Sektor publiczny stoi przed wyjątkowym wyzwaniem w zakresie wdrażania sztucznej inteligencji. O ile organizacje prywatne mogą pozwolić sobie na elastyczne podejście do AI, instytucje rządowe muszą radzić sobie z rygorystycznymi ograniczeniami bezpieczeństwa i operacyjnymi. Jak wynika z najnowszej analizy MIT Technology Review, małe modele językowe (SLM) mogą być kluczem do skutecznego wdrożenia AI w administracji publicznej.
Badanie Capgemini pokazuje, że aż 79 procent kadry zarządzającej sektora publicznego na świecie wyraża obawy dotyczące bezpieczeństwa danych AI. To zrozumiałe, biorąc pod uwagę wrażliwość danych rządowych i prawne obowiązki związane z ich wykorzystaniem.
Kluczowe wnioski
• Ograniczenia operacyjne: Sektor publiczny wymaga pełnej kontroli nad danymi, weryfikowalności informacji i minimalnych zakłóceń operacyjnych, co utrudnia wdrażanie standardowych rozwiązań AI
• Infrastruktura jako bariera: 65 procent liderów sektora publicznego ma problemy z ciągłym wykorzystaniem danych w czasie rzeczywistym i na dużą skalę
• SLM jako rozwiązanie: Małe modele językowe, używające miliardów zamiast setek miliardów parametrów, oferują większe bezpieczeństwo przy lokalnym hostingu
• Przewaga wyszukiwania: AI może zrewolucjonizować sposób, w jaki rząd przeszukuje i zarządza ogromnymi ilościami nieustrukturyzowanych danych
• Prognoza wzrostu: Gartner przewiduje, że do 2027 roku małe, wyspecjalizowane modele AI będą używane trzy razy częściej niż duże modele językowe
Unikalne wyzwania operacyjne
Gdy organizacje prywatne rozwijają AI, zazwyczaj zakładają określone warunki: ciągłą łączność z chmurą, poleganie na scentralizowanej infrastrukturze, akceptację niepełnej przejrzystości modeli i ograniczone restrykcje dotyczące przepływu danych. Dla wielu instytucji państwowych przyjęcie tych warunków może być jednak niebezpieczne lub wręcz niemożliwe.
Jak wyjaśnia Han Xiao, wiceprezes ds. AI w Elastic: "Agencje rządowe muszą być bardzo restrykcyjne w kwestii tego, jakiego rodzaju dane wysyłają do sieci. To wyznacza wiele granic w sposobie myślenia o danych i zarządzaniu nimi".
Ograniczenia infrastrukturalne dodatkowo komplikują sytuację. Organizacje rządowe często mają trudności z uzyskaniem jednostek przetwarzania graficznego (GPU) używanych do trenowania i dostępu do złożonych modeli AI. "Rząd nie kupuje często GPU, w przeciwieństwie do sektora prywatnego — nie są przyzwyczajeni do zarządzania infrastrukturą GPU. Dostęp do GPU w celu uruchomienia modelu stanowi wąskie gardło dla większości sektora publicznego", wskazuje Xiao.
Mniejsze, bardziej praktyczne modele
Liczne niezbywalne wymagania w sektorze publicznym sprawiają, że duże modele językowe (LLM) stają się nieopłacalne. SLM mogą być jednak hostowane lokalnie, oferując większe bezpieczeństwo i kontrolę. Są to wyspecjalizowane modele AI, które zazwyczaj używają miliardów, a nie setek miliardów parametrów, co czyni je znacznie mniej wymagającymi obliczeniowo niż największe LLM.
Badanie empiryczne wykazało, że SLM działają równie dobrze lub lepiej niż LLM. Pozwalają one na efektywne i skuteczne wykorzystanie wrażliwych informacji, unikając jednocześnie złożoności operacyjnej związanej z utrzymaniem dużych modeli. "Łatwo jest użyć ChatGPT do korekty. Bardzo trudno jest uruchomić własne duże modele językowe równie płynnie w środowisku bez dostępu do sieci", wyjaśnia Xiao.
Rewolucja w wyszukiwaniu danych
"Kiedy ludzie w sektorze publicznym słyszą AI, prawdopodobnie myślą o ChatGPT. Ale możemy być znacznie bardziej ambitni", mówi Xiao. "AI może zrewolucjonizować sposób, w jaki rząd przeszukuje i zarządza ogromnymi ilościami posiadanych danych".
Dzisiejsza AI może dostarczać wyniki pochodzące z mieszanych mediów, takich jak czytelne pliki PDF, skany, obrazy, arkusze kalkulacyjne i nagrania, w wielu językach. Wszystko to może być indeksowane przez systemy zasilane SLM, aby zapewnić dostosowane odpowiedzi i tworzyć złożone teksty w dowolnym języku, jednocześnie zapewniając zgodność z prawem.
Dobrze wytrenowany SLM może interpretować normy prawne, wydobywać spostrzeżenia z konsultacji publicznych, wspierać podejmowanie decyzji wykonawczych w oparciu o dane i poprawiać publiczny dostęp do usług oraz informacji administracyjnych.
Skupienie się na SLM przesuwa konwersację z pytania o to, jak kompleksowy może być model, na pytanie o to, jak wydajny jest. Ta zmiana perspektywy może przyczynić się do dramatycznych ulepszeń w sposobie prowadzenia działalności przez sektor publiczny.
