Jak sztuczna inteligencja wspiera administrację publiczną: sukces wdrożenia S AI

W tym materiale pokazujemy, jak w praktyce działa AI w administracji publicznej - na przykładzie wdrożenia systemu S AI wspierającego typowanie spraw do kontroli.

Przeczytaj i dowiedz się:

  • jak połączyć modele predykcyjne z wiedzą ekspercką, zamiast je zastępować
  • w jaki sposób AI zwiększa skuteczność działań operacyjnych (nawet o 50%)
  • jak zaprojektować rozwiązanie, które działa w całości w infrastrukturze klienta i zapewnia pełną kontrolę nad danymi
  • dlaczego transparentność i audytowalność są kluczowe w sektorze publicznym
  • jak wygląda architektura systemu gotowego na dużą skalę i realne procesy

To przykład AI, która nie jest „czarną skrzynką”, tylko realnym narzędziem wspierającym decyzje bez utraty kontroli, bezpieczeństwa i odpowiedzialności.

Od digitalizacji do decyzji: AI, która realnie wspiera administrację

Transformacja cyfrowa sektora publicznego weszła dziś w etap, w którym nie wystarcza już sama digitalizacja dokumentów czy automatyzacja prostych czynności. Coraz większe znaczenie mają rozwiązania, które wspierają pracowników merytorycznych w podejmowaniu trafniejszych, szybszych i lepiej uzasadnionych decyzji. Właśnie w tym nurcie mieści się wdrożenie S AI — rozwiązania opartego na analityce predykcyjnej i regułach biznesowych, zaprojektowanego do wspierania procesów kontroli i wykrywania nadużyć w masowo składanych wnioskach obsługiwanych przez dużą instytucję polskiej administracji publicznej.

To przykład projektu, w którym sztuczna inteligencja nie zastępuje człowieka, lecz wzmacnia jego skuteczność. System wspiera użytkowników operacyjnych w identyfikowaniu spraw o najwyższym prawdopodobieństwie nieprawidłowości, pozostawiając ocenę, interpretację i decyzję po stronie ekspertów biznesowych. Równie ważne jest to, że rozwiązanie zostało zaprojektowane z myślą o wysokich wymaganiach bezpieczeństwa i kontroli nad danymi — od początku jako środowisko działające w infrastrukturze klienta, bez konieczności przekazywania danych do zewnętrznych usług.

Od potrzeby biznesowej do wdrożenia produkcyjnego

Projekt powstał jako odpowiedź na bardzo konkretną potrzebę organizacyjną:

jak skuteczniej wspierać proces typowania spraw do kontroli w środowisku, w którym do instytucji trafiają ogromne wolumeny wniosków, a skuteczność działania zależy od szybkiej identyfikacji przypadków odbiegających od normy.

Od początku było jasne, że kluczem do sukcesu nie będzie sama technologia, lecz właściwe połączenie wiedzy domenowej, danych historycznych, kompetencji analitycznych i architektury gotowej do działania na dużą skalę. W efekcie powstało rozwiązanie, które po przejściu przez etap analiz, budowy modeli, testów i integracji zostało uruchomione produkcyjnie jako element wspierający pracę operacyjną dużej organizacji publicznej.

AI wspierająca procesy kontroli w środowisku dużej skali

S AI działa jako rozwiązanie wspierające klasyfikację nowych spraw napływających do organizacji. System przetwarza dane wejściowe, wylicza zestaw cech opisujących dany przypadek, określa prawdopodobieństwo wystąpienia nieprawidłowości przy użyciu modelu predykcyjnego, a następnie przekazuje wynik do procesu operacyjnego, w którym eksperci podejmują dalsze działania. Projekt został zrealizowany w architekturze z wydzielonym komponentem do liczenia cech, odrębnym hostem modeli uczenia maszynowego i warstwą logiki biznesowej sterującą przebiegiem procesu.

To ważne rozróżnienie. S AI nie podejmuje decyzji administracyjnych i nie automatyzuje rozstrzygnięć. Jego zadaniem jest dostarczenie uporządkowanej, opartej na danych rekomendacji, która pomaga skoncentrować uwagę na sprawach najbardziej wymagających analizy.

W praktyce oznacza to zwiększenie efektywności działania tam, gdzie skala wpływających wniosków uniemożliwia ręczną, jednakowo pogłębioną ocenę wszystkich przypadków.

Bezpieczeństwo danych i pełna kontrola nad środowiskiem

Jednym z najmocniejszych atutów wdrożenia S AI jest model infrastrukturalny. Rozwiązanie zostało zaprojektowane tak, aby silniki predykcyjne były hostowane w całości on-premises, w środowisku klienta. Dotyczy to nie tylko samego wykonywania predykcji, ale również procesów związanych z przygotowaniem nowych zbiorów treningowych, uruchamianiem treningu modeli, ich walidacją, wersjonowaniem oraz publikacją do użycia produkcyjnego.

Z perspektywy instytucji publicznej ma to znaczenie fundamentalne. Dane pozostają pod pełną kontrolą organizacji, a cały cykl życia modelu — od danych treningowych po scoring produkcyjny — może być realizowany w ramach własnej infrastruktury i własnych procedur bezpieczeństwa. Taki model ogranicza zależność od zewnętrznych usług, ułatwia spełnienie wymogów organizacyjnych i audytowych oraz wzmacnia zaufanie do samego rozwiązania. Źródła projektowe pokazują również, że repozytorium modeli traktowane jest jako zasób krytyczny, ponieważ od jego integralności zależy możliwość odtworzenia historycznego procesu typowania i zachowania pełnej audytowalności.

Połączenie modeli predykcyjnych i wiedzy eksperckiej

Jednym z filarów rozwiązania jest połączenie modeli uczenia maszynowego z warstwą reguł biznesowych. Model statystyczny odpowiada za identyfikowanie zależności w danych i szacowanie prawdopodobieństwa nieprawidłowości. Z kolei reguły biznesowe pozwalają uwzględniać ekspercką wiedzę organizacji, specyfikę procesu oraz wymogi operacyjne. Warstwa reguł jest jawna i sterowalna, co wzmacnia kontrolę biznesową nad sposobem działania całego mechanizmu.

Takie podejście daje instytucji znacznie większą kontrolę nad sposobem działania systemu. Pozwala również elastycznie rozwijać rozwiązanie wraz ze zmianami procesowymi, organizacyjnymi i regulacyjnymi.

Nowoczesna architektura dla odpowiedzialnej AI

Rozwiązanie zostało osadzone w nowoczesnej architekturze mikroserwisowej, co pozwala na skalowalność, modularność oraz łatwiejsze utrzymanie i rozwój systemu. W praktyce oznacza to możliwość niezależnego rozwijania poszczególnych komponentów — od wyliczania cech, przez hostowanie modeli predykcyjnych, po integrację z systemami operacyjnymi klienta. Co istotne, ten model architektoniczny został połączony z pełnym osadzeniem środowiska predykcyjnego i treningowego po stronie klienta, dzięki czemu skalowalność nie odbywa się kosztem bezpieczeństwa danych ani kontroli nad infrastrukturą.

W projektach realizowanych dla administracji publicznej architektura ma znaczenie nie tylko techniczne, ale również organizacyjne. System musi być stabilny, przewidywalny, bezpieczny i gotowy do działania w środowisku o dużej liczbie spraw, użytkowników i powiązań z innymi aplikacjami. S AI został zaprojektowany właśnie z myślą o takich wymaganiach.

Transparentność zamiast „czarnej skrzynki”

Jednym z najważniejszych założeń wdrożenia była objaśnialność działania modeli. W praktyce oznacza to możliwość pokazania, jakie czynniki miały wpływ na wynik predykcji dla konkretnej sprawy. To aspekt kluczowy nie tylko z punktu widzenia zaufania użytkowników, ale również audytowalności, jakości i odpowiedzialnego stosowania AI.

W sektorze publicznym szczególnie istotne jest, aby technologia nie była traktowana jako nieprzejrzysta „czarna skrzynka”. Dlatego w S AI transparentność została potraktowana jako integralna część rozwiązania, a nie jako dodatkowa funkcjonalność.

Człowiek pozostaje w centrum

Wdrożenie S AI zostało zaprojektowane zgodnie z zasadą human-in-the-loop. Oznacza to, że system wspiera pracowników w identyfikacji spraw potencjalnie obarczonych wyższym ryzykiem nadużyć, ale nie zastępuje ich w ocenie końcowej. To człowiek odpowiada za analizę przypadku, interpretację kontekstu oraz dalsze działania operacyjne.

Wymierna wartość biznesowa i organizacyjna

Sukces wdrożenia S AI wynika nie tylko z zastosowanej technologii, ale przede wszystkim z tego, że rozwiązanie przyniosło realną wartość biznesową. W środowisku obsługującym bardzo duże wolumeny spraw nawet niewielka poprawa trafności typowania może przełożyć się na zauważalny wzrost efektywności całego procesu kontrolnego.

W przypadku S AI, wzrost skuteczności podejmowanych działań kontrolnych w odpowiedzi na wskazówki z systemu wyniósł około 50% względem historycznego baseline.

Wdrożenie pozwoliło:

  • lepiej ukierunkować działania operacyjne,
  • zwiększyć skuteczność identyfikacji spraw wymagających uwagi
  • oraz zbudować fundament pod dalszy rozwój analityki predykcyjnej w organizacji.

Równie istotne były efekty długofalowe:

  • uporządkowanie wiedzy o danych,
  • przygotowanie zestawów cech możliwych do wykorzystania także w innych obszarach
  • oraz zbudowanie kompetencji organizacyjnych w zakresie praktycznego stosowania AI.

AI dla administracji publicznej: praktyka zamiast deklaracji

W debacie o sztucznej inteligencji w sektorze publicznym często mówi się o potencjale, możliwościach i kierunkach rozwoju. Znacznie cenniejsze są jednak przykłady wdrożeń, które pokazują, jak AI działa w praktyce — w konkretnym procesie, przy realnej skali danych, z udziałem użytkowników biznesowych i z zachowaniem pełnej odpowiedzialności za sposób działania systemu.

S AI jest właśnie takim przykładem. Pokazuje, że nowoczesna analityka predykcyjna może skutecznie wspierać administrację publiczną w procesach kontroli i wykrywania nadużyć, zwiększając efektywność działania bez rezygnacji z transparentności, nadzoru, bezpieczeństwa danych i pełnej kontroli nad środowiskiem technologicznym. To AI wdrażana odpowiedzialnie: skalowalna, audytowalna i osadzona w infrastrukturze klienta.

W Asseco wierzymy, że przyszłość sztucznej inteligencji w administracji publicznej należy do rozwiązań, które łączą skuteczność modeli, wiedzę ekspercką, odpowiedzialne zarządzanie danymi i pełną rozliczalność działania. S AI pokazuje, że taka przyszłość nie jest już koncepcją — jest praktyką.

‍