Hvordan det amerikanske energidepartementet transformerer AI

US Department of Energy (DOE) har lenge skilt seg ut som et av de mest vitenskaps-, teknologi- og innovasjonsfokuserte amerikanske føderale byråene. Det burde da være liten overraskelse at DOE fortsetter å investere i transformativ teknologi som kunstig intelligens og maskinlæring. 

DOE etablerte Artificial Intelligence and Technology (AITO)-kontoret for å bidra til å transformere DOE til en verdensledende kunstig intelligens (AI)-bedrift ved å akselerere forskning, utvikling, levering og bruk av AI. Pamela Isom, den nye direktøren for AITO, vil presentere på AI in Government-arrangementet i februar 2021 for å dele hvordan de maksimerer effekten av AI gjennom strategisk koordinering, planlegging og utmerket kundeservice. I denne intervjuartikkelen går fru Isom mer i detalj om hvordan DOE utnytter data og transformative teknologier for å bidra til å fremme byråets kjerneoppgaver.

Hva er noen innovative måter du utnytter data og kunstig intelligens på til fordel for byrået ditt?

Pamela Isom: Ansvaret for å koordinere tverrgående AI-initiativer og strategisk planlegging av avdelingsdekkende AI-resultater er avgjørende for å sikre infrastrukturen vår og maksimere oppdragseffekten. I 2022 er teamet mitt fokusert på innovativ AI-styring der ansvarlig og pålitelig AI er standard. Vi trenger mer menneskesentrisk integrasjon i AI-livssyklusen og en forent katalog med algoritmer og datasett slik at det er lettere å spore virkningene av AI-investeringene våre, som vi forfølger. 

AI Risk Management Playbook (AIRMP) er en anvendt innovasjon som vi forventer å distribuere til publikum hvis alt går etter planen i 2023. AIRMP fanger opp risikoscenarier og gir foreskrivende veiledning for å redusere disse risikoene slik at AI-beslutninger er ansvarlige og pålitelige. Spilleboken tar til og med hensyn til begrensninger som er relevante for kantenheter som ubemannede systemer og personlige enheter. Edge AI-systemer lar team, for eksempel våre nødhjelpspersonell, handle raskt på data akkurat der de er fanget. Det er imidlertid motstridende trusler og sårbarheter som AIRMP støtter. 

Når vi snakker om innovasjon, startet AI-teamet året 2022 med en industrifokusgruppeøkt om konvergensen av AI og oppslukende teknologier, og fulgte nøye med på konvergensen av AI og utvidet virkelighet (XR) på grunn av den betydelige veksten i dette området nå og i fremtiden. Oppslukende opplevelser er verdifulle for trening og presisjonsmodellering av kritiske situasjoner som for eksempel autonome kjøretøyscenarier der syntetiske data noen ganger er tryggere og ikke så invasive som sanntidsdata. I samarbeid med andre programkontorer jobber teamet mitt med bruken av AI og blandet virkelighet for å etablere AI-opplæringsplan for arbeidsstyrken og for talentledelse på tvers av lokalsamfunn.

Hvordan utnytter du i det hele tatt automatisering for å hjelpe deg på reisen til AI?

Pamela Isom: Vi bruker automatisering på viktige forretningsprosesser. Vi satte i gang en pilot for å effektivisere lånebehandlingen og svare på noen sentrale spørsmål som kunder vanligvis stiller, slik at prosessorer kan fokusere på mer strategiske oppdrag. Vi bruker både konversasjons-AI og robotprosessautomatisering for å løse operasjonelle oppgaver. Vi utnytter funksjoner som er ut av boksen i skymiljøer som et inngangspunkt for automatiseringsplattformer og teknologier, men vi er også kjent for våre superdatamaskiner som vi bruker for de mest komplekse arbeidsbelastningene og hvor det er fornuftig. Noen interessenter foretrekker kommersielle hylleprodukter, men gitt fremskritt innen datavitenskap, finner vi at hybrid er den mest passende tilnærmingen for å møte våre behov på dette tidspunktet. 

Hvordan identifiserer du hvilket eller hvilke problemområder du skal begynne med for automatiserings- og kognitive teknologiprosjekter? 

Pamela Isom: To uttrykk dukker opp. Først og fremst er 'fokus på oppdrag' og 2. er 'lytt'. Anvendelse av innovasjoner for å oppnå oppdrag er en nødvendighet. For eksempel kan AI-algoritmer utnyttes for å sikre at nettoverføringer er spenstige og slik at regnskap for ren energi blir rettferdig brukt på tvers av lokalsamfunn. Vi utfører AI-forskning, utvikling, demonstrasjoner og praktiserer gjenbruk og revisjoner for å maksimere effektiviteten til slike AI-løsninger. Vi lytter til interessentenes behov, ønsker og smertepunkter. Vi opprettholder en oversikt over AI-investeringer som vi vurderer og oppdaterer minst årlig gjennom vårt kunstig intelligensutvekslingssystem (AIX). Fokusøkter med industri og akademia for å høre individuelle perspektiver gjennomføres for å utveksle meninger og fange bransjeinnsikt om målrettede AI-emner. I hovedsak vurderer vi nåværende og måltilstand, identifiserer hull og gjennom AI-strategien vår, prioriterer, orkestrerer og deltar i leveringen av programmer som fører oss videre med automatiserings- og kognitive teknologiprosjekter.

Hva er noen av de unike mulighetene offentlig sektor har når det gjelder data og AI?

Pamela Isom: Strategiske partnerskap med privat sektor, akademia og internasjonale team er store muligheter for offentlig sektor. Byråer har en mulighet til å gå foran og lage AI-forskrifter for utvikling, deling og moderne personvernpraksis. Lovgivning som å forbedre nasjonens nettsikkerhet og transformere føderal kundeopplevelse og tjenesteleveranse for å gjenoppbygge tillit til regjeringen, stoler alle på etiske, ansvarlige, pålitelige løsninger som AI som respekterer våre borgerrettigheter og friheter. Sammen, gjennom strategiske partnerskap, kan vi undersøke og oppdage de mest varierte scenariene og komponere løsninger som beskytter data samtidig som det muliggjør bredere tilgang. Det må være en nasjonal plattform for forskning og samarbeid, og derfor er National AI Research Resource Task Force, som teamet mitt er medlem av, så veldig viktig. Offentlig sektor kan ikke møte regulatoriske krav alene – det krever både industri, akademia og internasjonalt samarbeid.

Hva er noen brukstilfeller du kan dele der du har brukt AI?

Pamela Isom: Spesielt bruker AI-teamet maskinlæringstekstanalyse og clustering sammen med fremskritt i naturlig språkbehandling for å hjelpe til med strategisk analyse av avdelingens AI-prosjekt og brukscase-inventar. Brukstilfellene spenner fra neste generasjons domenebevisste AI-metodeforskning for å styrke vår nasjonale sikkerhet til ren energiprosjekter som identifiserer materialer som må brukes for å møte klimakrisen. Vi kan identifisere temaer basert på inventardata og samkjøre interessenter fra hele avdelingen med felles synergier slik at vi maksimerer stordriftsfordeler, reduserer avfall, informerer og driver flere tverrgående AI-aktiviteter. Vi utvikler kontinuerlig lagerdataene våre og i dag kan vi identifisere hvor AI-investeringene er og om det finnes muligheter for å forbedre kundeopplevelsene. Uten anvendt AI, ville teamet og avdelingens interessenter måtte sile gjennom enorme mengder data, og det ville være nesten umulig å trekke rettidige AI-porteføljeslutninger som er nødvendige for strategisk beslutningstaking. 

Når vi holder øye med oppdraget, er forskningen vår på undergrunnsområdet dyptgående mot karbonfangst og -lagring. Det vitenskapsorienterte maskinlæringsinitiativet for å akselerere sanntidsbeslutninger i undergrunnsapplikasjoner (SMART). Dette forvandler interaksjonene våre i og forståelsen av undergrunnen, og forbedrer effektiviteten og effektiviteten av karbonlagring i feltskala og ukonvensjonelle olje- og gassoperasjoner betydelig. SMART er en multi-organisatorisk innsats finansiert av DOEs Carbon Storage and Upstream Oil and Gas Program med tre fokusområder sanntidsvisualisering, virtuell læring og prognoser.

Kan du dele noen av utfordringene når det gjelder AI og ML i offentlig sektor?

Pamela Isom: Eierskap til AI er en utfordring vi jobber gjennom. Overfloden av data gir et stadig økende behov for AI for å navigere og forutsi med nøyaktighet. Standarder for datakommentarer for vertikalene, f.eks. energi er ikke lett tilgjengelig. Det er en mulighet til å utvikle maskinlæring før du tar i bruk mer avansert uovervåket læring for å løse oppdragskritiske brukssaker. Det er også en betydelig mulighet til å utvide AI-talentledelse utenfor avdelingen. Som vi gjorde med cyber, må det være mer fokus på datavitenskap og AI-vekst for nasjonen, vi har ikke noe valg i saken.

Hvordan fungerer analyse, automatisering og AI sammen i byrået ditt?

Pamela Isom: Selv om analyser kan være et start- eller inngangspunkt for AI, bruker vi alle tre (analyse, automatisering og AI) for å gi den største effekten av ansvarlige anbefalinger og troverdig beslutningstaking. Det er muligheter for å forbedre noe grunnleggende slik at AI-operasjoner (AIOps) fremmer DevSecOps-konsepter med integrerte AI-forsikringer, og gjennom mulighetene (analyse, automatisering og AI) er det betydelige muligheter for å forbedre samarbeid mellom byråer for delt beslutningstaking. Jeg skal innrømme at jeg ser mer av den samhørigheten i dag, men det gjenstår muligheter.

Hvordan navigerer du angående personvern, tillit og sikkerhet rundt bruk av AI?

Pamela Isom: Dette er kritiske elementer i AI Risk Management Playbook (AIRMP) som ble utgitt internt i 2021. AIRMP veileder interessenter gjennom personvern-, tillits- og sikkerhetssaker (fra et kontradiktorisk perspektiv) og informerer brukere om potensielle sårbarheter introdusert med AI. Vi ønsker at andre, inkludert National Institute of Standards and Technology (NIST) skal dra nytte av og bidra til denne innsatsen.

Hva gjør du for å utvikle en AI -klar arbeidsstyrke?

Pamela Isom: Vi samarbeider med de nasjonale laboratoriene og lærer AI til DOE-interessenter to ganger i året. I 2022 ønsker vi å ta opplæringen til et nytt nivå med, som nevnt, innføring i oppslukende læring. 

Jeg har et personlig mål om å hjelpe lokalsamfunn som er påvirket av automatiseringsaspektene ved AI. Et område av bekymring er jobber som også er et fokus for energiministeren og administrasjonen. Vi trenger innbyggere for å opprettholde og vokse i jobbene sine, ikke miste dem på grunn av AI-fremskritt. Arbeidstakere må vite hvordan de skal jobbe sammen med roboter, for eksempel, og hvordan de kan forsterke forklaringsaspektene ved AI slik at slutninger blir validert og kommunisert på riktig måte. Denne evnen er på linje med de mykere, men kritiske ferdighetene som letter forbrukernes tillit samtidig som de skaper unike muligheter for kompetanseutvikling. Skolelærere bør for eksempel inkluderes i algoritmisk opplæring og som et minimum testing for å hjelpe til med å generere rettferdige, objektive resultater. De trenger forsikringer om at AI-slutninger ikke vil ha en negativ innvirkning på elevatferd eller sette liv i fare ved adopsjon. Forklarlig AI er lovende i denne forbindelse. Disse eksemplene representerer en brøkdel av ferdighetene og talentutviklingspotensialet som kan redde liv.

Hvilke AI -teknologier ser du mest frem til i årene som kommer?

Pamela Isom: Jeg er spent på 2022 og de fremoverlente aktivitetene som dukker opp i forhold til neste generasjons AI. Jeg ser veldig frem til fremskritt innen AI, slik at avhengigheten av data ikke er like dyp, og snarere finner AI ut hvilke data den trenger på egen hånd for å løse problemer. Jeg støtter meg på verktøy og teknologier som gir forklaringer på løsninger og begrunnelsen bak spådommer. Avdelingen tar en sterkere lederrolle innen AI ved å forbedre koordineringen av strategi, planlegging og implementering av programmer. De nasjonale laboratoriene og AI-inkubatorinitiativet, sponset av Lawrence Livermore, er ett av mange eksempler på innovasjonsaktivering som skjer. Når det gjelder risikoreduksjon, ønsker vi å sikre at AI ikke introduserer energi- og ressursineffektivitet som kan motvirke dekarboniseringsinnsats, og vi brenner for å levere ansvarlig, etisk AI til beste for oppdraget, nasjonen, og spesielt vår barn. 

Pamela Isom, vil presentere på AI in Government-arrangementet i februar 2021, hvor hun vil ta for seg hvordan DOE maksimerer virkningene av AI gjennom strategisk koordinering, planlegging og kundeservice fortreffelighet, inkludert adressering av AI-etikk, AI-prinsipper og høydepunkter i AI-risikohåndteringshåndboken. .