Окончание, начало здесь.

Для ускорения внедрения технологий искусственного интеллекта государственные организации могут воспользоваться следующими семью стратегиями, пишут в корпоративном блоге представители McKinsey Андреа Зуграву, Тарек Мансур, Ари да Кунья, Бен Сафран и Орели Эсперандье.

1. Используйте ИИ и другие передовые технологии для преодоления сложности. Новые технологии сложны, а сложность может пугать. Однако сочетание ИИ и других инструментов с информационными панелями может помочь лицам, принимающим решения, сосредоточиться на наиболее важных приоритетах и показателях. Также модели можно использовать для эффективного синтеза информации.

2. Убедитесь, что дорожная карта сценариев использования основана на основных потребностях. Руководители государственных органов могут отдать предпочтение быстрым победам, когда начинают работать с ИИ. Учитывая важность поддержания энтузиазма сотрудников в период роста, связанного с разработкой новых технических возможностей, это имеет смысл. Однако организациям все равно необходимо создавать ценности с помощью инструментов ИИ. Если начать с конца, можно понять, какие шаги необходимо предпринять руководителям для достижения своих целей, что позволит организациям не вкладывать ресурсы в ненужные модели и функции.

3. Обеспечьте беспрепятственный доступ к данным с помощью сильной организации статистических исследований, использования данных частных поставщиков и более эффективного управления обменом данными. Многие лидеры отмечают, что статистические агентства могут играть важную роль в обеспечении доступа к данным. Хорошая организация, занимающаяся статистикой, может использовать свою независимость и технические возможности для публикации достоверных данных, которые могут быть использованы для создания надежных моделей. Действуя в соответствии с местными нормами конфиденциальности и безопасности, такая организация может также сотрудничать с государственными структурами для сбора полезных данных, необходимых для принятия решений.

Обеспечьте правильные источники данных. Если государственные данные недоступны, можно использовать другие открытые источники данных — также в соответствии с правилами. Рассмотрим следующие примеры:

  • Геолокация и спутниковые данные. Отчет McKinsey Global Institute McKinsey (MGI) «Pixels of Progress: A granular look at human development around the world», используя ночные спутниковые снимки и другие данные, разбивает мир на 40 000 микрорегионов. MGI обнаружил, что рост ВВП страны объясняет лишь около 20% роста в данном микрорегионе, и выделил истории успеха, которые могли бы остаться незамеченными — например, Мапуса (Индия), где ВВП на душу населения увеличился в три раза за последние 20 лет.
  • Телеком-данные. Всемирный банк использовал данные о мобильных сервисах, включая продолжительность звонков, сеть контактов и частоту пополнения счета, для выявления самых бедных домохозяйств в Афганистане. Этот подход сработал примерно так же, как и более дорогостоящие методы сбора данных, такие как выезды на места для учета электроприборов.
  • Данные о платежах. Операции с кредитными и дебетовыми картами представляют собой особенно интересное сочетание высокочастотных и геопространственных данных.

Великобритания регулярно публикует изменения в расходах по кредитным и дебетовым картам в различных категориях, таких как основные потребительские товары и дискреционные расходы. Этот набор данных является частью более широкого набора показателей, который начали собирать во время пандемии COVID-19, чтобы отслеживать экономические и социальные последствия пандемии и темпы восстановления. Сюда входят данные о еженедельных операциях в сети сэндвич-шопов Pret A Manger, создании и ликвидации компаний, увольнениях, авиарейсах, ценах в супермаркетах, трафике, запасах товаров в магазинах и сборам НДС.

Обеспечение доступа к данным для всего правительства с помощью надежного управления данными. Обеспечение доступности и совместимости наборов данных, а также то, что система управления данными позволяет правительственным агентствам страны обмениваться данными, могут сыграть решающую роль в укреплении потенциала команд, разрабатывающих аналитические модели. Это очень важно, поскольку модели могут требовать объединения множества наборов данных, принадлежащих разным организациям.

Например, сайт открытых данных правительства США Data.gov предоставляет доступ к почти 300 тыс. наборов данных; заявленная цель сайта — «информировать общественность и политиков о принимаемых решениях, стимулировать инновации и экономическую активность, выполнять задачи агентств и укреплять основы открытого и прозрачного правительства».

4. Поймите, что доверие зарабатывается медленно, а теряется быстро. Руководителям следует рассмотреть возможность использования моделей ИИ и аналитики данных, чтобы продемонстрировать, как эти инструменты важны для повышения квалификации работников и развития сотрудничества, а не для сокращения человеческого вклада.

Используйте ИИ для повышения эффективности работы экспертов-людей, а не для их замены. Это может быть особенно важно в сфере экономического развития, где решения часто не бывают черно-белыми.

Например, принятие решения о том, сколько правительство должно быть готово предложить в виде субсидий для создания нового гигазавода по производству электромобилей (EV), не обязательно сводится к соблюдению набора алгоритмических правил. Руководители должны знать, какие модели ИИ могут и не могут способствовать процессу принятия решений правительством.

В гипотетическом примере с новым гигазаводом EV инструмент ИИ может оценить количество рабочих мест, создаваемых заводом, его влияние на ВВП и вклад в экспорт. Однако аналитические модели не могут объяснить, какова может быть роль правительств в формировании промышленной политики или насколько важна личная мобильность по сравнению с общественным транспортом.

Швейцарская модель прогнозирования иллюстрирует потенциал сотрудничества между экспертами и ИИ. Приложение собирает, классифицирует и анализирует данные из различных источников, включая локальные сети и новостные статьи. Оно использует прогнозы экспертов для уточнения своих прогнозов, придавая больший вес экспертам, имеющим более солидный послужной список.

Убедитесь, что результаты можно объяснить. Лицам, принимающим решения, возможно стоит подумать о том, чтобы вложить средства в обучение других людей преимуществам и ограничениям моделей ИИ.

Например, правительство Шотландии и компания Mind Foundry помогают нетехническим пользователям ИИ понять, как различные факторы могут повлиять на результаты модели. Цель состоит в том, чтобы побудить экспертов сотрудничать с инструментами ИИ, а не использовать ИИ для замены человеческих суждений.

Обеспечьте прозрачную политику в отношении данных (например, конфиденциальности данных) и контроль за предвзятостью данных, чтобы учесть озабоченность высшего руководства государства. В Великобритании разработан Algorithmic Transparency Recording Standard, определяющий, как государственные органы должны публиковать информацию о своих алгоритмах, включая обоснование их использования, механизмы человеческого надзора, технические характеристики, потенциальные риски и меры по их снижению, а также оценки воздействия. Это может снизить риск неправильного использования алгоритмов государственными организациями, способствовать распространению передового опыта и повысить доверие к использованию этих инструментов.

Разрабатывайте решения своими силами или сотрудничайте с отечественными учреждениями. Поскольку некоторые модели требуют доступа к конфиденциальным данным, правительства по понятным причинам не решаются делиться ими с внешними организациями. Руководители иногда опасаются, что их данные и инновации могут попасть в руки зарубежных компаний с небольшим количеством местных активов и людей, которые могут быть привлечены к ответственности. Они также могут скептически относиться к способности иностранных экспертов создавать инструменты, учитывающие местные ценности и особенности. Наши интервью с представителями органов экономического развития говорят о том, что одним из способов повышения доверия может стать партнерство с местными организациями.

Базирующаяся в Абу-Даби компания G42, занимающаяся разработкой ИИ, организовала коалицию местных фирм для создания Jais, арабской большой языковой модели. В группу вошли правительственные учреждения, академические институты, государственные компании и местные банки — все они поделились данными, которые были использованы для создания модели.

5. Налаживание партнерских отношений, наставничество, программы ротации и привлечение внешних провайдеров для накопления и расширения опыта. Организации могут внедрять программы наставничества, связываться с внешними поставщиками для получения доступа к макроэкономическим моделям и устанавливать партнерские отношения с другими учреждениями для ускорения достижения положительных результатов.

Партнерство. Большинство организаций, которые мы изучили, имеют скромные команды по ИИ и аналитике. Партнерские отношения могут принести большую пользу при ограниченных ресурсах.

Например, Оксфордский университет, Vivid Economics (принадлежит McKinsey) и Экономическая комиссия ООН для Африки сотрудничали для определения возможностей «зеленой» экономики в Демократической Республике Конго. Они обнаружили, что инвестиции в возобновляемые источники энергии коммунального масштаба, линии электропередач, мини- и микросети, а также в адаптацию к климату могут быть особенно выгодными.

Программы ротации. Такие программы могут помочь привлечь квалифицированных специалистов по обработке данных из частных компаний на несколько месяцев поработать в правительстве, где они могут наставлять младших членов команды.

Федеральное правительство США, например, позволяет специалистам сферы ИТ и кибербезопасности временно работать в других ведомствах. Это позволяет опытным специалистам создавать необходимые технические возможности в менее развитых агентствах.

Программы наставничества. Такие программы также могут позволить опытным лидерам экономического развития укрепить кадровый потенциал в новых организациях.

Некоторые британские агентства выступают в роли наставников аналитических организаций в развивающихся странах, помогая командам, испытывающим нехватку ресурсов, изучать новые языки кодирования и перенимать передовой опыт в области определения масштаба проекта, обеспечения качества, управления проектами и т. д.

Внешние поставщики. В частности, команды, не обладающие достаточными ресурсами, могут сосредоточиться на предоставлении лицам, принимающим решения, специализированной информации, а не изобретать велосипед. Макроэкономические модели и другие инструменты можно приобретать и настраивать, а не создавать с нуля.

6. Объединение ресурсов путем создания центров передового опыта. Центры передового опыта (Centers of Excellence, CoE), ориентированные на конкретные области знаний, используются некоторыми организациями и правительствами для создания цифровых платформ и других инструментов, позволяющих сократить дублирование и упростить доступ к данным.

CoE могут помочь привлечь квалифицированных специалистов и реализовать масштабные проекты. Правительства могут создавать CoE, чтобы наставлять, воспитывать и направлять квалифицированных специалистов в наиболее актуальные программы. Они также могут использовать CoE для создания общих платформ, чтобы улучшить электронные сервисы и помочь преодолеть изолированность в правительстве.

Например, Государственная цифровая служба Великобритании, располагающая 750 менеджерами продуктов, инженерами-программистами и другими специалистами, создала цифровые платформы, которыми сегодня пользуются более 1900 организаций государственного сектора.

Централизация инструментов и процессов поможет организациям сэкономить время и деньги. Руководителям следует подумать о том, где инструменты ИИ можно использовать совместно, чтобы не заниматься дублированием. Например, министерство экономики и министерство финансов могут нуждаться в доступе к макроэкономическим прогнозам, но это не означает, что нужно создавать две платформы на основе ИИ. Устранение избыточности может принести значительную экономию. Исследование ОЭСР показало, что централизация государственных закупок в отдельной стране может значительно сократить расходы.

7. Создание сильного ценностного предложения для привлечения, удержания и развития разнообразных талантов. Денежная компенсация — не единственный рычаг, за который организации могут потянуть, чтобы привлечь лучших специалистов, поскольку гибкость становится все более важной для потенциальных сотрудников. Благодаря этому те, кто делают больший акцент на найме, основанном на профессиональных навыках, могут расширить кадровый резерв.

Учитывайте компенсацию, но не ограничивайтесь ею. По оценкам Gartner, правительства глобально тратят на ИТ-сервисы 209 млрд. долл. в год. За последние десятилетия многие правительства передали свои цифровые технологии и возможности ИИ на аутсорсинг, отчасти из-за проблем с привлечением квалифицированных кадров. Одним из факторов, повлиявших на такое решение, является компенсация, поскольку уровень оплаты труда в государственном секторе может не соответствовать рыночному спросу на специалистов по данным и других специалистов. Однако компенсация — это лишь один из нескольких рычагов, которые государственные организации могут использовать для привлечения и удержания талантливых специалистов.

Опрос государственных служащих США, проведенный McKinsey, показал, что сотрудники, желающие остаться в своей организации, ценят значимую работу и гибкость рабочего места. В то же время те, кто хотят уйти, отмечают, что их отпугивают ограниченные возможности для развития карьеры и занятия руководящих должностей.

Рассмотрите альтернативные кадровые резервы. Команды, занимающиеся ИИ и аналитикой, смогут быстрее расширяться, если будут нанимать разнообразные кадры, включая легальных мигрантов и квалифицированных кандидатов без университетских дипломов.

Создайте команду с разнообразным профилем. В успешные команды могут входить экономисты, эксперты по предметным областям, менеджеры проектов, специалисты по коммуникациям, а также специалисты в области науки о данных.

Заключение

После нескольких лет борьбы с кризисами, следующими один за другим, включая пандемию COVID-19 и растущую инфляцию, лидеры экономического развития все чаще полагаются на ИИ и другие передовые технологии для привлечения инвестиций, переквалификации работников и поддержки экономического роста. Недавние потрясения подчеркнули как преимущества принятия решений на основе данных, так и проблемы, с которыми могут столкнуться руководители при получении своевременных данных. Укрепление потенциала организации в области ИИ требует новых лидерских качеств, а также смелости и решительности, отличных от простого реагирования на текущие кризисы. Речь может идти не о крупных, смелых действиях с ближайшими последствиями, а о последовательных, небольших шагах, совокупный эффект которых может быть полностью оценен только спустя годы. Приверженность экономическому развитию с помощью ИИ, возможно, не попадет в заголовки новостей, но она может предотвратить новые кризисы.