هوش مصنوعی مولد گوگل کلاد عملیات برنامه‌ریزی شوراها را خودکار می‌کند

وزارتخانه‌های دولتی در حال استقرار هوش مصنوعی مولد گوگل کلاد در آژانس‌های شهری برای خودکارسازی عملیات برنامه‌ریزی شوراها هستند.

اداره بخش عمومی با حجم عظیمی از داده‌های بدون ساختار مواجه است که توسعه زیرساخت‌ها را به تأخیر می‌اندازد. دولت مرکزی بریتانیا هدفی برای ساخت ۱.۵ میلیون خانه جدید تا سال ۲۰۲۹ تعیین کرده است. مقامات محلی برنامه‌ریزی با انباشت اداری ناشی از مدارک متراکم روبرو هستند که این timelines توسعه را به تعویق می‌اندازد.

برای رفع این محدودیت‌ها، وزارت مسکن، جوامع و دولت محلی (MHCLG) و وزارت علوم، نوآوری و فناوری (DSIT) دو ابزار یادگیری ماشینی را گسترش دادند که برای تسریع پردازش شهری طراحی شده‌اند. مقامات در اجلاس گوگل کلاد لندن تأیید کردند که برنامه «Extract» در سطح ملی مستقر شده و نمونه اولیه «Augmented Planning Decisions» (APD) در حال پیشرفت است.

لیلا ابراهیم، افسر ارشد آمادگی هوش مصنوعی در گوگل دیپ‌مایند، گفت: «بریتانیا فرصتی برای ساخت خانه‌هایی که جوامع ما نیاز دارند دارد، اما شوراهای محلی با کوهی از مدارک مواجه هستند. به همین دلیل ما مستقیماً با شوراها ابزار برنامه‌ریزی پیشرفته‌ای را共同 ایجاد می‌کنیم تا bottlenecks واقعی را حل کنیم.

«این کار زمان تصمیم‌گیری را به طور قابل توجهی کاهش می‌دهد و برنامه‌ریزان را آزاد می‌کند تا بر آینده تمرکز کنند و بریتانیا را سریع‌تر بسازند.»

درخواست‌های خانگی که شامل اصلاحات روتین خانگی مانند تبدیل اتاق زیر شیروانی یا extensions ملک می‌شوند، نزدیک به ۷۰ درصد از تمام درخواست‌های برنامه‌ریزی ارسالی سالانه را تشکیل می‌دهند. ارزیابی دستی این submissions استاندارد نیازمند صرف ساعت‌ها توسط افسران برنامه‌ریزی برای cross-referencing اسناد سیاست منطقه‌ای، آرشیوهای تاریخی و فایل‌های PDF بدون ساختار است.

چنین فرآیند ارزیابی تکراری ساعات اداری را مصرف می‌کند که در غیر این صورت می‌توانست از توسعه‌های زیرساختی و تجاری عمده حمایت کند. استقرار اتوماسیون این توزیع اداری را هدف قرار می‌دهد و هدف آن کاهش timelines تصمیم‌گیری درخواست‌ها به میزان ۵۰ درصد است.

قابلیت‌های اصلی ابزارهای هوش مصنوعی مولد گوگل کلاد

مهندسان MHCLG و تیم هوش مصنوعی کاربردی دولت، انکوباتور برای هوش مصنوعی (i.AI)، ابزار Extract را به صورت داخلی با استفاده از مدل‌های پایه Gemini ساختند. پس از آزمایش‌ها در بیش از ۲۰ مقام برنامه‌ریزی محلی، این برنامه به هر شورا در انگلستان گسترش یافت.

Extract داده‌های بدون ساختار قفل‌شده در سوابق PDF قدیمی را تجزیه می‌کند و صدها صفحه از مستندات برنامه‌ریزی تاریخی را در عرض چند دقیقه به مجموعه داده‌های دیجیتال ساختاریافته تبدیل می‌کند. داده‌های عملیاتی از فازهای آزمایشی نشان می‌دهد که این ابزار تقریباً ۲۵۵ ساعت ورود دستی داده را در هر شورا سالانه حذف خواهد کرد. این کاهش به مقامات محلی اجازه می‌دهد تا پرسنل را به وظایف ارزیابی پیچیده اختصاص دهند.

ادغام مدل‌های زبان بزرگ در workflows بخش عمومی نیازمند محیط‌های امنیتی درجه سازمانی است. مقامات محلی سوابق مدنی حساس را پردازش می‌کنند و نیازمند پروتکل‌های مدیریت ریسک دقیق برای جلوگیری از افشای داده هستند.

دولت مدل‌های Gemini را روی گوگل کلاد میزبانی کرد تا محیط عملیاتی محافظت‌شده‌ای ایجاد کند که در آن حاکمیت داده حفظ شود. این محیط ابری دارای کنترل‌های امنیتی فعال برای مسدود کردن ورودی‌های مخرب، از جمله حملات تزریق پرامپت است. این چارچوب فنی تضمین می‌کند که داده‌های شهری حساس در طول چرخه‌های محاسباتی تست و تولید امن باقی بمانند.

سیستم APD در عین حال به عنوان دستیار تحلیلی برای افسران برنامه‌ریزی شهری عمل می‌کند و چهار وظیفه اداری اصلی را خودکار می‌کند:

1. این سیستم مستندات ورودی را با پیش‌پردازش backlogهای داده، علامت‌گذاری شکاف‌های اطلاعات گمشده و استخراج داده‌های جغرافیایی اصلی سایت به یک رابط کاربری واحد برای بررسی افسر ادغام می‌کند.
2. نرم‌افزار قوانین zoning ملی و محلی مرتبط را شناسایی می‌کند، حاشیه‌های انطباق را ارزیابی می‌کند و استنادهای دقیق سیاست را برای تأیید دستی اضافه می‌کند.
3. این برنامه نامه‌های مشاوره عمومی را تجزیه می‌کند و objections ذینفعان یا precedents قانونی تاریخی را خلاصه می‌کند.
4. این مدل پیش‌نویس‌های اولیه گزارش‌های ارزیابی نهایی را شامل rationale فنی و شرایط تأیید توصیه‌شده تولید می‌کند.

پروتکل‌ها dictate می‌کنند که افسران برنامه‌ریزی انسانی authority تصمیم‌گیری نهایی را بر هر درخواست حفظ کنند. نرم‌افزار به طور مستقل تأییدها یا ردهای نهایی را خودکار نمی‌کند. اعضای staff هر خط متن تولیدشده توسط مدل‌های یادگیری ماشینی را بررسی می‌کنند و reasoning تحلیلی را قبل از اعتبارسنجی گزارش اصلاح می‌کنند.

برای حفظ accountability نظارتی، نمونه اولیه APD مراحل پردازش داخلی خود را به صورت sequential ثبت می‌کند. این مکانیسم زنجیره فکری قابل حسابرسی ایجاد می‌کند و trail تأیید برای هر درخواست پردازش‌شده فراهم می‌آورد تا از تعیین نهایی افسر حمایت کند.

آزمایش‌های برنامه‌ریزی شوراهای محلی و timelines مقیاس‌بندی

توسعه نمونه اولیه APD بر چارچوب مشارکتی متکی است که administrators بخش عمومی را با تیم‌های مهندسی از گوگل کلاد، گوگل دیپ‌مایند و Faculty مرتبط می‌کند.

نسخه آلفا در سه مقام محلی تحت آزمایش زنده قرار دارد: London Borough of Barnet، Dorset Council و London Borough of Camden. آزمایش در این حوزه‌های قضایی منطقه‌ای متمایز به توسعه‌دهندگان مجموعه داده‌های شهری متنوعی ارائه می‌دهد تا نرم‌افزار را در برابر سیاست‌های محلی گوناگون تست کنند.

برنامه‌ریزان مرکزی قصد دارند فاز آلفا را تکمیل کنند و ابزار APD را تا سال ۲۰۲۷ به تمام بیش از ۳۰۰ مقام محلی انگلیسی مستقر کنند. گوگل کلاد زیرساخت محاسباتی الاستیک مورد نیاز برای مدیریت هزاران query استنتاج همزمان تولیدشده در طول عملیات روزانه را فراهم می‌کند.

پل مالتبای، مدیر خدمات عمومی در Faculty، اظهار داشت: «سیستم برنامه‌ریزی انگلیسی مسدود شده است. افسران برنامه‌ریزی مجبورند نیمی از زمان خود را صرف بررسی درخواست‌ها برای تبدیل اتاق زیر شیروانی کنند و آن‌هایی برای estates مسکونی و انبارها را متوقف نگه دارند.

«ساخته‌شده با افسران برنامه‌ریزی، سیستم هوش مصنوعی ما drudgery بررسی درخواست‌های برنامه‌ریزی ساده را حذف می‌کند تا آنها بتوانند تصمیمات سریع بگیرند. این کار به افسران برنامه‌ریزی اجازه می‌دهد تا بر توسعه‌های عمده که اهمیت دارند تمرکز کنند و crucially به خانواده‌ها اجازه می‌دهد بدون ماه‌ها تأخیر و uncertainty خانه‌های خود را بهبود بخشند.»

نایشا پولاین، مدیر اجرایی رشد در Barnet Council، افزود: «قابلیت ابزار برای جمع‌آوری اطلاعات مرتبط، انجام ارزیابی اولیه و پیش‌نویس foundations گزارش پتانسیل صرفه‌جویی قابل توجهی در زمان افسر صرف‌شده روی اداره درخواست‌های برنامه‌ریزی دارد و آن را به سمت تسریع فرآیند تصمیم‌گیری برای ساکنان هدایت می‌کند. در turn، این به طور قابل توجهی به تحویل اهداف رشد ساخت خانه در borough کمک خواهد کرد.»

هماهنگی بین MHCLG، i.AI، گوگل دیپ‌مایند و Faculty تقسیم کار ساختاریافته‌ای برای مهندسی نرم‌افزار سازمانی ایجاد می‌کند. وزارتخانه‌های عمومی guidelines سیاست و boundaries قانونی را تعریف می‌کنند، در حالی که شرکای فنی خارجی معماری‌های مدل زیربنایی را مهندسی و مستقر می‌کنند.

ادغام موفق این سیستم‌ها feasibility میزبانی مدل‌های زبان پیشرفته را در زیرساخت ابری عمومی امن برای پردازش workloads اداری اصلی و مدرن‌سازی تحویل خدمات عمومی نشان می‌دهد.