Kai kalbame apie dirbtinį intelektą viešajame sektoriuje, dažniausiai įsivaizduojame kažką abstraktaus – algoritmus, kurie kažkur fone tvarko duomenis. Realybėje Lietuvos institucijos jau kelerius metus naudoja DI sprendimus, kurie tiesiogiai veikia žmonių gyvenimus: nuo to, ar gausite bedarbio pašalpą laiku, iki to, ar jūsų mokesčių deklaracija pateks į patikrinimų sąrašą. Klausimas nebe „ar naudoja”, o „kaip gerai tai daro” ir „kiek mes apie tai žinome”.
Pabandžiau surinkti septynis atvejus, kurie, mano manymu, geriausiai atspindi šiandieninę situaciją. Kai kurie iš jų plačiai aptarti viešai, kiti veikia gana tyliai – be didelio triukšmo, bet su realia įtaka procesams.
Sodra ir rizikos modeliavimas
Sodra jau kurį laiką naudoja analitinius modelius, padedančius identifikuoti galimus pažeidimus – pavyzdžiui, fiktyvų įdarbinimą ar neteisėtai gaunamas išmokas. Sistema analizuoja įmokų mokėjimo istoriją, darbo santykių pokyčius ir kitus rodiklius, kad paženklintų atvejus, verčiančius papildomai pasidomėti. Svarbu pastebėti – tai nėra sprendimas „taip/ne”, o rizikos balas, kurį toliau vertina žmogus. Bent jau taip turėtų būti pagal deklaruojamą metodiką.
VMI ir mokesčių rizikos vertinimas
Valstybinė mokesčių inspekcija ilgai naudojo statistinius modelius mokesčių mokėtojų segmentavimui, o pastaraisiais metais šie modeliai tapo sudėtingesni. Deklaracijų tikrinimo prioritetai, PVM grąžinimo patikros, net ir tam tikri automatiniai pranešimai mokesčių mokėtojams – visa tai remiasi algoritmine analize. Įdomu tai, kad būtent mokesčių srityje DI naudojimas kelia mažiausiai visuomenės nepasitenkinimo, nors poveikis žmonėms čia gali būti gana rimtas – nuo baudų iki ilgų patikrinimų procesų.
Užimtumo tarnyba – profiliavimas ir pasiūlymų atitikimas
Čia dirbtinis intelektas naudojamas bandant suderinti bedarbių profilius su darbo pasiūlymais bei nustatyti, kuriems asmenims reikalinga intensyvesnė pagalba integruojantis į darbo rinką. Idėja skamba logiškai – kodėl žmogus turėtų pats naršyti šimtus skelbimų, jei sistema gali tai padaryti greičiau? Tačiau čia iškyla ir opesnis klausimas: kiek toks profiliavimas gali netyčia sustiprinti esamus stereotipus, pavyzdžiui, dėl amžiaus ar išsilavinimo lygio?
Migracijos departamentas ir dokumentų tikrinimas
Vizų ir leidimų gyventi prašymų srautas pastaraisiais metais išaugo tiek, kad rankinis kiekvieno atvejo tikrinimas taptų praktiškai neįmanomas be papildomų įrankių. Automatizuotos sistemos padeda greičiau atpažinti dokumentų neatitikimus, įtartinus modelius prašymuose ar pasikartojančius pažeidimų požymius. Tai vienas iš tų atvejų, kur DI naudojimas nekelia didelių diskusijų viešai, nors sprendimai, susiję su asmens teise gyventi šalyje, yra vieni jautriausių, kokie tik gali būti.
Muitinė ir prekių rizikos vertinimas
Muitinės departamentas naudoja rizikos analizės sistemas, padedančias nuspręsti, kurie kroviniai turėtų būti tikrinami detaliau. Tai nėra naujiena – panašūs modeliai naudojami dešimtmečius, tačiau dabartinės sistemos vis labiau remiasi mašininio mokymosi principais, o ne fiksuotomis taisyklėmis. Praktinis efektas – greitesnis prekių judėjimas per sieną tiems, kurie atitinka „mažos rizikos” profilį, ir intensyvesnis dėmesys likusiems.
Valstybės sienos apsaugos tarnyba ir biometrinė atpažinimo technologija
Pasienio kontrolės punktuose naudojamos automatinės dokumentų ir veido atpažinimo sistemos – tai gal labiausiai matoma DI panaudojimo forma, nes su ja susiduria kiekvienas keliautojas. Sistema lygina keleivio veidą su dokumente esančia nuotrauka ir tikrina duomenis įvairiose duomenų bazėse. Čia dirbtinis intelektas veikia greičiau nei bet koks žmogus, tačiau klaidų kaina – neteisingas atpažinimas – gali būti gana didelė konkrečiam asmeniui, net jei statistiškai sistema veikia patikimai.
Registrų centras ir automatizuotas duomenų apdorojimas
Mažiau matomas, bet gana svarbus pavyzdys – Registrų centro naudojami įrankiai, padedantys automatiškai apdoroti didelius kiekius nekilnojamojo turto ir juridinių asmenų duomenų, aptikti neatitikimus tarp skirtingų registrų ir paženklinti įrašus, kuriuos reikėtų peržiūrėti rankiniu būdu. Tai nėra „sprendimų priėmimas” tiesiogine prasme, bet būtent tokie foniniai procesai dažnai nulemia, kiek greitai ir tiksliai veikia visa likusi sistema.
Kas lieka už algoritmo ribų
Peržvelgus šiuos septynis atvejus, ryškėja bendras vaizdas: Lietuvos institucijos DI naudoja pragmatiškai – ten, kur duomenų kiekis viršija žmogaus galimybes juos apdoroti rankiniu būdu. Tai nėra kažkoks ambicingas skaitmeninės transformacijos projektas, o veikiau natūrali reakcija į augantį darbo krūvį ir ribotus resursus.
Tačiau lieka ir neatsakytų klausimų. Kiek šie modeliai yra skaidrūs žmogui, kurio atveju buvo priimtas sprendimas? Ar egzistuoja realus mechanizmas apskųsti algoritmo išvadą, ar tik formalus „žmogus peržiūri” etapas, kuris praktikoje virsta automatiniu patvirtinimu? Kalbant apie rizikos vertinimo sistemas – kiek dažnai jos klysta, ir ar tos klaidos pasiskirsto tolygiai, ar susikoncentruoja tam tikrose grupėse?
Manau, kad būtent šis neapibrėžtumas ir yra šiandienos svarbiausia tema – ne pats DI naudojimas, kuris jau tapo faktu, o tai, kiek mes, kaip visuomenė, sugebame reikalauti atskaitomybės už sprendimus, kurių logikos dažnai net nematome. Technologija veikia tyliai ir efektyviai, tačiau efektyvumas savaime nėra teisingumo garantas.