Tarp eksperimento ir rutinos
Lietuvos viešasis sektorius su dirbtiniu intelektu elgiasi taip, kaip dažnai elgiamasi su nauja technologija – entuziastingai skelbia apie galimybes, kur kas atsargiau kalba apie realius rezultatus. Tai nėra kritika, greičiau – diagnozė. Institucijos, kurios dešimtmečiais dirbo pagal nusistovėjusias procedūras, negali per dvejus metus tapti technologijų startuoliais. Tačiau kai kurie žingsniai jau žengti, ir jie verti rimtesnio žvilgsnio nei oficialūs pranešimai spaudai.
Reikia suprasti kontekstą: Lietuva nėra didelė valstybė su begaliniais IT biudžetais. Tai reiškia, kad diegimo sprendimai dažnai priimami ne iš strateginės vizijos, o iš to, ką galima sau leisti ir kas jau veikia kaimyninėse šalyse. Kartais tai privalumas – galima mokytis iš kitų klaidų. Kartais – trūkumas, nes kopijuojami sprendimai, kurie nebūtinai tinka lietuviškam kontekstui.
Kas faktiškai veikia šiandien
Valstybinė mokesčių inspekcija turbūt yra pažangiausias pavyzdys. VMI naudoja automatizuotą rizikos analizę mokesčių vengimo atvejams identifikuoti – sistema analizuoja sandorių modelius, įmonių ryšius, deklaracijų anomalijas. Tai nėra kažkoks revoliucinis AI, bet tai veikia. Inspekcija viešai pripažįsta, kad algoritminis tikrinimas leido efektyviau paskirstyti auditorių laiką. Konkrečiai: mažiau atsitiktinių patikrinimų, daugiau tikslinių.
Registrų centras eksperimentuoja su dokumentų atpažinimu ir automatizuotu duomenų tikrinimo procesu. Čia svarbu nepervertinti – kalbame apie gana standartinį optinio simbolių atpažinimo ir duomenų validavimo derinį, o ne apie kažką itin sudėtingo. Bet net ir tai, kai veikia patikimai, sumažina rankinio darbo krūvį ir klaidų skaičių.
Teismų sistema – įdomus atvejis. Teisingumo ministerija yra kalbėjusi apie AI panaudojimą teismų praktikos analizei, ieškant precedentų ir padedant teisėjams orientuotis didžiuliame bylų masyve. Tai logiškas pritaikymas, nes teisės tekstai yra struktūruoti, o paieška pagal prasmę, o ne tik raktažodžius, tikrai galėtų padėti. Tačiau čia kol kas daugiau ketinimų nei įdiegtų sistemų.
Kur slypi realūs iššūkiai
Lietuviška kalba – tai problema, apie kurią kalbama nepakankamai atvirai. Didieji kalbų modeliai lietuviškai veikia žymiai prasčiau nei angliškai. Tai reiškia, kad institucijos, norinčios naudoti modernius AI įrankius, susiduria su pasirinkimu: arba dirbti su prastesnės kokybės lietuviška kalba, arba investuoti į specifinių modelių kūrimą, arba adaptuoti procesus taip, kad AI dalį darbo atliktų angliškai. Nė vienas variantas nėra tobulas.
Duomenų fragmentacija yra kita problema. Lietuvos valstybės duomenų bazės istoriškai kūrėsi atskirai, skirtingose institucijose, skirtingais formatais. AI sistemos minta duomenimis, o kai duomenys išsibarstę ir nesuderinti, net geriausi algoritmai duos vidutiniškus rezultatus. Tai ne technologinis, o valdymo iššūkis, ir jis sprendžiamas lėčiau nei norėtųsi.
Reguliavimas kuria papildomą įtampą. ES dirbtinio intelekto aktas nustato aiškias kategorijas ir reikalavimus, ir valstybės institucijos, dirbančios su jautriais duomenimis ar priimančios sprendimus, turinčius įtakos piliečiams, patenka į griežtesnio reguliavimo zoną. Tai nėra blogai – tai būtina. Bet tai reiškia, kad diegimas reikalauja ne tik techninio, bet ir teisinio bei etinio pasirengimo, kurio Lietuvos institucijose kol kas trūksta.
Ko laukiame ir ar verta laukti
Sveikata ir socialinė apsauga – sritys, kur AI potencialas didžiausias ir kur pokyčiai kol kas lėčiausi. Hipotetiškai: sistema, analizuojanti pacientų duomenis ir padedanti gydytojams anksti identifikuoti rizikos grupes, galėtų reikšmingai pagerinti profilaktinę medicinos pagalbą. Praktiškai: tai reikalauja duomenų sujungimo, privatumo apsaugos sprendimų ir medicinos bendruomenės pasitikėjimo – visi trys elementai Lietuvoje tebėra darbo stadijoje.
Savivaldybių lygmuo rodo įdomią tendenciją. Vilnius eksperimentuoja su AI pagrindu veikiančiais pokalbių robotais gyventojų aptarnavimui, ir tai yra sritis, kur technologijos jau pakankamai brandžios, o nauda – akivaizdi. Tačiau skirtumas tarp Vilniaus ir mažesnių savivaldybių yra milžiniškas, ir tai kelia klausimą apie skaitmeninę nelygybę viešojo sektoriaus viduje.
Galiausiai, svarbu nepamiršti žmogiškojo faktoriaus. Valstybės tarnautojai, kurie turės dirbti su naujomis sistemomis, dažnai nėra nei entuziastai, nei priešininkai – jie tiesiog žmonės, kuriems reikia aiškaus mokymo, suprantamos naudos ir garantijos, kad technologija jiems padės, o ne pakeis. Institucijos, kurios tai supranta ir investuoja į žmonių pasirengimą lygiagrečiai su technologijų diegimu, turės geresnius rezultatus nei tos, kurios perka sistemas ir tikisi, kad viskas susidėlios savaime. Lietuvos viešajame sektoriuje abiejų tipų institucijų yra – ir tai, ko gero, yra sąžiningiausias šios situacijos apibūdinimas.