文/Ron Schmelzer
随着世界走向数字化和数据驱动，人们越来越希望提高数据的可视化和透明度。在这个过程中，世界各地政府正逐步在提交和支付税收，以及获取收入等方面推广数字化，并将更加深入的数据使用模式应用到自身的支出管理上。
美国联邦政府中知名度较低的机构之一是财政服务局（Bureau of the Fiscal Service，BFS）。作为美国财政部的一个部门，BFS负责管理美国联邦政府的会计、中央支付系统和公共债务。实质上，它就是美国联邦政府的簿记员。考虑到每年流入美国国库的数万亿美元，这是一个重要的角色。自联邦资金问责与透明法案（Federal Funding Accountability and Transparency Act，FFATA）在2006年9月26日成为法律以来，BFS开启了一系列以数据为中心的努力，从而为政府支出提供可见性，包括USASpending.gov、FiscalData.Treasury.gov、DataLab.USASpending.gov。
在这个过程中，BFS在AI的使用上投入了大量资金，而这也是BFS首席数据官Justin Marsico在2021年11月18日将要展示的主要内容。在那次展示中，Justin Marsico会分享BFS在AI应用方面的深度投入，以及在政府支出和收入方面的一些洞察。
在这篇文章中，Justin Marsico分享了对于AI在BFS中使用的一些看法。
在通过数据和AI来使BFS受益上，你们有何创新？
Justin Marsico：在BFS，我们正利用AI对复杂金融数据进行创新。例如，AI能帮助将拨款法案转换成结构化数据，这样我们就可以将支出数据分配给特定的项目。这有助于我们通过数据可视化和其它可视化工具简化流程，进而节省时间。另外，我们也开始用AI进行欺诈检测和神经搜索，以改善我们面向公众的网站的搜索功能。
你们是如何通过自动化来帮助转向AI的？
Justin Marsico：数据存储向云端的转移，为自动化ETL（提娶转换和加载）、数据质量评估、异常值检测提供了机会，并提高了我们为机器学习系统奠定基础的能力。
对于自动化和认知技术项目，你们如何确定该从哪个问题领域开始？
Justin Marsico：我们与联邦流程改进团队密切合作，以确定哪些流程可以从RPA中获益，哪些流程可以从AI中获益，AI的采用案例通常来自于流程改进的努力和技术。另外，我们还从银行、会计和数据收集方面的创新中学习了一些众所周知的案例，而它们可以应用到我们当前的系统中。
在数据和AI方面，公共部门有哪些独特的机遇？
Justin Marsico：总体而言，公共部门在数据合成、数据融合和数据收集方面拥有巨大的机遇，包括为公众提供信息，以及建立起加快衡量政策有效性和公共安全性、并优化开放数据共享的关键系统。通过BFS所协助建立起来的系统，美国联邦雇员能提高财务报告的准确性，并缩短向机构提供货币服务的交付时间。
你可以分享哪些成功的AI应用案例？
Justin Marsico：BFS已经成功地在税收征管部门进行了AI欺诈检测的试点，并在自然语言处理方面进行了尝试，将国会拨款法案转换为结构化数据，然后将支出分配到联邦账户。
公共部门在应用AI和机器学习方面有什么挑战？
Justin Marsico：无论在私营部门还是公共部门，治理和数据共享始终是一个挑战。对于以不歧视的方式使用机器学习存在着合理数据伦理的担忧。另外，还需要权衡数据的可共享性、IT安全性和隐私。政府正在积极地对系统进行现代化改造，但在部署机器学习系统之前，需要等待一个在可用性、治理规则、网络安全需求、API等领域的开发过程。
在BFS，分析、自动化和AI如何协同工作？
Justin Marsico：分析和AI通常要经过层层的同行评审，所以AI的解释能力或因果模型很重要。一般的仪表板可以自动化，但是当研究问题和探索因果关系的目标是为战略决策者提供解释时，这种类型的工作需要有科学的严谨性。
你们是如何处理有关AI使用的隐私、信任和安全问题的？
Justin Marsico：我们建立了一个数据治理委员会和一个分析小组委员会，将利益相关者聚集在一起，以保证系统开发是安全的。在BFS里，我们还会针对特定用途来采用联邦数据战略和数据道德框架。如果得到适当的实施，数据伦理将有助于BFS的数据用户做出公平决策，并促进数据生命周期内的问责制。
你们在开发AI劳动力方面做了什么？
Justin Marsico：我们已经建立了一个跨部门的分析实践社区。通过与该社区合作，我们正在开发一个由社区主导的通用数据科学工具认证项目。另外，我们还刚刚完成了一项全BFS范围内的数据挑战，并计划每年进行一次，同时我们还会探索其它针对公众和我们的认证项目的周期性挑战。
在未来几年，你最期待的AI技术是什么？
Justin Marsico：我们期待的一个领域是合成数据，因为这可以帮助我们改善公共数据的可用性。此外，深度强化学习的发展趋势可能会对机构的运作产生重大影响。为了支持AI，我们一直关注数据工程系统的趋势，包括数据网格架构和机器学习的使用，以帮助跨不同系统的数据属性达到标准化。量子AI系统距离我们还很远，但也可能产生重大影响。随着技术的不断成熟，我们将继续监测其未来的发展。
Ron Schmelzer是福布斯撰稿人。
