації, розширення доступу до психіатричної допомоги та лікування посттравматичних стресових розладів шляхом зменшення оплати, підвищення конфіденційності, уточнення стандартів до виконання службових обов'язків, підвищення соціальних стандартів ветеранів: фінансова допомога, надання соціального житла, харчування тощо [12].

Уряди використовують інтелектуальні системи для виявлення та запобігання шахрайству в різних сферах, таких як податки, охорона здоров'я та соціальне забезпечення, оскільки це допомагає підвищити ефективність, прозорість та довіру до публічного управління.

Наприклад, уряд Великобританії використовує інструменти інтелектуальних систем для виявлення шахрайських претензій щодо схем фінансової підтримки COVID-19. Це включає застосування алгоритму ризику, який аналізує дані про заявників та їх банківські рахунки, щоб виявити незвичайну активність або несумісну інформацію. Також використовуються технології машинного навчання, які здатні до навчання із використанням попереднього досвіду та знаходити складні шаблони шахрайства. Це дозволяє автоматично перевіряти багато заявок без потреби в ручному їх перегляді [23]. Іншим прикладом є застосування інтелектуальних систем для виявлення шахрайства в охороні здоров'я. Виявлення може охоплювати аналіз тексту, який перетворює неструктуровану медичну документацію в структуровану форму, що полегшує порівняння та перевірку. Також можуть застосовуватися методи кластеризації, які групують подібні дані про пацієнтів, лікарського персоналу та послуги, щоб виявити аномалії або розбіжності. Це дозволяє попереджати потенційне шахрайство перед тим, як будуть сплачені рахунки [9].

В останні роки Європейська мережа з протидії шахрайству та корупції у сфері охорони здоров'я (EHFCN) стала піонером у розробці типології для розмежування помилок, зловживань, шахрайства та корупції в секторі охорони здоров'я. Не будучи вичерпними, можна виділити наступні види шахрайства: стягнення плати за надмірно дороге лікування; нарахування за ненадані послуги; надання непотрібних послуг; стягнення індивідуальних платежів за державні послуги; шахрайські контракти та практики закупівель [9].

Як зазначено у аналітичному звіті «Виявлення шахрайства: GovTech та виявлення шахрайства в державному управлінні» [13] наразі пропонується і активно використовується понад 50 методів виявлення шахрайства, а саме сфері закупівель та внутрішнього аудиту, дотримання антикорупційного законодавства та багатьох інших. Бізнес-контент готовий до використання і є відправною точкою для розробки додаткового контенту. Стандартні сценарії та методи виявлення шахрайства зведені за наступними блоками: порушення у бухгалтерських документах; порушення у протоколах вихідних платежів; порушення щодо змісту відомостей про постачальників та контрагентів; підставні та одноразові (фіктивні) постачальники; порушення в замовленнях на закупівлю та пропозиціях на продаж; порушення у даних про постачальників та транзакціях; порушення у витратах на відрядження; контент для внутрішнього аудиту та антикорупційного комплаєнсу.

Розумні міста - це міста, які використовують інтелектуальні системи, щоб покращити якість життя населення, ефективність та сталість своїх послуг та інфраструктури. Інтелектуальні системи в контексті концепції «розумне місто» це технології, які здатні аналізувати дані, навчатися з них та приймати розумні рішення, щодо управління міської інфраструктурою: управління енергетикою, водопостачанням, транспортом, збиранням і вивозом сміття, безпекою та громадським здоров'ям. Наприклад, міська влада Торонто (Канада) використовує датчики на базі технологій інтелектуальних систем, щоб контролювати рух транспорту, виявляти вибоїни на дорогах та керувати збиранням сміття [10]. Це допомагає зменшити затори, забруднення та витрати на обслуговування доріг. Також влада Торонто співпрацює з компанією Sidewalk Labs для створення Quayside - інноваційного району, який буде використовувати інтелектуальні системи для покращення житлових умов, екології та соціальної взаємодії [3]. Щоб організувати розумні міста, урядам потрібно не лише впроваджувати інтелектуальні системи, а й забезпечувати етичне та відповідальне управління ними. Це означає, що урядам потрібно дотримуватися принципів прозорості, залучення, захисту та регулювання при використанні інтелектуальних систем [22]. Наприклад, урядам потрібно інформувати громадян про мету та функціонування інтелектуальних систем, залучати їх до процесу прийняття рішень, захищати їх права на приватність та безпеку даних та регулювати використання інтелектуальних систем у відповідності до законодавства.

Розвиток проекту «розумні міста» здійснюється у відповідності до розробленої країнами учасниками дорожньої карти, яка ґрунтується на п'яти основних принципах: справедливість, інклюзивність та соціальний вплив; конфіденційність та прозорість; безпека та стійкість; операційна та фінансова стабільність [3]. Місто Какогава, одне з піонерських міст Японії, є гарним прикладом того, як лідерство та координація діяльності громадян можуть підвищити прозорість та підзвітність влади. У 2017 році місто прийняло постанову про встановлення 1 475 камер «mimamori cameras» - тобто камер, які «спостерігають за кимось з турботою і співчуттям», в рамках боротьби з високим рівнем вуличної злочинності. Система «mimamori» дозволяє відслідковувати пересування мешканців, які носять Bluetooth-мітки з низьким енергоспоживанням, що дало змогу батькам і членам сімей отримувати повідомлення через захищений додаток про місцезнаходження дитини або літніх родичів. У місті було проведено десятки загальних зборів, на яких міський голова особисто пояснював мету політики та відповідав на запитання.

Громадян запевнили, що існуватимуть чіткі обмеження на те, що може робити мережа камер і куди йтимуть дані. В результаті понад 90% громадян вітали і підтримували ці зусилля, а рівень злочинності в Какогаві вперше впав нижче середнього по префектурі [3].

Очікується, що до 2025 року інтелектуальні системи забезпечать використання понад 30% додатків для розумних міст, серед яких провідним є рішення підвищення міської мобільності. Це суттєво сприятиме підвищенню стійкості, сталості, соціального добробуту та життєздатності міського життя. Застосування технологій інтелектуальних систем для створення розумних міст можна класифікувати за наступними сімома напрямками:

^ Управління розвитком міста: міське планування, індивідуальне надання субсидій, запобігання та ліквідація наслідків стихійних лих;

/ Поліпшення умов життя, безпеки та охорони здоров'я: «розумна» поліція, персоналізована охорона здоров'я, боротьба з шумом і неприємними відчуттями, а також поліпшення кібербезпеки;

/ Культура, освіта та участь громадян в житті міста: освітні ресурси, курси, соціальні платформи тощо;

^ Економіка розвитку: ефективність використання ресурсів (витрат і часу), підвищення конкурентоспроможності завдяки спільному використанню послуг, оптимізація міської логістики поставок і комерційних рішень, орієнтованих на потреби клієнтів;

^ Розвиток міської мобільності та логістики: автономна та стійка мобільність, інтелектуальна допомога при прокладанні маршрутів та паркуванні, стійкість ланцюгів поставок та управління дорожнім рухом;

^ Розвиток міської інфраструктури:оптимізоване розгортання,

використання та обслуговування інфраструктури, включаючи управління відходами та водними ресурсами, транспортом, енергетичними мережами та міським освітленням;

^ Збереження навколишнього середовища: збереження біорізноманіття, розвиток міського сільського господарства та управління якістю повітря [10].

Наступнимважливим напрямомвикористання технологій

інтелектуальних систем є контроль за дотриманням нормативних вимог та законів у різних сферах суспільного життя. Яскравим прикладом є практика Управління з питань фінансової поведінки у Великобританії, яке використовує інструменти інтелектуальних систем для моніторингу фінансових ринків і виявлення інсайдерської торгівлі. Управління з питань фінансової поведінки у Великобританії (FCA) співпрацює з Банком Англії (BoE) в рамках проекту застосування технологій інтелектуальних систем в межах публічно-приватного форуму (AIPPF) [11], який був запущений в 2020 році з метою поширення діалогу про інновації в галузі штучного інтелекту між секторами держави та бізнесу. Форум обговорював потенційні переваги та ризики, пов'язані з використанням штучного інтелекту в фінансових послугах, а також можливі способи покращення практики та принципів для підтримки безпечного застосування цих технологій. Форум опублікував свій остаточний звіт у лютому 2022 року. FCA також використовує дані аналітики та штучний інтелект [21] для покращення своєї регуляторної діяльності, зокрема для аналізу великих обсягів даних, отриманих в рамках програми Market Abuse Regulation (MAR), яка спрямована на запобігання та виявлення зловживань на ринку. FCA також застосовує машинне навчання для автоматизації процесу перевірки даних про фондовий ринок, що надходять в рамках програми MiFID II, яка регулює інвестиційну діяльність. FCA прагне стати провідним регулятором щодо впровадження технологій інтелектуальних систем [8], який ефективно використовує технології інтелектуальних систем для підтримки своєї місії захисту споживачів, забезпечення цілісності ринків i сприяння конкуренції. Для цього FCA розробляє свою стратегію управління даними, покращує свою ІТ-інфраструктуру, навчає своїх співробітників нових навичок та сприяє культурі інновацій.

І

наостанок, коротко розглянемо можливості технологій інтелектуальних систем в прогнозуванні технічного стану інженерних систем. Прогнозне технічне обслуговування - це процес, який використовує дані з сенсорів, аналітику даних та штучний інтелект, щоб передбачати, коли обладнання потребує ремонту або заміни, щоб запобігти відмовам та збільшити продуктивність. Прогнозне технічне обслуговування може застосовуватися до різних видів обладнання, таких як транспортні засоби, будівлі, машини, літаки тощо. Одним із прикладів застосування прогнозного технічного обслуговування є проект «Sentilo», який було запущено у Барселоні у 2013 році. Це відкрита платформа для збору, аналізу та обміну даними з розумних сенсорів, розміщених по всьому місту. За допомогою цих даних муніципалітет може моніторити стан громадських будинків, таких як школи, бібліотеки, спортивні центри тощо, і визначати пріоритети технічного обслуговування. Наприклад, система може виявляти проблеми з електрикою, опаленням, вентиляцією або водопостачанням і сповіщати відповідальних осіб про необхідність ремонту [24]. Механізм організації роботи прогнозного технічного обслуговування може складатися з наступних етапів [4]:

ЃY Збирання даних: сенсори на обладнанні передають дані про його стан і функціонування до хмарної платформи через Інтернет речей (ІР).

^ Аналіз даних: алгоритми штучного інтелекту аналізують дані з сенсорів і порівнюють їх з історичними даними, моделями поведінки та нормативами.

^ Прогнозування: на основі аналізу даних система генерує прогнози про ймовірну тривалість роботи обладнання, ризик виникнення несправностей та оптимальний час для проведення технологічного обслуговування.

^ Прийняття рішень: система надає рекомендації щодо планування технологічного обслуговування, виділення ресурсів, запасних частин та персоналу.

^ Виконання: технологічне обслуговування проводиться за планом, а результати фіксуються в системі для подальшого аналізу та навчання.

Лідером по розробці відповідних технологій залишається компанія Microsoft із хмарним продуктом «Azure», який надає сервіси для прогнозного технічного обслуговування, такі як Azure IoT Hub, Azure Machine Learning або Azure Stream Analytics і допомагають компаніям покращити свою ефективність та конкурентоспроможність [18].



Висновки

Таким чином, проведений аналітичний огляд практики застосування технологій інтелектуальних систем в публічному управлінні дозволяє констатувати наявність надзвичайно широкого спектру можливостей та предметних сфер їх використання: від управління фінансами до соціального захисту та охорони здоров'я громадян. Таке широке різноманіття сфер та функцій публічного управління в яких успішно застосовуються технології інтелектуальних систем обумовлено в першу чергу наявними досягненнями в сфері машинного навчання, програмного та апаратного забезпечення, розвитком і удосконаленням математичних алгоритмів, генерації нового покоління спеціалістів в сфері науки про великі дані. Слід відзначити, що впровадження передових технологій інтелектуальних систем в практику публічного управління стає з року в рік більш доступним навіть для країн з низькими показниками економічного розвитку, завдяки підвищенню якості, продуктивності роботи компаній розробників із одночасним зниженням вартості відповідних технологічних рішень.



Література:

1. 3 Examples of Chatbots & AI in Local Government | Futr. (n.d.). Retrieved July 26, 2023, from https://futr.ai/from-chatbots-to-automation-3-exampies-of-ai-in-local-govemment/

2. Anestis, M. D., & Anestis, J. C. (2015). Suicide rates and state laws regulating access and exposure to handguns. American Journal of Public Health, 105(10), 2049-2058. https://doi.org/10.2105/AJPH.2015.302753

3. Being smart about smart cities: A governance roadmap | World Economic Forum. (n.d.). Retrieved August 2, 2023, from https://www.weforum.org/agenda/2021/07/being-smart-about- smart-cities-a-governance-roadmap-for-digital-technologies/

4. Cachada, A., Barbosa, J., Leitao, P., Geraldes, C. A. S., Deusdado, L., Costa, J., Teixeira, C., Teixeira, J., Moreira, A. H. J., Moreira, P. M., & Romero, L. (2018). Maintenance 4.0: Intelligent and Predictive Maintenance System Architecture. IEEE International Conference on Emerging Technologies and Factory Automation, ETFA, 2018-September, 139-146. https://doi.org/10.1109/ETFA.2018.8502489

5. Caldwell, M., Andrews, J. T. A., Tanay, T., & Griffin, L. D. (2020). Al-enabled future crime. Crime Science, 9(1), 1-13. https://doi.Org/10.1186/S40163-020-00123-8/figures/3

6. Chicago Police Department. (n.d.). Retrieved July 28, 2023, from https://home.chicagopolice.org/

7. Chicago police see less violent crime after using predictive code | Engadget. (n.d.). Retrieved July 28, 2023, from https://www.engadget.com/2017-08-06-chicago-police-see-less- crime-after-predictive-code.html

8. Data analytics and artificial intelligence (AI) | FCA. (n.d.). Retrieved August 3, 2023, from https://www.fca.org.uk/firms/data-analytics-artificial-intelligence-ai

9. Detecting fraud in health care through emerging technologies | International Social Security Association (ISSA). (n.d.). Retrieved July 31, 2023, from https://ww1.issa.int/analysis/detecting-fraud- health-care-through-emerging-technologies

10. Diran, D., Fleur van veenstra, A., Timan, T., Testa, P., & Kirova, M. (2021). Briefing Requested by the AIDA committee F Policy Department for Economic, Scientific and Quality of Life Policies Directorate-General for Internal Policies * Adoption of innovative procurement procedures, entailing requirements for technical and ethically responsible AI.

11. DP5/22 - Artificial Intelligence and Machine Learning | Bank of England. (n.d.). Retrieved August 3, 2023, from https://www.bankofengland.co.uk/prudential-regulation/publication/2022/october/ artificial-intelligence

12. Fact Sheet: New Strategy Outlines Five Priorities for Reducing Military and Veteran Suicide | The White House. (n.d.). Retrieved July 30, 2023, from https://www.whitehouse.gov/ briefing-room/statements-releases/2021/11/02/fact-sheet-new-strategy-outlines-five-priorities- for-reducing-military-and-veteran-suicide/

13. Finding fraud: govtech and fraud detection in public administration. (2020). www.worldbank.org

14. Government Chatbots: Top Benefits & Use Cases in 2023. (n.d.). Retrieved July 26, 2023, from https://research.aimultiple.com/government-chatbot/

15. Home - City of Amsterdam. (n.d.). Retrieved July 26,2023, from

https://www.amsterdam.nl/en/

16. How AI could be used to make life and death decisions | MIT Technology Review, (n.d.). Retrieved July 30, 2023, from https://www.technologyreview.com/2022/10/13/1060945/artificial- intelligence-life-death-decisions-hard-choices/

17. Huang, Y., Talwar, A., Chatte^ee, S., & Aparasu, R. R. (2021). Application of machine learning in predicting hospital readmissions: a scoping review of the literature. BMC Medical Research Methodology, 21(1). https://doi.org/10.1186/S12874-021-01284-Z

18. IoT Hub I Microsoft Azure, (n.d.). Retrieved August 4, 2023, from https://azure.microsoft.com/ en-us/products/iot-hub/

19. Jenga, K., Catal, C., & Kar, G. (2023). Machine learning in crime prediction. Journal of Ambient Intelligence and Humanized Computing, 14(3), 2887-2913. https://doi.org/10.1007/ S12652-023-04530-Y/tables/8

20. Tackling Wasteful Spending on Health. (2017). Tackling Wasteful Spending on Health. https://doi.org/10.1787/9789264266414-EN

21. The AI Public-Private Forum: Final report | Bank of England. (n.d.). Retrieved August 3, 2023, from https://www.bankofengland.co.uk/research/fmtech/ai-public-private-forum

22. Use AI To Make Cities Smarter. (n.d.). Retrieved August 2, 2023, from https://www.gartner.com/smarterwithgartner/use-ai-to-make-cities-smarter

23. Using AI and machine learning to reduce government fraud | Brookings. (n.d.). Retrieved July 31, 2023, from https://www.brookings.edu/articles/using-ai-and-machine-learning-to-reduce- government-fraud/

24. Velmurugan, R. S., & Dhingra, T. (2021). Intelligent Predictive Maintenance: Industry 4.0. International Series in Operations Research and Management Science, 310, 113-135. https://doi.org/ 10.1007/978-3-030-74154-9_5/cover

25. Veterans are at higher risk for suicide. Psychologists are helping them tackle their unique struggles. (n.d.). Retrieved July 30, 2023, from https://www.apa.org/monitor/2022/11/preventing- veteran-suicide

26. Walczak, S. (2021). Predicting Crime and Other Uses of Neural Networks in Police Decision Making. Frontiers in Psychology, 12, 587943. https://doi.org/10.3389/fpsyg.2021.587943/bibtex

References:

1. 3 Examples of Chatbots & AI in Local Government | Futr. (n.d.). Retrieved July 26, 2023, from https://futr.ai/from-chatbots-to-automation-3-examples-of-ai-in-local-government/

2. Anestis, M. D., & Anestis, J. C. (2015). Suicide rates and state laws regulating access and exposure to handguns. American Journal of Public Health, 105(10), 2049-2058. https://doi.org/10.2105/AJPH.2015.302753

3. Being smart about smart cities: A governance roadmap | World Economic Forum. (n.d.). Retrieved August 2, 2023, from https://www.weforum.org/agenda/2021/07/being-smart-about- smart-cities-a-governance-roadmap-for-digital-technologies/

4. Cachada, A., Barbosa, J., Leitao, P., Geraldes, C. A. S., Deusdado, L., Costa, J., Teixeira, C., Teixeira, J., Moreira, A. H. J., Moreira, P. M., & Romero, L. (2018). Maintenance 4.0: Intelligent and Predictive Maintenance System Architecture. IEEE International Conference on Emerging Technologies and Factory Automation, ETFA, 2018-September, 139-146. https://doi.org/10.1109/ETFA.2018.8502489

5. Caldwell, M., Andrews, J. T. A., Tanay, T., & Griffin, L. D. (2020). AI-enabled future crime. Crime Science, 9(1), 1-13. https://doi.org/10.1186/S40163-020-00123-8/figures/3

6. Chicago Police Department. (n.d.). Retrieved July 28,2023, from

https://home.chicagopolice.org/

7. Chicago police see less violent crime after using predictive code | Engadget. (n.d.). Retrieved July 28, 2023, from https://www.engadget.com/2017-08-06-chicago-police-see-less- crime-after-predictive-code.html

8. Data analytics and artificial intelligence (AI) | FCA. (n.d.). Retrieved August 3, 2023, from https://www.fca.org.uk/firms/data-analytics-artificial-intelligence-ai

9. Detecting fraud in health care through emerging technologies | International Social Security Association (ISSA). (n.d.). Retrieved July 31, 2023, from https://ww1.issa.int/analysis/ detecting-fraud-health-care-through-emerging-technologies

10. Diran, D., Fleur van veenstra, A., Timan, T., Testa, P., & Kirova, M. (2021). Briefing Requested by the AIDA committee F Policy Department for Economic, Scientific and Quality of Life Policies Directorate-General for Internal Policies * Adoption of innovative procurement procedures, entailing requirements for technical and ethically responsible AI.

11. DP5/22 - Artificial Intelligence and Machine Learning | Bank of England. (n.d.). Retrieved August 3, 2023, from https://www.bankofengland.co.uk/prudential-regulation/ publication/ 2022/october/artificial-intelligence

12. Fact Sheet: New Strategy Outlines Five Priorities for Reducing Military and Veteran Suicide | The White House. (n.d.). Retrieved July 30, 2023, from https://www.whitehouse.gov/ briefing-room/statements-releases/2021/11/02/fact-sheet-new-strategy-outlines-five-priorities- for-reducing-military-and-veteran-suicide/

13. Finding fraud: govtech and fraud detection in public administration. (2020). www.worldbank.org

14. Government Chatbots: Top Benefits & Use Cases in 2023. (n.d.). Retrieved July 26, 2023, from https://research.aimultiple.com/government-chatbot/

15. Home - City of Amsterdam. (n.d.). Retrieved July 26,2023, from

https://www.amsterdam.nl/en/

16. How AI could be used to make life and death decisions | MIT Technology Review, (n.d.). Retrieved July 30, 2023, from https://www.technologyreview.com/2022/10/13/1060945/artificial- intelligence-life-death-decisions-hard-choices/

17. Huang, Y., Talwar, A., Chatterjee, S., & Aparasu, R. R. (2021). Application of machine learning in predicting hospital readmissions: a scoping review of the literature. BMC Medical Research Methodology, 21(1). https://doi.org/10.1186/S12874-021-01284-Z

18. IoT Hub I Microsoft Azure, (n.d.). Retrieved August 4, 2023, from https://azure.microsoft.com/ en-us/products/iot-hub/

19. Jenga, K., Catal, C., & Kar, G. (2023). Machine learning in crime prediction. Journal of Ambient Intelligence and Humanized Computing, 14(3), 2887-2913. https://doi.org/10.1007/ S12652-023-04530-Y/tables/8

20. Tackling Wasteful Spending on Health. (2017). Tackling Wasteful Spending on Health. https://doi.org/10.1787/9789264266414-EN

21. The AI Public-Private Forum: Final report | Bank of England. (n.d.). Retrieved August 3, 2023, from https://www.bankofengland.co.uk/research/fintech/ai-public-private-forum

22. Use AI To Make Cities Smarter. (n.d.). Retrieved August 2, 2023, from https://www.gartner.com/smarterwithgartner/use-ai-to-make-cities-smarter

23. Using AI and machine learning to reduce government fraud | Brookings. (n.d.). Retrieved July 31, 2023, from https://www.brookings.edu/articles/using-ai-and-machine-learning- to-reduce-government-fraud/

24. Velmurugan, R. S., & Dhingra, T. (2021). Intelligent Predictive Maintenance: Industry 4.0. International Series in Operations Research and Management Science, 310, 113-135. https://doi.org/10.1007/978-3-030-74154-9_5/cover

25. Veterans are at higher risk for suicide. Psychologists are helping them tackle their unique struggles. (n.d.). Retrieved July 30, 2023, from https://www.apa.org/monitor/2022/11/ preventing-veteran-suicide

26. Walczak, S. (2021). Predicting Crime and Other Uses of Neural Networks in Police Decision Making. Frontiers in Psychology, 12, 587943. https://doi.org/10.3389/fpsyg.2021. 587943/bibtex

Размещено на Allbest.ru