Искусственный интеллект в государственном и муниципальном управлении. Учебное пособие. 2-е издание

1 этап. Сбор и интеграция данных.

Первым шагом к автоматизации создания отчетов является сбор и интеграция данных из различных источников. ИИ может автоматически извлекать данные из баз данных, CRM-систем, ERP-систем и других источников информации. При этом могут использоваться российские аналоги программ Talend или Apache Nifi для автоматического сбора данных из различных источников, являющихся инструментами для ETL (Extract, Transform, Load). ИИ может анализировать данные и преобразовывать их в нужный формат, готовя их для дальнейшего анализа.

2 этап. Обработка и анализ данных.

После сбора данных ИИ помогает в их обработке и анализе. Системы на базе машинного обучения могут анализировать социально-экономические показатели и выявлять закономерности, тренды и аномалии в данных, что позволяет создавать более точные и информативные отчеты.

3 этап. Визуализации отчетов.

ИИ помогает автоматически форматировать и визуализировать данные в отчетах, создавая графики, таблицы и дашборды для более удобного восприятия информации. Инструменты, такие как российские аналоги программ Tableau и Power BI, используют ИИ для автоматической генерации отчетов с визуализацией данных.

4 этап. Корректировка отчетов в реальном времени.

Одним из преимуществ ИИ является возможность автоматической корректировки отчетов в реальном времени. Это особенно важно для учреждений, которым необходимо постоянно отслеживать ключевые показатели эффективности (KPI). Российские аналоги таких систем, как Google Data Studio, могут подключаться к данным в реальном времени и автоматически обновлять отчеты. Это позволяет учреждениям всегда иметь доступ к актуальной информации и быстро реагировать на изменения.

5 этап. Распределение отчётности.

После создания отчетов ИИ может автоматизировать процесс их распределения среди заинтересованных сторон. Системы могут автоматически отправлять отчеты по электронной почте или загружать их в облачные хранилища. Министерства и ведомства могут настроить автоматическую отправку отчетов на основе расписания. Например, финансовые отчеты могут быть автоматически сформированы и отправлены руководству каждую пятницу в конце рабочего дня.

Исходя из этих этапов, можно сформировать следующие основные кейсы по использованию ИИ для формирования отчётности и статистики в государственных и муниципальных органах.

2.1. Автоматизация составления текущих отчётов. ИИ может автоматически собирать данные из различных источников (например, базы данных, электронные таблицы) и составлять на их основе текущие отчёты как по отдельно взятому ведомству или органу власти, так и в рамках межведомственного взаимодействия. Это позволит сократить время на подготовку отчётов и уменьшить вероятность ошибок.

2.2. Генерация отчётов о выполнении государственных программ. Искусственный интеллект может анализировать данные о реализации конкретных государственных программ из различных источников (например, базы данных, электронные таблицы, текущие отчёты ведомств) и автоматически генерировать отчёты о достигнутых результатах в рамках конкретной госпрограммы. Это поможет государственным органам получать актуальную информацию о ходе выполнения программ.

2.3. Составление финансовых отчётов для государственных и муниципальных учреждений. В рамках этого кейса можно разработать модель ИИ, которая будет автоматически составлять финансовые отчёты на основе данных бухгалтерского учёта по исполнению бюджетов. Это упростит процесс бюджетирования, подготовки финансовых отчётов и повысит их точность.

2.4. Применение ИИ для глубокого анализа статистических данных. Глубокий анализ статистических данных с помощью ИИ может помочь государственным и муниципальным учреждениям выявлять медленно формирующиеся скрытые тенденции и неявные закономерности.

2.5. Разработка системы автоматического контроля исполнения законов. Данный кейс предполагает разработку системы ИИ, которая отслеживает исполнение законов и нормативных актов государственными органами и муниципальными учреждениями. Система должна автоматически собирать данные о соблюдении законов и составлять отчёты о выявленных нарушениях.

Приведём несколько примеров успешной автоматизации создания отчетов с помощью ИИ.

СКБ Контур купил сервис аналитики и коммуникаций с клиентами Scena. one. В его основе лежит искусственный интеллект, благодаря которому сервис составляет отчёты, агрегируя данные CRM-систем о предпочтениях действующих и временно неактивных клиентов и позволяя прогнозировать их будущие потребности.

МегаФон для формирования отчётов купил разработчика аналитических ИИ-платформ oneFactor, специализирующегося на разработке аналитических платформ на базе искусственного интеллекта для банковской сферы, страховых компаний, электронной коммерции, ритейла и туризма.

Тинькофф представил ИИ систему для бизнес-аналитики, отчётов и прогнозирования под названием ETNA, с помощью которой можно анализировать и прогнозировать основанные на данных процессы – от количества осадков предстоящей зимой до потребностей компании в найме новых сотрудников.

На уровне государства аналогом таких систем должна была стать в 2020 году Государственная автоматизированная система правовой статистики (ГАС ПС) – информационная система, предназначенная для обеспечения автоматизированной поддержки функций Генеральной прокуратуры Российской Федерации по осуществлению государственного единого статистического учета заявлений и сообщений о преступлениях, состояния преступности, раскрываемости преступлений, состояния и результатов следственной работы и прокурорского надзора, а также по формированию и представлению отчетности органов прокуратуры Российской Федерации [45]. Одной из конечных целей ввода в эксплуатацию ГАС ПС являлась возможность отслеживания заявителем результатов рассмотрения его заявления правоохранительными органами в сети «Интернет», в том числе посредством портала «Госуслуги». В декабре 2023 года законопроект о переносе сроков ввода в эксплуатацию ГАС ПС на 01.01.2027 одобрен Федеральным Собранием РФ и подписан Президентом РФ.

Задачами развития органов государственной статистики, обозначенными в Стратегии развития системы государственной статистики и Росстата до 2030 года, утверждённой распоряжением Правительства Российской Федерации от 30 декабря 2024 г. №4159-р, в контексте применения ИИ стали:

– ускорение предоставления статистических данных за счет совершенствования методологии и использования современных технологий обработки данных, включая инструменты на базе искусственного интеллекта;

– соответствие статистических данных требованиям к использованию в машинном обучении и обработке с помощью инструментов искусственного интеллекта;

– создание корпоративного университета для развития компетенций сотрудников, связанных со сбором, обработкой и распространением данных, обработкой административных данных и использованием инструментов искусственного интеллекта [46].

3. Прогнозирование потребностей.

С помощью алгоритмов машинного обучения в государственных учреждениях можно анализировать исторические данные о потребностях в ресурсах (например, финансовых, человеческих, материальных) и прогнозировать будущие потребности. Это помогает государственным и муниципальным органам власти более эффективно планировать свою деятельность и распределять ресурсы.

Данному направлению соответствуют следующие практические кейсы:

3.1. Прогнозирование потребностей в социальной сфере и социальной инфраструктуре. Социальные процессы – это динамичные и многоаспектные явления, которые трудно предсказать и объяснить без глубокого анализа больших объемов данных. Применение алгоритмов машинного обучения позволяет не только анализировать текущее состояние социальных систем, но и прогнозировать их изменения в будущем, что является ключевым аспектом в планировании политических, экономических и социальных стратегий на государственном уровне.

ИИ может анализировать данные о заболеваемости населения, чтобы предсказать потребность в медицинских услугах и ресурсах (например, количество коек в больницах, количество врачей и медсестёр), это поможет государственным органам здравоохранения планировать распределение ресурсов и улучшать качество медицинской помощи. Первой в России системой искусственного интеллекта, зарегистрированной Росздравнадзором как программное медицинское изделие, стала платформа прогнозной аналитики и управления рисками в здравоохранении под названием Webiomed [47].

Искусственный интеллект может анализировать данные об учащихся, преподавателях и учебных заведениях, чтобы предсказать потребность в образовательных ресурсах (например, учебные материалы, оборудование, здания), это помогает органам образования планировать развитие образовательной системы и обеспечивать её эффективность. Один из примеров ИИ-системы прогнозирования потребности в учителях в России – платформа Analytics & Insights. Её разработала компания PowerSchool. Платформа помогает отслеживать динамику по разным показателям и составлять аналитические дашборды и прогнозы, исходя из имеющихся данных. Она анализирует успеваемость и посещаемость учеников, а также на основе этих данных составляет прогнозы о перспективах поступления в вуз или, наоборот, не окончить школу вовремя из-за плохих показателей. Руководители учебных заведений могут увидеть информацию не только по отдельным классам, но также по всей образовательной организации и школьному округу. Помимо данных, доступных педагогам, администрация может получить прогноз о будущем числе первоклассников, а также анализировать потребность в кадрах [48].

ИИ может также анализировать данные о социальных потребностях населения (например, потребность в жилье, питании, одежде), чтобы предсказать необходимость в социальных услугах и ресурсах. Так, например, для логичного размещения ритейлерами своих предприятий оффлайн торговли российскими разработчиками выводится на рынок ИИ-продукт под названием GeoSurf, задачами которого является сбор картографических данных об организациях, их анализ и геоаналитика. Также потенциальными клиентами могут быть застройщики (предсказание наиболее перспективных мест и цен для новых домов) и госорганизации (размещение социальных объектов). Модель будет обрабатывать данные компании-клиентов, в том числе данные о выручке и геоданные для существующих точек компании из открытых источников. На этих данных сервис на основе искусственного интеллекта будет подчёркивать нужные зависимости, на основании которых затем алгоритмом будет предлагаться размещение новых локаций [49].

3.2. Прогнозирование развития туристической сферы. Туристическое направление – еще одна сфера, где ИИ и большие данные могут привести к значимым результатам. Это позволяет не только улучшать туристическую инфраструктуру, но и понимать, какие объекты привлекают отечественных туристов, а какие – зарубежных. Так, эффективно применять данные аналитики можно на уровне местных администраций и туристских информационных центров. К примеру, геоаналитика туристического потока поможет властям спланировать, где требуется развивать туристическую инфраструктуру, где целесообразно размещать кемпинги, глемпинги и иные туристические объекты. Она подсветит новые туристические маршруты и точки притяжения туристов и покажет портрет туриста, кому интересны такие локации. Так же геоаналитика турпотока поможет запланировать различные мероприятия и фестивали. А сбор отзывов и рекомендаций путешественников может подсказать властям, в какой точке требуется финансирование – возможно, туристы недовольны состоянием транспортной инфраструктуры, программами, которые предлагает тот или иной музей, жалуются на отсутствие качественных заведений общепита или неухоженные газоны.

Так, например, «Билайн. Геоаналитика» показывает самые популярные регионы, в которые стремятся путешественники, предоставляет детальную информацию по каждому субъекту страны – количественные показатели туристического потока (туристы и экскурсанты), откуда приезжают туристы и на чем они приезжают в регион, средние значения длительности поездок, пол, возраст, семейный статус и уровень дохода туристов [50].

Активно в сфере туризма развиваются и рекомендательные системы, разработанные в том числе на базе технологий искусственного интеллекта. Так, заходя на сайт оператора или даже просто читая ту или иную страницу в интернете, человек может увидеть рекламный баннер, который его заинтересует. Кроме того, информация о количестве бронирований, сезонных тенденциях, инфляции в странах, экономической и политической ситуации позволяет туркомпаниям прогнозировать спрос на билеты и отели – и оптимизировать цены на свои продукты. Это помогает получать максимум дохода в пиковые месяцы и эффективнее выстраивать работу в сезон низкого спроса.

3.3. Прогнозирование потребности в финансовых ресурсах. Государственные и муниципальные учреждения могут использовать ИИ для прогнозирования потребности в бюджетных средствах на различные программы и проекты. На основе этих прогнозов можно составлять бюджеты и планировать расходы.

Так, например, в 2024 году Минфин РФ совместно со Сбербанком запустили пилотный проект по использованию искусственного интеллекта в бюджетном процессе. ИИ-технология помогает в сопоставлении кодов бюджетной классификации (обозначают статьи доходов и расходов казны) и привязанных к ним результатов. ИИ пока работает на уровне 84% точности. В будущем технология позволит повысить эффективность и прозрачность управления госфинансами [51].

Компания «Первый Бит» разработала уникальный инструмент сценарного моделирования – векторную бюджетную модель (VBM). Данное решение является универсальным модулем, который расширяет возможности бюджетирования в 1С. Благодаря технологиям искусственного интеллекта и машинного обучения учреждения смогут оценить риски, повысить скорость и точность бюджетирования. VBM позволяет получать более точные прогнозы и увеличить эффективность бюджетного планирования [52].

4. Оптимизация работы общественного транспорта.

Данному направлению соответствуют следующие практические кейсы:

4.1. Прогнозирование транспортных ресурсов, загруженности городских маршрутов. ИИ может анализировать большие объёмы данных о транспортных потоках, состоянии дорог и других факторах, влияющих на транспортную инфраструктуру, загруженность маршрутов в реальном времени на основе данных о транспортных потоках и погодных условиях, чтобы прогнозировать потребность в транспортных ресурсах (например, автобусы, поезда, автомобили). Это поможет государственным органам планировать развитие транспортной системы, предложить оптимальные маршруты для автобусов, троллейбусов и трамваев.