إن العدد الهائل من الأعمال المتراكمة والتأخيرات عبر القطاع العام مقلق بالنسبة لصناعة مصممة لخدمة الجماهير.
لا توجد هذه الأعمال المتراكمة التي يتم الإعلان عنها بشكل متكرر بسبب نقص الجهد. قطع هذا القطاع خطوات واسعة في التقدم التكنولوجي على مدى العقد الماضي. ومع ذلك، لا تزال التكنولوجيا القديمة والعمليات القديمة تصيب بعض أبرز الإدارات. يجب أن تتبنى وكالات اليوم جهود التحول الرقمي المصممة لتقليل تراكم البيانات وتحسين أوقات استجابة المواطنين وتحقيق نتائج أفضل للوكالات.
من خلال تبني حلول التعلم الآلي (ML) machine learning ودمج التطورات في معالجة اللغة الطبيعية (NLP) natural language processing، يمكن أن تصبح الأعمال المتراكمة شيئًا من الماضي.
كيف يمكن للتعلم الآلي والذكاء الاصطناعي أن يربط بين العالمين المادي والرقمي
سواء كانت المستندات الضريبية أو طلبات جواز السفر، فإن معالجة العناصر يدويًا تستغرق وقتًا وتكون عرضة للأخطاء من جانب الإرسال والاستلام. على سبيل المثال، قد يحدد المرسل عن طريق الخطأ مربعًا غير صحيح أو قد يفسر المستلم الرقم "5" على أنه الحرف "S." يؤدي هذا إلى تأخيرات غير متوقعة في المعالجة أو، الأسوأ من ذلك، نتائج غير دقيقة.
لكن إدارة مشكلة تراكم الوثائق والبيانات الحكومية المتزايدة ليست بسيطة ونظيفة مثل تحميل المعلومات إلى أنظمة المعالجة. إن العدد الهائل من المستندات ومعلومات المواطنين التي تدخل الوكالات في تنسيقات وحالات بيانات غير مهيكلة متنوعة، وغالبًا ما تكون سهلة القراءة، تجعل من المستحيل تقريبًا استخراج البيانات بشكل موثوق وفعال لاتخاذ القرارات النهائية.
إن تبني الذكاء الاصطناعي (AI) artificial intelligence والتعلم الآلي machine learning (ML) في العمليات الحكومية اليومية، تمامًا كما فعلت الصناعات الأخرى في السنوات الأخيرة، يمكن أن يوفر الذكاء وخفة الحركة والحافة اللازمة لتبسيط العمليات وتمكين الأتمتة الشاملة للعمليات التي تتمحور حول المستندات.
يجب أن تفهم الوكالات الحكومية أن التغيير الحقيقي والنجاح الدائم لن يأتي مع الترقيعات السريعة المبنية على التعرف البصري على الأحرف القديمة (OCR) optical character recognition أو حلول الأتمتة البديلة، بالنظر إلى الكم الهائل من البيانات الواردة.
يمكن تحقيق الجسور بين العالمين المادي والرقمي من خلال المعالجة الذكية للوثائق (IDP) intelligent document processing، والتي تستفيد من نماذج ML الخاصة والذكاء البشري لتصنيف وتحويل تنسيقات المستندات المعقدة القابلة للقراءة من قبل الإنسان. يمكن تحويل ملفات PDF والصور ورسائل البريد الإلكتروني والنماذج الممسوحة ضوئيًا إلى معلومات منظمة يمكن قراءتها آليًا باستخدام IDP. يقوم بذلك بدقة وكفاءة أكبر من البدائل القديمة أو الأساليب اليدوية.
في حالة IRS، المليئة بملايين المستندات مثل نماذج 1099 و W-2 للأفراد، يمكن لنماذج ML المتطورة و IDP التعرف تلقائيًا على المستند المرقم واستخراج النص المطبوع والمكتوب بخط اليد وتنظيمه في تنسيق يمكن قراءته آليًا . يعمل هذا النهج الآلي على تسريع أوقات المعالجة، ويتضمن الدعم البشري عند الحاجة، وهو فعال ودقيق للغاية.
تعزيز جهود تعلم الآلة مع البرمجة اللغوية العصبية
إلى جانب الأتمتة و IDP، يمكن أن يدعم إدخال تقنيات ML و NLP بشكل كبير سعي القطاع لتحسين العمليات وتقليل الأعمال المتراكمة. البرمجة اللغوية العصبية هو مجال من مجالات علوم الكمبيوتر يعالج ويفهم النصوص والكلمات المنطوقة كما يفعل البشر، والتي تستند تقليديًا إلى اللغويات الحاسوبية والإحصاء وعلوم البيانات.
شهد المجال تطورات كبيرة، مثل إدخال نماذج اللغة المعقدة التي تحتوي على أكثر من 100 مليار معلمة. يمكن لهذه النماذج تشغيل العديد من مهام معالجة النصوص المعقدة، مثل التصنيف والتعرف على الكلام والترجمة الآلية. يمكن أن تدعم هذه التطورات استخراج بيانات أكبر في عالم تجاوزته الوثائق.
بالنظر إلى المستقبل، فإن البرمجة اللغوية العصبية (NLP) في طريقها للوصول إلى مستوى قدرة فهم النص المماثل لمستوى عامل المعرفة البشرية، وذلك بفضل التقدم التكنولوجي المدفوع بالتعلم العميق. كما أن التطورات المماثلة في التعلم العميق تمكن الكمبيوتر من فهم ومعالجة المحتويات الأخرى التي يمكن للبشر قراءتها مثل الصور.
بالنسبة للقطاع العام على وجه التحديد، يمكن أن تكون هذه الصور مدرجة في مطالبات الإعاقة أو غيرها من الأشكال أو التطبيقات التي تتكون من أكثر من مجرد نص. يمكن أن تؤدي هذه التطورات أيضًا إلى تحسين المراحل النهائية لعمليات القطاع العام، مثل صنع القرار المدعوم من ML للوكالات التي تحدد مساعدات البطالة والتأمين الطبي والخدمات الحكومية الأخرى التي لا تقدر بثمن.
لم يعد الفشل في التحديث خيارًا
على الرغم من أننا رأينا عددًا قليلاً من التحسينات الواعدة في التحول الرقمي، إلا أن الدعوة إلى التغيير المنهجي لم يتم الرد عليها بالكامل بعد.
هناك حاجة إلى ضمان أن تتجاوز الوكالات الإصلاح والاستثمار في مختلف الأنظمة القديمة للمضي قدمًا اليوم. فشل الترقيع والاستثمارات في العمليات القديمة في دعم حالات الاستخدام الجديدة، وهشة التغيير ولا يمكنها التعامل مع الزيادات غير المتوقعة في الحجم. بدلاً من ذلك، يجب أن يكون تقديم حل مرن يمكن أن يأخذ المستندات الأكثر تعقيدًا وصعوبة في القراءة من الإدخال إلى النتيجة أمرًا لا يحتاج إلى تفكير.
لماذا ا؟ يستحق المواطنون المزيد من الوكالات التي تخدمهم.
لا توجد هذه الأعمال المتراكمة التي يتم الإعلان عنها بشكل متكرر بسبب نقص الجهد. قطع هذا القطاع خطوات واسعة في التقدم التكنولوجي على مدى العقد الماضي. ومع ذلك، لا تزال التكنولوجيا القديمة والعمليات القديمة تصيب بعض أبرز الإدارات. يجب أن تتبنى وكالات اليوم جهود التحول الرقمي المصممة لتقليل تراكم البيانات وتحسين أوقات استجابة المواطنين وتحقيق نتائج أفضل للوكالات.
من خلال تبني حلول التعلم الآلي (ML) machine learning ودمج التطورات في معالجة اللغة الطبيعية (NLP) natural language processing، يمكن أن تصبح الأعمال المتراكمة شيئًا من الماضي.
كيف يمكن للتعلم الآلي والذكاء الاصطناعي أن يربط بين العالمين المادي والرقمي
سواء كانت المستندات الضريبية أو طلبات جواز السفر، فإن معالجة العناصر يدويًا تستغرق وقتًا وتكون عرضة للأخطاء من جانب الإرسال والاستلام. على سبيل المثال، قد يحدد المرسل عن طريق الخطأ مربعًا غير صحيح أو قد يفسر المستلم الرقم "5" على أنه الحرف "S." يؤدي هذا إلى تأخيرات غير متوقعة في المعالجة أو، الأسوأ من ذلك، نتائج غير دقيقة.
لكن إدارة مشكلة تراكم الوثائق والبيانات الحكومية المتزايدة ليست بسيطة ونظيفة مثل تحميل المعلومات إلى أنظمة المعالجة. إن العدد الهائل من المستندات ومعلومات المواطنين التي تدخل الوكالات في تنسيقات وحالات بيانات غير مهيكلة متنوعة، وغالبًا ما تكون سهلة القراءة، تجعل من المستحيل تقريبًا استخراج البيانات بشكل موثوق وفعال لاتخاذ القرارات النهائية.
إن تبني الذكاء الاصطناعي (AI) artificial intelligence والتعلم الآلي machine learning (ML) في العمليات الحكومية اليومية، تمامًا كما فعلت الصناعات الأخرى في السنوات الأخيرة، يمكن أن يوفر الذكاء وخفة الحركة والحافة اللازمة لتبسيط العمليات وتمكين الأتمتة الشاملة للعمليات التي تتمحور حول المستندات.
يجب أن تفهم الوكالات الحكومية أن التغيير الحقيقي والنجاح الدائم لن يأتي مع الترقيعات السريعة المبنية على التعرف البصري على الأحرف القديمة (OCR) optical character recognition أو حلول الأتمتة البديلة، بالنظر إلى الكم الهائل من البيانات الواردة.
يمكن تحقيق الجسور بين العالمين المادي والرقمي من خلال المعالجة الذكية للوثائق (IDP) intelligent document processing، والتي تستفيد من نماذج ML الخاصة والذكاء البشري لتصنيف وتحويل تنسيقات المستندات المعقدة القابلة للقراءة من قبل الإنسان. يمكن تحويل ملفات PDF والصور ورسائل البريد الإلكتروني والنماذج الممسوحة ضوئيًا إلى معلومات منظمة يمكن قراءتها آليًا باستخدام IDP. يقوم بذلك بدقة وكفاءة أكبر من البدائل القديمة أو الأساليب اليدوية.
في حالة IRS، المليئة بملايين المستندات مثل نماذج 1099 و W-2 للأفراد، يمكن لنماذج ML المتطورة و IDP التعرف تلقائيًا على المستند المرقم واستخراج النص المطبوع والمكتوب بخط اليد وتنظيمه في تنسيق يمكن قراءته آليًا . يعمل هذا النهج الآلي على تسريع أوقات المعالجة، ويتضمن الدعم البشري عند الحاجة، وهو فعال ودقيق للغاية.
تعزيز جهود تعلم الآلة مع البرمجة اللغوية العصبية
إلى جانب الأتمتة و IDP، يمكن أن يدعم إدخال تقنيات ML و NLP بشكل كبير سعي القطاع لتحسين العمليات وتقليل الأعمال المتراكمة. البرمجة اللغوية العصبية هو مجال من مجالات علوم الكمبيوتر يعالج ويفهم النصوص والكلمات المنطوقة كما يفعل البشر، والتي تستند تقليديًا إلى اللغويات الحاسوبية والإحصاء وعلوم البيانات.
شهد المجال تطورات كبيرة، مثل إدخال نماذج اللغة المعقدة التي تحتوي على أكثر من 100 مليار معلمة. يمكن لهذه النماذج تشغيل العديد من مهام معالجة النصوص المعقدة، مثل التصنيف والتعرف على الكلام والترجمة الآلية. يمكن أن تدعم هذه التطورات استخراج بيانات أكبر في عالم تجاوزته الوثائق.
بالنظر إلى المستقبل، فإن البرمجة اللغوية العصبية (NLP) في طريقها للوصول إلى مستوى قدرة فهم النص المماثل لمستوى عامل المعرفة البشرية، وذلك بفضل التقدم التكنولوجي المدفوع بالتعلم العميق. كما أن التطورات المماثلة في التعلم العميق تمكن الكمبيوتر من فهم ومعالجة المحتويات الأخرى التي يمكن للبشر قراءتها مثل الصور.
بالنسبة للقطاع العام على وجه التحديد، يمكن أن تكون هذه الصور مدرجة في مطالبات الإعاقة أو غيرها من الأشكال أو التطبيقات التي تتكون من أكثر من مجرد نص. يمكن أن تؤدي هذه التطورات أيضًا إلى تحسين المراحل النهائية لعمليات القطاع العام، مثل صنع القرار المدعوم من ML للوكالات التي تحدد مساعدات البطالة والتأمين الطبي والخدمات الحكومية الأخرى التي لا تقدر بثمن.
لم يعد الفشل في التحديث خيارًا
على الرغم من أننا رأينا عددًا قليلاً من التحسينات الواعدة في التحول الرقمي، إلا أن الدعوة إلى التغيير المنهجي لم يتم الرد عليها بالكامل بعد.
هناك حاجة إلى ضمان أن تتجاوز الوكالات الإصلاح والاستثمار في مختلف الأنظمة القديمة للمضي قدمًا اليوم. فشل الترقيع والاستثمارات في العمليات القديمة في دعم حالات الاستخدام الجديدة، وهشة التغيير ولا يمكنها التعامل مع الزيادات غير المتوقعة في الحجم. بدلاً من ذلك، يجب أن يكون تقديم حل مرن يمكن أن يأخذ المستندات الأكثر تعقيدًا وصعوبة في القراءة من الإدخال إلى النتيجة أمرًا لا يحتاج إلى تفكير.
لماذا ا؟ يستحق المواطنون المزيد من الوكالات التي تخدمهم.
