ИИ в госсекторе: Перспективные сценарии и план для начала использования

Вступление

Особенность требований госсектора

В начале 2024 года я получил запрос на представление возможности применения ИИ в госсекторе. Как специалист по государственным информационным системам, я с интересом взялся за эту задачу. Начал с опроса вендоров и понял, что есть множество кейсов для коммерческого сектора, технологических текстов, но не так много описаний решений для госорганов. Мало того, российские разработчики зачастую не понимают специфики государственных задач – от порядка закупки до языка общения. Тем не менее, базовый «каталог примеров» удалось подготовить достаточно быстро за счёт взаимодействия / знакомства с проектами лидеров рынка и нишевых команд: Сбер AI, «Яндекс», МТС AI, Т1 ИИ, «Цифровой двойник», Softline Digital, Преферентум, «КСК Технологии», WaveAccess, «Эмбедика», Picvario. Особая благодарность Юлиану Бирёву и Михаилу Андрианову, которые активно способствовали началу работ.

𝓲

Фото: Игорь Иванко/Коммерсантъ

Прежде чем перейти к кейсам, отмечу несколько аспектов:

1. Что именно относится к ИИ определено в нормативных документах – «Национальной стратегии развития искусственного интеллекта на период до 2030 года», утверждённой указом Президента Российской Федерации от 10 октября 2019 г. № 490, и в федеральном законе от 24.04.2020 N 123-ФЗ. В них даётся следующее определение технологии искусственного интеллекта – «совокупность технологий, включающая в себя компьютерное зрение, обработку естественного языка, распознавание и синтез речи, интеллектуальную поддержку принятия решений и перспективные методы искусственного интеллекта».Иван Ворона, X5 Group: Надежная система риск-менеджмента — стабильность бизнеса в любых условиях 12.4 т

2. Отметим, что искусственный интеллект в госсекторе распространяется не стихийно. Государственная регуляторная и методологическая политика в сфере разработки, внедрения и использования ИИ в нашей стране имеет четкую структуру и определенную гибкость. Ведутся работы над развитием тематики в федеральном проекте «Искусственный интеллект». Он начинался как подчинённый проект национальный программы «Цифровая экономика» (2019-2024). Сейчас федеральный проект получил расширение и развитие в рамках национальной программы «Экономика данных» (2025-2030).

До недавнего времени существовал специальный орган – штаб по контролю за реализацией поручений президента Российской Федерации и правительства Российской Федерации по развитию технологий искусственного интеллекта. Он был инициирован Администрацией президента РФ и предназначен для координации работ в области внедрения технологий искусственного интеллекта в деятельность всех ФОИВ и РОИВ страны. Штаб функционировал под председательством заместителя председателя правительства Российской Федерации Д.Н. Чернышенко. Повестка сейчас перенесена в ряд отраслевых рабочих групп Минцифры России и Минэкономразвития России как основных исполнителей федерального проекта «Искусственный интеллект». С 18 декабря 2024 г. куратором темы стал заместитель председателя правительства РФ — руководитель аппарата правительства Д.Ю. Григоренко.

Работы в части стандартизации ведутся профильным ТК 164 и его подкомитетами, работающими с отраслевой тематикой всех отраслей экономики. Ознакомиться с принятыми стандартами можно на сайте ТК 164^[1]. Российская Федерация является инициатором разработки и введения в международную юридическую практику кодекса этики в сфере искусственного интеллекта. Данный документ носит, пускай и методологический, рекомендательных характер, но очень четко описывает основные рамки и понятия в искусственном интеллекте и показывает глубокую, проработанную политику в данной сфере.

3. Важный ряд особых требований со стороны органов власти – размещение систем ИИ внутри собственной инфраструктуры, повышенное внимание к требованиям информационной безопасности, расширенный список оснований для применения новых технологий (не только финансовых). Например, перечень показателей в области клиентоцентричности тянет на отдельную статью. В документах и практике госсектора можно увидеть такие параметры:

• ART (Average Resolution Time) – среднее время обслуживания клиента
• CES (Customer Effort Score) – индекс клиентских усилий
• NPS (Net Promoter Score – индекс определения приверженности / готовности рекомендовать сервис)
• CSI (Сustomer Satisfaction Index) – уровень удовлетворенности пользователей, включая доступность формы, среднее время заполнения формы на ЕПГУ, удобство оказания услуги
• Доля незаконченных заявлений
• Среднее время заполнения формы на ЕПГУ
• Учет личных обстоятельств (для предоставления индивидуального пакета сервисов)
• Комплексность предоставления услуг в зависимости от жизненной (бизнес-) ситуации клиента.

Также органы власти обращают внимание на нахождение решения в реестре российского ПО. Поэтому в ближайшее время мы увидим его пополнение со стороны ИИ-вендоров.

4. Заметен искренний интерес к теме со стороны сотрудников органов власти – как функциональных заказчиков, так и «цифровиков». Кажется, что тема ИИ позволяет проявлять творческое начало, создавать что-то совсем новое. Это желание подкрепляется крайне высокой квалификацией «цифровиков» госсектора. Например, удалось послушать очень ёмкую мини-лекцию по поводу расчёта стоимости подготовки модели от сотрудника подведомственного учреждения ФОИВ.

5. Важно отметить, что сам по себе ИИ зачастую является добавкой к большим приложениям. Поэтому идеи по внедрению ИИ в госсекторе часто возникают после анализа существующих систем, углубления в конкретную предметную область, с одной стороны, и знания возможностей новых технологий с другой.

6. Технологии ИИ в конкретных приложениях для госсектора применяются уже несколько лет: например, компьютерное зрение или обработка естественного языка. Поэтому существуют готовые приложения или решения, которые заняли свои ниши. Повышенный интерес к ИИ позволяет сейчас вендорам обращать внимание на свои предложения.

7. В 2024 году на рынке были очень заметны специализированные ИИ-вендоры. Иногда им трудновато мыслить в категориях государственных систем даже при наличии великолепных кейсов в госсекторе. Зато у них есть широкая палитра собственных приложений, накоплен опыт в коммерческом секторе.

8. Также ИИ-решения на базе Open Source стали успешно внедрять небольшие сильные инженерные команды. Результаты таких работ впечатляют.

9. А вот методология внедрения на уровне пилота, с чем пришлось столкнуться лично, зачастую оставляет желать лучшего. Приведенный в конце статьи календарный план одного из пилотных проектов может оказаться полезным при начале нового проекта.

10. В рассмотренных примерах было очевидно, что ИИ для госсектора – это не про увольнение сотрудников, а про кардинальное повышение качества и увеличение объёма выполняемой работы. Лучше всего это видно при формулировании полезных ответов на обращения граждан.

Перейдём к кейсам – реальным работам, пилотным проектам и проработке «на бумаге». Автор постарался рассказывать исключительно с точки зрения функционального заказчика. Технологические аспекты описаны много раз другими специалистами. В обзор не вошли несколько видов ИИ-продуктов и направлений применения ИИ в государстве в силу низкой насмотренности автора:

1. Специализированные приложения, связанные с компьютерным зрением
2. Проекты, связанные с голосовыми ботами
3. Проекты в области информационной безопасности
4. Проекты в транспортной сфере
5. Проекты в медицинской сфере
6. Управление проектами

Кейсы

Обращения граждан

Обращения граждан – одна из наиболее очевидных точек применения ИИ. Такие проекты ведут и разработчики СЭД, и ИИ-команды уже несколько лет.

𝓲

Фото: Игорь Иванко/Коммерсантъ

Рассмотрим типовой бизнес-процесс и посмотрим, где его можно усилить средствами ИИ:

1. Приём обращения через портал обращений / электронную почту / обычную почту
2. Классификация обращения – назначение в очередь к исполнителю
3. Анализ смысла обращения
4. Подготовка сутевой части ответа
5. Оформление ответа
6. Проверка качества ответа
7. Агрегация массового потока обращений в набор ранжированных проблем мест их происхождений

Приём обращения

На этапе приёма ИИ проверяет корректность обращения, соответствие его требованиям 59 ФЗ (угрозы, наличие матерных слов).

Классификация обращений

Наиболее выгодным для пользователя является обращение через портал. На этом этапе ИИ разбирает запрос. Типовым приёмом является уточнение вопроса, его перефразирование: «Правильно ли я понял, что вы хотите следующее ...». С технологической точки зрения ИИ увеличивает контекст, с которым можно работать и обучается за счёт заявителя. С точки зрения собеседника помогает более точно сформулировать проблему или выявить несколько вопросов. Возможно мгновенное обращение к базам данных при вычленении какого-либо идентификатора, подтягивание контекста. Ответы в стиле примитивного робота, раздражавшие ранее, технологически уже преодолены. Лично мне в декабре 2024 г. пару раз хотелось заменить сотрудника колл-центра на ИИ.

По итогам ИИ-классификации запрос передаётся или для подготовки ответа, или на вторую линию (человеку). Очень важно попасть в правильную очередь. Иначе запрос какое-то время будет «лежать» в чужой очереди, увеличится время на его обработку и реакцию.

Отметим, что использование заранее заложенного классификатора в форме запроса не всегда помогает пользователю – у него может быть своя картина мира. Многие пользователи не выбирают значение классификатора, оставляя значение по умолчанию. Именно поэтому ИИ явно улучшает правильность классификации обращения, анализируя содержание текста.

В одном из пилотных проектов выявлено, что порядка в 10% случаев человек неправильно классифицировал обращение. ИИ такие ошибки не допускал.

Распознавание рукописных обращений

До сих пор часть обращений приходит в виде писем, написанных от руки. Летом 2024 г. был проведён анализ распознавания с помощью OCR, усиленного средствами ИИ. Порядка 30% обращений, написанных от руки, не удавалось распознать даже фрагментарно. Правда, человеческим разумом также не удалось понять, что было написано и что хотел заявитель. Тем не менее, распознавание аккуратного почерка (около 20% писем) в указанном проекте было признано удачным.

Анализ смысла обращения

Во многих случаях он происходит на этапе классификации. В некоторых случаях выделяется как отдельный шаг. И здесь ИИ может помочь вычленить содержание обращения для специалиста, который готовит ответ.

Подготовка сутевой части ответа

В качестве источника данных используются открытые НПА, а также специализированные массивы документов. В 2024 году многие ИИ-разработчики не рассматривали возможность автоматического ответа в рамках 59-ФЗ «О порядке рассмотрения обращений граждан Российской Федерации». Причина в том, что не получается добиться высокой уверенности в ответе. В связи с этим ИИ используется только как помощник: сотрудник формулирует запрос на естественном языке, получает с помощью ИИ проекты ответа из набора источников и ссылки на конкретные пункты НПА, верифицирует и пишет окончательное решение на основании этой заготовки. НПА в данном случае предметно дополняют большую языковую модель.

Повышение понятности ответа для граждан

Очень интересным направлением является преобразование готового ответа в более понятный текст. Как минимум, два федеральных ведомства используют / рассматривают ИИ-технологии в качестве такого инструмента. Мало того, разработано несколько методик избавления от канцелярита, адаптации текста для обычного гражданина, не являющегося юристом или отраслевым специалистом:

1. Материалы РТ Лабс: Редакционная политика Госуслуг и Курс Редполитики
2. Стандарт "«Государство для людей» Требования по внедрению клиентоцентричного подхода в государственном и муниципальном управлении при взаимодействии с людьми" пп. 4.6.4.5. и 4.6.4.6.
3. 3. Стандарт письменных коммуникаций ФНС России

Некоторые авторы указанных методик ссылаются на книгу «Пиши, сокращай» М. Ильяхова и Л. Сарычевой. Все указанные материалы формируют основу для компьютерных методов обработки, в т.ч. для применения ИИ.

Приведём два показателя, которые обосновывают важность применения ИИ: конкретность ответа и понятность ответа. Цифры из конкретного исследования ФНС приведены в приложении ниже.

С задачей понятности плотно связаны проверки средствами ИИ на наличие смыла в ответе и наличия ответа на каждый вопрос, поставленный в обращении.

Повышение качества коммуникаций при общении органов власти между собой

Задача, не относящаяся к обращениям гражданам, но близкая по технологии, – доработка средствами ИИ документов для других органов власти. В ней есть формальная сторона: правила написания дат, ссылок на нормативные документы, использование правильных названий органов власти и должностей, оформления заголовков документов. И более сложная – использование специализированного языка, не впадая в грех канцелярита. В отличие от стандартов для общения с гражданами, специализированных методик для данного вида текста пока увидеть не удалось.

Выявление проблем и мест их возникновения

Часть обращений граждан на муниципальном уровне являются классическими инцидентами. В основе многих из них лежит одна и та же причина. Агрегация массового потока обращений в набор ранжированных проблем помогает экономить силы исполнителям.

Вот как была применена технология ИИ для обработки 1200 сообщений. Исходя из текста и категорий обращений удалось «свернуть» запросы всего в 90 проблем (устранён «шторм сообщений») и выявить 45 критических обобщенных проблем. Из них выделено топ-10 ситуаций – это 836 (67%) обращений, требующих первоочередной реакции. В качестве развития данного кейса рекомендуется приводить адреса к эталонным в ФИАС. На следующем этапе возможно совмещение со структурно-технологическими схемами городских коммуникаций для поиска первопричин инцидентов.

Service Desk

Ещё одна очевидная сфера применение ИИ – внедрение его в системы Service Desk. Типовым подходом является приём запроса, его передача на первую линию, подготовка отклика или передача на вторую, если не получается ответить сразу. Жёсткость реакции фиксируется в SLA, но она не предполагается мгновенной.

В данном случае на значительное количество вопросов ИИ может отвечать сразу автоматически, а также снимать обратную связь – насколько ответ помогает решить проблему. Если ИИ не может дать удовлетворяющее объяснение или инструкцию, то он отправляет запрос в конкретную очередь второй линии с расширенным контекстом.

Для подготовки ответов используются три источника данных:

1. Накопленный пул вопросов / ответов
2. Типовые вопросы / ответы
3. Документация: руководство пользователя и руководство администратора

Конечно, возникают свои особенности, связанные с технической поддержкой ГИС, – контроль устаревания части модели:

1. Необходимо модифицировать ИИ-модели по мере развития ГИС (обычно, ежегодно), внедряя новые и удаляя неактуальные запросы и документы
2. При сдаче новой функциональности ГИС необходимо готовить новые типовые вопросы и ответы на них для обновления модели

В качестве показателей полезности ИИ для таких проектов можно предложить следующие идеи:

• Общая экономия трудозатрат Службы техподдержки, которая может достигать 50% от текущего порядка
• Экономия до 5% трудозатрат на регистрации обращений, их классификации, диспетчеризации и контроле средствами ИИ
• Мгновенный ответ на 40% вопросов пользователей (первая линия)

Работа с текстами – НПА как модель нормативных требований

Помимо преобразования «старых» систем и придания им новых свойств, есть ещё пара трендов, касающихся внедрения ИИ в государственном управлении. Первая тенденция – это клиентоцентричность в госсекторе. Даже на бытовом уровне можно представить объём работы, который не может быть покрыт алгоритмическими решениями. Часть показателей, связанных с клиентоцентричностью, приведена в начале статьи. В данном разделе речь идёт о профилировании клиентов в рамках рассматриваемых доменов, построении карты клиентского пути и его оптимизации. А второе направление – это переход нормотворчества в формализованный вид.

𝓲

Фото: Duma.gov.ru

В обоих случаях основой являются формализованные правовые нормы (ФПН) – сутевое содержание НПА. Пример ФПН: «Субъект – отношение – объект, условия»: «сотрудник полиции – охраняет – посольства». Применений данного подхода множество:

1. Выявление явных ошибок в конкретном нормативном документе (например, отсутствие субъекта правовых отношений)
2. Выявление противоречий между уже существующими документами
3. Выявление конфликтов между проектом нового документа и корпусом уже принятых актов
4. Проведение антикоррупционной экспертизы за счёт выявления неопределённых или многозначных действий
5. Формирование онтологии и выявление в ней неполноты и коллизий
6. Проектирование доменов на основании нормативных документов, а не только экспертным сообществом
7. Автоматическая подготовка ТЗ на реализацию госуслуг
8. Построение карт клиентских путей на основе нормативных требований

Революционным направлением может стать создание сети НПА в виде ФПН в соответствии с юридической техникой, анализ изменения требований.

Пример формализации текстов силами ИИ

Для лучшего понимания идеи формализации права с помощью ИИ рассмотрим один из региональных сайтов – о помощи ветеранам СВО и членам их семей. На сайте описано большое количество выплат и льгот, мер по реабилитации и психологической помощи, социальных и иных видов услуг. Всего размещено несколько десятков групп мер поддержки. Для каждой процедуры указаны получатели, собственно поддержка, входящие документы, места обращения.

Как можно было с помощью ИИ упростить для понимания перечень услуг, доступных в конкретной жизненной ситуации:

1. Вычленить группы получателей помощи из текста описания, в т.ч. выделить медицинский статус получателя
2. Выбрать из описания документы и сведения, подтверждающие принадлежность к группе и присвоения статуса
3. Описать формы подачи заявок (зачастую в них видны дополнительные требования по документам или статусам)
4. Сгруппировать места направления заявок
5. Детализировать меры поддержки, т.е. разбить на отдельные, единичные сущности
6. Дать ссылку на нормативно-правовой акт, его раздел, устанавливающий льготу, меру поддержки

На основании такой конструкции можно формировать опросник, рассчитывать перечень видов помощи, создавать навигатор (как и куда обращаться), строить нормативный клиентский путь.

Дополнительно ИИ может обеспечить:

1. Проверку полноты и качества описания групп получателей на основе указанных и иных правовых актов
2. Формирование перечня коллизий, по которым необходимо принять решения и начать их исправлять
3. Обновление формализованных описаний за счёт мониторинга изменений нормативной базы

Указанные задачи не есть дело отдалённого будущего. Для анализа НПА в федеральных органах власти уже несколько лет используются два специализированных ИИ-продукта, которые преобразуют текст нормативных требований в жёсткую структуру.

Анализ реального клиентского пути

Ещё одна задача, следующая из клиентоцентричного подхода, – анализ реального клиентского пути. Сами пути могут строиться с помощью технологий Process Mining. А вот подготовка данных для них без ИИ вряд ли возможна по следующим причинам:

• Слишком большое количество сущностей проходит сквозь разные информационные системы, оставляя весьма разнообразные цифровые следы
• Для части объектов не определены идентификаторы: например, отсутствует законодательно закреплённый ID строящегося объекта
• Заявители для разных услуг, входящих в конкретный экземпляр клиентского пути, могут меняться
• Выискивание связей между локальными идентификаторами – это и есть задачи ИИ.

Моделирование и прогнозирование

Системы моделирования и прогнозирования также относятся к инструментам ИИ, т.к. обеспечивают интеллектуальную поддержку принятия решений (см. определение из 123-ФЗ). Мало того, существующие системы активно используют методы ИИ и Big data внутри конвейера по обработке исходных массивов данных.

Построение регионального цифрового двойника уже не воспринимается как возможность для какого-то параметра провести линию через две точки. Это набор сложных взаимосвязанных моделей в области демографии, экономики, градостроительства, транспорта, управления финансами и т.д. Представители органов власти вдохновляются возможностью быстро посчитать разные сценарии социально-экономического развития региона. Специалисты сразу лезут «под капот»: «Почему на этом горизонте происходит изменение тренда? Какие воздействия мы должны приложить на уровне региона для ускорения положительных изменений? Что произойдёт с транспортными потоками, если в данном месте будет построено новое производство?».

Использование ИИ в системах моделирования и прогнозирования, пожалуй, наиболее финансово выгодная сфера применения в госсекторе. Вот вывод Червякова А.А., начальника управления развития информационных систем Федерального казначейства: «Текущая точность модели позволяет удерживать буфер ликвидности на максимальном уровне в 300 – 400 млрд при среднедневных остатках в 4 трлн и оборотах в 1.5 – 2 трлн»^[2]. Прогнозирование подкрепляется и устойчивым интересом к датацентричному госуправлению, системному накоплению данных на уровне федеральных органов власти и регионов.

Анализ государственных затрат

ИИ хорош для выявления аномалий, региональной специфики при наличии больших объёмов данных. В одном из проектов были проанализированы транзакции за несколько лет: какая услуга, в какой день, сколько стоила, краткое описание на основе классификатора для нескольких субъектов РФ. Проведена группировка по видам услуг, потребителям, времени. Разработаны методики, которые позволяют средствами машинного обучения выявлять сегменты потребителей – чем определяется сегмент, средний чек, частотность получения услуг. Построен прогноз спроса в рамках сегмента, выявлена существенная неоднородность потребления услуг в разных регионах и зависимость модели бюджетирования от порядка потребления услуг: снижение потребления в начале и резкий рост в конце отчётного периода. Определена возможность более плавных трат в течение периода, чтобы повысить удовлетворённость граждан. Как и в случае с Федеральным казначейством, возможный экономический эффект может на порядки превысить расходы на ИИ-проект.

Фото- и видеобанки

Уход иностранных вендоров позволил российским компаниям создавать свои решения для пресс-служб органов власти. На сегодняшний день такие системы подкреплены полезным ИИ-инструментарием:

• автоматическая генерация описания сюжета картинки (например, «баскетболист присел с мячом»)
• определение запечатленных на фотографии сотрудников на основе кадрового реестра
• продвинутый поиск

Отметим, что подобный функционал вышел из стадии тестирования и уже используется в госсекторе.

Специализированные проекты

Как уже говорилось, многие органы власти создали внутри себя весьма квалифицированные команды. В этих случаях внутренние специалисты готовы ставить ИИ-подрядчикам очень конкретные, сложные задачи. Например, выявление неочевидных взаимосвязей в огромном корпусе нормативных требований, совмещение требований к оборудованию с информацией об установленными в стране лабораториями. Возможно, каждое федеральное ведомство ждёт предложений от коллективов, готовых углубляться в специфику их деятельности, предлагать целый пул инструментов по работе с большими данными и ИИ.

Заключение

Заканчивая этот раздел, важно напомнить, что государственный заказчик рассматривает несколько потенциальных эффектов от внедрения – выгоды для пользователей (внутренних и внешних) и финансовый результат (снижение стоимости текущего порядка работы). В обоих случаях требуется показать расчёты и пути их достижения в виде некоторых моделей. Покупка ИИ-решений в госсекторе на хайпе выглядит не очень реальным сценарием.

Приложение. Начните первый пилотный проект по ИИ

Госсектор любит «пощупать» приобретаемые решения, не очень доверяет лозунгам. Поэтому пилотирование того или иного решения – стандартная практика. Перед началом пилотного ИИ-проекта рекомендуем составить его план. Приведём некоторые идеи, исходя из накопленного опыта.

Выдвинете гипотезу пользы конечного проекта

Показатели можно сформулировать из опыта автоматизации предметной сферы, рекомендаций по клиентоцентричности.

1. «Автоматизация первой линии обращений. ИИ позволит давать ответы на вопросы пользователей в 75% случаев онлайн в противовес 3 дням в настоящее время. Точность классификации обращений для передачи на вторую линию составит 99% в отличие от 90% в настоящее время. Точность классификации позволит сэкономить 5 рабочих дней для 10% вопросов, передаваемых на вторую линию».

2. «Сокращение времени обработки обращений на этапе модерации на 20%. Сокращение ошибок классификации на 5%. Повышение удовлетворенности пользователей от работы с сервисом на 20% за счет …».

Отличным источником гипотез являются материалы по клиентоцентричности органов власти:
А. Стандарт «Государство для людей».
Б. Стандарт «Государство для бизнеса».
В. Методические и практические рекомендации «Управление клиентским опытом в государственной службе занятости населения Российской Федерации». Обеспечение клиентоцентричности работы центров занятости населения.

3. Экспертный метод помогает выявить 3-5% жизненных ситуаций во время проектирования домена. ИИ позволит сформировать 100% жизненных ситуаций за то же время.

4. В части работы с текстами можно использовать исходные показатели ФНС: «24,1% не удовлетворены конкретностью ответа, 22,6% не удовлетворены понятностью ответа», согласно телефонному опросу Единого контакт-центра ФНС России (00:11:00). То есть можно ставить цели по сокращению указанных показателей.

Замените рабочую гипотезу на выводы на этапе осмысления итогов пилота.

Подготовьте исходные данные

Для пилота, связанного с ответами на вопросы пользователям систем или обращений граждан, хватает 1500-2000 записей + руководство пользователя и администратора + типовые вопросы и ответы. Важно, чтобы этот объём ответов был качественным - отвечал на вопросы; в некоторых случаях разработчикам приходилось отсеивать более половины исходного датасета. Если есть исторические данные, то хорошо бы использовать и их, т.к. иногда явно видны изменения данных. Можно устроить проверку, как модель учитывает изменения.

Анонимизируйте данные для пилота

Обычно пилотные проекты, например, по ИБ-продуктам разворачиваются во внутреннем контуре заказчика. Потому что проверяется функционал и совместимость с инфраструктурой органа власти. А вот ИИ-пилоты пока запускаются на ресурсах подрядчика. Из этого следует необходимость деперсонализации передаваемого датасета.

В идеале можно использовать специальное ПО, развёрнутое в органах власти. Но оно встречается пока редко. Поэтому иногда сотрудникам органов власти приходится тратить время на ручную обработку данных. Многоточие вместо ФИО – плохая идея, т.к. модель будет воспринимать «...» как данные. Рекомендуем заранее договориться о правилах замены чувствительных сведений.

Оцените имеющиеся данные

Очень важно, чтобы обе стороны проекта имели глубокое представление о данных:

1. Понимали изменение данных во времени
2. Видели аномальные ситуации
3. Оценивали исходное качество обработки данных, проводимых людьми. Например, количество ошибок при классификации обращений граждан
4. Выделяли группы запросов, чтобы проверять все типовые ситуации

Эти детали помогут сформировать программу и методику испытаний (ПМИ).

Запланируете процедуру сдачи-приёмки

Рекомендуем проводить приёмку пилота в стиле сдачи-приёмки информационной системы. Не надо тратить много усилий на подготовку ПМИ в соответствии с ГОСТ. Но хотя бы подготовьте разнообразные примеры для тестирования. В частности, выделите их из первоначального массива или напишите свои, раздайте комиссии чек-листы для оценки каждого примера, проходите каждый пример в нудном стиле, фиксируйте результат: «пройден/не пройден, комментарий». Не поддавайтесь объяснениям вида «Да не, нормально модель отработала». В идеале посмотрите несколько решений в один заход в течение недели. Чем сложнее рассматриваемая тема, тем лучше вы поймёте разницу между предлагаемыми ИИ-решениями. Иногда ИИ-инструментов просто не хватает, что хорошо видно при системно ошибочных ответах.

Осмыслите итоги пилота

По итогам пилота сделайте выводы, что именно даёт ИИ, укажите качественные и количественные оценки. Опишите перечень необходимых технологий, подготовьте архитектуру, рассчитайте необходимые вычислительные ресурсы, подготовьте требования по ИБ, сделайте финансовый расчёт стоимости проекта в целом.

Пример плана пилотного проекта

Каждый ИИ-проект уникален. Для среднесложного проекта, учитывая, что на рынке есть несколько потенциальных исполнителей и 4-5 ИИ-технологий в проекте, можно привести такой календарный план:

1. Обсуждение цели и границ проекта – 2-3 недели – заказчик и исполнитель
2. Подготовка данных – 2-4 недели – заказчик
3. Оценка данных и подготовка ПМИ – 2-3 недели – заказчик и исполнитель
4. Настройка модели на ресурсах вендора – 4 недели – исполнитель
5. Сдача-приёмка проекта – 1 неделя – заказчик и исполнитель
6. Письменное осмысление итогов проекта – 1-2 недели – заказчик и исполнитель

«Простые» ИИ-пилоты (на рынке есть много команд, которые обладают схожим опытом и инструментом, используется 1-2 ИИ-технология) можно провести за 4-5 недель.

Примечания