公共管理中的生成人工智能：实现全面应用的七个成功因素

生成式人工智能在公共管理中的应用——全面采用的七大成功要素 生成式人工智能在公共管理中——全面应用的七个成功因素 对德国行政管理的期待颇高：它应轻盈、可靠、高效且亲民。然而，作为实现这些雄心壮志的关键前提，行政管理的数字化进程正缓慢推进。 12 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，可以将无结构化的数据如文本、语言和图像变为可用，并自动执行那些过去几乎不可能实现的过程。GenAI拥有潜力显著减轻管理人员的工作负担，从而为更具价值的任务，如客户服务，腾出更多时间。当前麦肯锡的分析显示，通过使用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——例如内容合成与制作、智能编程任务支持以及公民互动。, 全球各级政府都在努力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。这样做是为了使技术更加可获取。欧洲也不例外，丹麦通过其数字化战略正在构建一个私有与公共领域的卓越集群，专注于人工智能（AI）的发展。3在英国的推动下，促进了私人和公共研究以 及人工智能的发展，必要的数字化基础设施建设，以及相应专业人才的培训。4意大利的AI政策旨在 将AI融入政府和行政运作中，澄清伦理问题，并在员工中培养必要的技能。5 DieBundesregierung帽子“AktionspanKI”6提交了一份报告。其中计划在2025年前投入15亿欧元 ，以扩展人工智能（AI）德国基地，并为德国的员工和企业挖掘与AI相关的发展潜力。7迄今为止，公共管理主要几乎独家利用人工智能（GenAI）解决方案作为概念验证（PoC）的形式，用于有限的应用场景。这些灯塔项目旨在创造接受度并证明应用的有效性。概念验证可以相对高效地开发和快速推进，鉴于此需求，许多机构正在研究类似案例，例如生成详尽报告。然而，生成式AI的真正潜力在于规模化、全面使用，特别是当有效的模型跨越单个部门的界限被利用时。以下是实现快速规模化和全面使用的七个关键因素（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本出版物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) 5genziaperl‘ItaliaDigitale(2018)，为公民服务的人工智能A(Link) 6埃姆萨斯纳伊-洛松根阿尔斯·温特鲁佩·冯·基。D 7EutscheBundesregierung(2023)，KünstlicheIntelligenzalsSchlüsseltechnologiestärkernutzenD(Link) chendeckende 7Risikomanagementetablieren XErfolgsfaktorenfürdieVorbereitungderSkalierungXErfolgsfaktorenfürdietechnischeSkalierung XErfolgsfaktorenfürdiebeschleunigteSkalierung 1Rahmenkonzeptentwickeln 6AustauschvonGenAI-Lösungenermöglichen 2 Transparenz沙芬和 4 Akzeptanzfördern 5Fähigkeitenausbauen 3ZentraleBereitstellungeinrichten Infrastruktur undTalentegewinnenTechnische skalieren ErfolgsfaktorenfürdieVorbereitungderSkalierung 1.SchaffungdesnotwendigenRahmensfürdiebreiteNutzungvonGenAI 为了使德国能够扩大GenAI应用案例，需要一个可靠的（监管）框架，既适用于GenAI解决方案的供应商，也适用于其使用者。欧盟委员会通过提出制定统一规则的法规提案，在欧洲层面已经创建了初步的基础。8关键在于将这些国家层面的政策具体化并实施。这涉及到例如数据保护要求或是行政机构使用人工智能支持的官方通信所必需的法律框架。一个合适的框架尤其应该关注数据的使用和共享（例如与第三方），以及人工智能模型的质量保证。 关于其结果（例如验证程序）进行规范。此外，行政人员在应用生成式人工智能（GenAI）时需要有可靠的指导原则，比如明确的操作规则。美国、中国和澳大利亚等国家已经具备了相应的规章制度。9 2.FörderungvonTransparenzundgesellschaftlicherAkzeptanzvonGenAI 会层面促进对相应解决方案的接受度。 为了在公共管理中持续确立基因人工智能（GenAI）解决方案，不仅需要在管理部门内部，也需要在社 10 DieserfordertgeeigneteKommunikationsmašnahmen,dieüberdieEinsatzmöglichkeitenundVorteile, 关于通用人工智能（GenAI）的界限与风险进行信息传达并创造透明度，明确GenAI的应用形式。内部机构可以利用教育性和透明性措施来应对合理担忧，例如针对应用的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，例如通过提示培训、使用简短语音命令和问题与语言模型互动的训练。也需要解决员工可能的担忧，尤其是关于其工作领域的影响。引入先驱实体，如联邦部门的数据实验室，并进行跨部门的交流，可以作为建立信任的工具。公民应被透明地告知政府使用生成式AI的目标，包括其积极影响和限制。 8欧洲委员会（2021），欧盟议会和理事会法规，用于制定协调一致的规定，针对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竞争中心公共IT和弗劳恩霍夫开放通信系统研究所FOKUS（2020），AI在行政部门的应用：KErfahrungenundEmpfehlungen(Link) 技术应被告知。需要创造透明度，特别是在数据保护和安全方面，以便将GenAI视为在安全框架内可靠的技术而被正确地看待。 ErfolgsfaktorenfürdietechnischeSkalierung 3.冯·吉奈·勒松根 促进全面利用生成人工智能（GenAI）的一个关键要素可能是为管理组织捆绑并集中提供功能性GenAI解决方案。自主托管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场景在许多情况下既不高效也不冗余。尽可能集中的且门槛较低的模型提供，结合安全且快速的访问，特别是对于较小的机构，将使他们能够探索GenAI的潜力。这样的捆绑应包括云托管模型的采购和可用性，以及现场部署模型的提供。这种集中捆绑包含着重要的优势： 统一技术接口、数据格式、请求（提示）和技术架构解决方案的可能性。 构建统一的治理框架以涵盖全面部署基因人工智能（GenAI）解决方案，包括技术上的“风险引导计划”，通常称为护栏。 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，需要合适的技术基础设施。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。特别是对于管理部门自有数据的解决方案，如确保高质量数据输入以供GenAI模型使用所需的软件或流程，鉴于其重要性，显得尤为重要（参见框注）。 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。以下是四个关键要素： 1.**数据质量**：确保数据准确、完整且可靠。这包括数据的精确度、一致性以及缺失值的处理，这 些1.都质是量实：施高任质何量数的据输驱入动数技据术（的例基如础可。读性、内容准确性及一致性）既是利用LLM（如基于上下文学习、单次提示或微调）的基础，也是确保输出质量的前提。 2.**数据多样性**：涵盖不同场景和条件下的数据能够帮助模型学习更广泛的模式和适应各种情况。 多样性的数据集有助于提高模型的泛化能力。 32.数量：足够的数据可用性（即，可供充分评估的报告）是确保特定和无偏输出的关键因素，特别是在 导致模型输出不准确的结果。 微.调**数LL据M时s时效。性**：实时或接近实时的数据更新对于动态环境中的决策至关重要。过时的数据可能会 4.**数据治理与隐私保护**：确保遵守相关的法律法规，保护用户隐私和数据安全。这包括数据的收 集.、元存数储据、的使可用性共：享元过数程据中是的确透保明使度用和正合确规输性入。数据的基础，并且有助于更精确地执行流程，如检索增 强生成（RAG）。 这四个要素共同作用，为成功集成和利用基因人工智能应用提供了坚实的基础。 4.分类：数据分类（例如开放数据、VS-NfD）在基础设施决策（例如在公共云、私有云或本地部署的主机服务中）以及选择LLM（语言模型）、安全措施和访问限制集成过程中起着决定性作用。 所提到的基础架构元素应由联邦IT服务提供商灵活提供，并且可以短期扩展。或者，政府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，使管理机构能够作为“打包解决方案”进行采购。这不仅限制了系统的复杂性，也允许更快更好地满足需求。所需资源应能可靠、快速地获取 ，无需漫长的前置时间，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人工智能（GenAI）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员，如数据工程师和软件工程师，并且大部分员工必 须具备与人工智能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了一大挑战。目标导向的招聘活动以及与大学的合作可以提高成功的可能性。在与私营部门的竞争中，公共管理机构必须使其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、现代化的工作场所和灵活的工作模式。需要显著缩短申请和入职流程，并实施更有效的留任计划。鉴于人才争夺战，尤其重要的是系统地培训和使现有员工具备能力。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低门槛的入门方式，收集初 1步的GenAI经验。如同GenAIPrompt——一种供公共管理部门员工使用的开源语言模型使用测试环境。1 6.奥斯塔什·冯·吉纳-洛松根 已经在不确定环境下的成功试点和实施中，Erste引入了GenAI解决方案，例如用于回答市民询问的聊天机器人以及生成报告摘要的工具。当前，GenAI解决方案主要在各个机构内分散开发和试点，成功的应用往往在不同部门之间并不广为人知，难以低门槛地共享。为了减少对于非常相似应用需求的重复工作量，有必要简化和降低GenAI解决方案的交流成本。为此，可以采用多种技术方法，例如提供一