生成式人工智能在公共管理中的应用——全面利用的七大成功因素 | 德国

公共管理中的生成式人工智能——全面应用的七个成功要素 公共管理中的生成式人工智能——全面应用的七个成功要素 对德国行政管理的期待颇高：它应该精简、可靠、高效且亲民。然而，作为实现这些雄心壮志的关键条件，行政管理的数字化进程却进展缓慢。 生成式人工智能（GenAI）能够帮助关闭效率缺口、加速数字化进程并提高管理效率。通过GenAI，可以将未结构化数据如文本、语音和图像转化为可用资源，并自动化过去难以实现的流程。GenAI具有潜力显著减轻管理人员的工作负担，从而为更有价值的任务，如客户服务，腾出更多时间。麦肯锡的一项最新分析显示，通过采用GenAI和其他技术，可以自动化目前占员工工作时间约60%至70%的任务——例如内容合成与创建、智能编程任务支持以及在其他领域的工作。 , 德Bürgertilaktion. 全球各管理机构致力于通过制定国家策略并有针对性地促进应用，以利用生成式人工智能（GenAI）的潜力。这也体现在欧洲，比如丹麦，它通过其 数字战略构建私公联合卓越集群对于人工智能（AI）与英国，促进私人与公共研究以及人工智能的发展，这是必要的。 数字化基础设施建设和相应专业人才的培训。意大利的AI政策旨在将AI融入政府和行政运作中，解决伦理问题，并确保必要的措施得以实施。 FähigkeitenbeidenBeschäftigtenaufzubauen. 6 德国联邦政府提出了“人工智能行动计划”。该计划中规划了从2023年至2025年投入150亿欧元，以扩大德国作为人工智能中心的地位，并充分利用人工智能带来的潜力。 7 在德国接触员工和企业。到目前为止，公共管理部门几乎独家使用GenAI解决方案作为有限应用领域的概念验证（PoC），以开发类似的小型项目来创造接受度并证明应用的有效性。这些灯塔项目可以相对轻松快速地发展，并且由于存在需求，许多机构正在研究类似的应用案例，例如大规模报告的合成。然而，生成式AI真正的潜力在于规模化、全面的应用，尤其是当有效模型跨越单个部门的边界被利用时。特别是以下七个因素允许快速扩展和全面使用（参见图表）。 1 麦肯锡(2023)，生成人工智能的经济潜力：下一个生产力前沿M(Link) 2 在本出版物中，我们引用了在制定时可在指定链接下获取的信息。W 3 数字政府(2022)，国家数字化战略A(Link) 4 人工智能办公室(2021年)，国家人工智能战略O(Link) 5 genziaperl‘ItaliaDigitale(2018)，为公民服务的人工智能A(Link) 6 7 埃姆萨斯纳伊-洛松根阿尔斯·温特鲁佩·冯·基。D EutscheBundesregierung(2023)，KünstlicheIntelligenzalsSchlüsseltechnologiestärkernutzenD(Link)1 chendeckende 7Risikomanagementetablieren XErfolgsfaktorenfürdieVorbereitungderSkalierungXErfolgsfaktorenfürdietechnischeSkalierung XErfolgsfaktorenfürdiebeschleunigteSkalierung 1Rahmenkonzeptentwickeln 6AustauschvonGenAI-Lösungenermöglichen 2 Transparenz沙芬和 4 Akzeptanzfördern 5Fähigkeitenausbauen 3ZentraleBereitstellungeinrichten Infrastruktur undTalentegewinnenTechnische skalieren ErfolgsfaktorenfürdieVorbereitungderSkalierung 1.SchaffungdesnotwendigenRahmensfürdiebreiteNutzungvonGenAI 为了使德国能够扩展基于GenAI的应用案例，需要为GenAI解决方案的提供者和使用者提供一个可靠的（监管）框架。欧盟委员会通过提出制定统一法规的指令，在欧洲层面对此做出了响应，旨在为人工智能领域提供一个稳定且一致的法律环境。 已经构建了初步的支柱。现在需要将其在全国范围内细化和具体化。这可能涉及例如数据保护要求或官方、AI支持的行政通信所需的必要法律框架。相应的框架应特别关注数据的使用和共享（例如与第三方），以及AI模型的质量保证。 根据其结果（例如验证程序）进行规范。此外，行政人员需要对GenAI的应用有可靠的指导，例如通过明确的指引。 Verfahrensregeln.LänderwiedieUSA,ChinaandAustralialenverfügenbereitsüberentsprechendeRegelwerke. 2.FörderungvonTransparenzundgesellschaftlicherAkzeptanzvonGenAI FürinenachhaltigeEtablierungvonGenai-LösungeninderöffentlichenVerwaltungistsowhlinder 作为管理层以及在社会中推动接受相应解决方案，这需要适当的沟通措施，以展示其应用可能性和优势。 同时也要传达和告知公众关于生成式人工智能（GenAI）的边界与风险，以及在何种形式下可以使用和应用GenAI。内部机关可以通过教育性和提高透明度的措施来应对合理的担忧，例如关于所应用的GenAI解决方案的质量和适用性。此外，建立全面的能力培养对于促进GenAI解决方案的安全应用至关重要 ，比如通过培训以提示（prompting）为基础的方法，使用简短的语言指令和问题与语言模型进行交互 。同时，关注员工可能的担忧也很重要，比如这些技术对个人工作领域的影响。引入由权威先行单位 （如联邦部长级的数据实验室）参与，并进行跨部门交流，可以作为构建信任的工具。市民应明确了解政府利用生成式人工智能的目的是为了产生积极影响，但也包括其限制。 8 欧盟委员会（2021年），关于制定协调规定的欧洲议会和理事会法规EkünstlicheIntelligenz(Link) 9 麦肯锡(2023)，释放生成人工智能的潜力：政府机构面临的三个关键问题M(Link) 10 公共IT和弗劳恩霍夫开放通信系统研究所（FOKUS）（2020），机构中的AI应用：KErfahrungenundEmpfehlungen(Link) 技术应被告知。有必要创造透明度，尤其是在数据保护和安全方面，以便将GenAI视为在一个安全框架内可靠的技术，从而被正确地认知。 ErfolgsfaktorenfürdietechnischeSkalierung 3.冯·吉奈·勒松根 推动全面利用基因人工智能（GenAI）的一个关键要素可能是为行政组织捆绑并集中提供功能性的GenAI解决方案。自行托管GenAI模型对许多机构来说，在所需技能以及相应的基础设施方面提出了巨大的挑战。此外，完全分散地获取模型和应用案例在很多情况下是低效且冗余的。尽可能集中且易于访问的模型部署，特别是具有安全快速访问的部署，将特别有助于较小的机构挖掘GenAI的潜力。这样的捆绑应包括云托管模型的采购和可用性，以及本地部署模型的提供。这种捆绑方案蕴含着重要的优势： 技术接口、数据格式、请求（指令）和技术架构解决方案统一的可能性。 构建统一的治理框架以全面部署通用的基因人工智能（GenAI）解决方案，包括技术上的“风险引导计划”，所谓的护栏。 ZentraleBündelungvonFachwissenzurBereitstellungvonModellenundzurUmsetzungsbegleitung.VorteilhafterePositionierungdurchSkaleneffekteinderVerhandlungmitAnbieternvonGenai-Lösungen. 4.AusbauderbestehendentechnischenInfrastruktur 为了在公共管理中扩展生成式人工智能（GenAI）解决方案，需要适当的技术基础设施。除了访问合适的语言模型之外，GenAI解决方案还需要多种组件，如数据平台、向量数据库、前端和后端基础设施以及提示库。特别地，管理官方数据的解决方案，如确保高数据质量的软件或流程，鉴于其对生成式人工智能模型优质输入数据的重要性，显得尤为重要（参见边栏） 。 在GenAI-Anwendungen 相关且可用数据的可获得性是成功实施基因人工智能（GenAI）应用的前提。以下是四个关键因素： 1.**数据质量**：确保数据的准确性、完整性和一致性对于训练高效的GenAI模型至关重要。高质量 的1.数质据量可：以高提输高入模数型据的质性量能（和例预如测可准读确性性、。内容准确性与一致性）是利用LLM（如通过上下文学习、单次提示或微调）以及输出高质量结果的前提条件。 2.**数据量**：通常情况下，更多的数据有助于训练更复杂的模型，提高其泛化能力。大量的数据集 可以捕捉到更广泛的模式和异常情况，从而提升应用的效果。 32.数量：足够的数据可用性（即，可供充分评估的报告）是确保LLMs微调过程中的输出具体、准确且 过涵盖各种情况和边缘案例的数据，模型可以更稳健地处理未知或变化的输入。 无.偏**数的据重多要样因性素*，*：特多别样是化在的处数理据大集规能模够语帮言助模G型e（nALI模LM型s）更时好。地适应不同的应用场景和环境变化。通 4.**数据时效性**：及时更新的数据对于实时应用尤其重要，如在线推荐系统或动态市场分析。新鲜 的.数可据用能性确元保数模据型：对元当数前据趋对势于和确用保户使行用为正有确准的确输的入理数解据和至反关应重。要，并且能够帮助更精确地执行流程，如 检索增强生成（RAG）。 这四个因素共同作用，确保了相关且可用数据的有效利用，从而推动了GenAI应用的成功实施。 分类：数据分类（例如开放数据、VS-NfD）对于基础设施决策（例如在公共云、私有云或本地部署的主机服务）以及选择大型语言模型（LLMs），同时集成安全措施和访问限制至关重要。 所提到的基础架构元素应由联邦IT服务提供商灵活提供，并且能够短期扩展。或者，部门可以从第三方获取此类基础设施。关键在于，解决方案应相互匹配，允许管理者将其视为“打包解决方案”。这不仅限制了系统的复杂性，还允许更快更有效地满足需求。所需的资源应能够可靠且迅速获取，无需长时间的前置时间，并通过高效但精简的审批流程。 ErfolgsfaktorenfürdiebeschleunigteSkalierung 5.SystematischerAusbauvonFähigkeitensowieGewinnungvonGenAI-Talent为了全面开发和应用通用AI解决方案，管理层内部需要构建相关的技能。这需要额外的专业人才，如数据和软件工程师，并且大部分员工必须具备与AI模型安全互动 的能力。 由于激烈的竞争，招聘具有相关技能的专业人才成为一大挑战。定向招聘活动和与大学的合作可以提高成功率。在与私营部门的竞争中，公共管理机构必须对新人才更具吸引力，例如通过特定的薪酬模式、明确的职业发展路径、现代化的工作场所、灵活的工作模式，以及极简的申请和入职流程和有效的保留计划。面对新人才的竞争，尤其是系统性地培训和赋能现有员工变得尤为重要。适当的培训模块和旅行 、内部轮岗计划以及外部提供的机会可以作为较低门槛的入门方式，收集初步的GenAI经验。例如，在GenAIPrompt这样一个利用开源语言模型的测试环境，为员工提供了使用的机会。 费沃尔顿。 6.奥斯塔什·冯·吉纳-洛松根