Transformez votre façon de gouverner grâce aux données et à l'IA

Utilisez cet agent ia pour valoriser les données gouvernementales inexploitées. Grâce au computer vision, au machine learning, à l’analyse de texte et au traitement intelligent des documents, les administrations peuvent extraire des données pertinentes à partir de documents scannés pour améliorer la prise de décision et l’analyse opérationnelle.

Le plus de cette solution :

• Meilleure productivité.
• Des économies de coûts plus importantes.
• Complexité réduite.

Les techniques de l'IA utilisées dans cette solution :

• Modèles de computer vision.
• Modèles de machine learning.

Comment l'IA aide :

• Modernise les systèmes d'archivage et d'information de l'administration.
• Réduit considérablement le nombre d'heures consacrées à la recherche et à l'obtention d'informations.
• Augmente la quantité d’informations utiles disponibles pour le dossier d’investigations.
• Permet à une organisation d’adopter une approche proactive dans la réalisation de sa mission, qu’il s’agisse de services aux citoyens, d’enquêtes ou d’opérations

Les modèles AI fournissent :

• L’extraction d’informations clé à partir d’images ou de documents scannés est automatisée par ce modèle d’IA dans un format structuré, permettant l’analyse Analytique et la prise de décision descendante.
• Compléter les processus actuels d’OCR/RPA afin d’améliorer de manière significative la précision et la qualité de l’extraction d’information, en particulier pour les formulaires les plus difficiles, tels que les documents flous, les formulaires comportant des cases à cocher ou de l’écriture manuscrite.
• À ce stade, les données peuvent être utilisées pour des enquêtes, des alertes peuvent être générées, les entités extraites peuvent être rendues recherche possible ou les données structurées peuvent alimenter les processus existants.

Obtenez des réponses puissantes grâce à un copilote spécialisé qui explore les volumes de données d’intelligence préfiltrées à l’aide de l’analytique et de l’intelligence artificielle, pour en extraire les informations les plus pertinentes. Grâce aux grands modèles de langage (LLM) et à l'analyse des enquêtes, la tâche consistant à identifier des informations précieuses à partir de renseignements devient plus ciblée, plus rapide et plus facile.

Le plus de cette solution :

• Meilleure productivité.
• Amélioration de la sécurité publique.
• Des dossiers d’investigations fiables.

Les techniques de l'IA utilisées dans cette solution :

Un copilote GenAI consomme des informations pré-filtrées par une plate-forme Analytique afin de mieux cerner les éléments d'intérêt et de mettre en évidence les possibilités de collecter ou d'examiner des informations supplémentaires.

Comment l'IA aide :

• Améliore le processus d'enquête en allant au-delà du résumé des informations pour mettre en valeur les pistes potentielles, identifier les données manquantes et établir des associations entre les données.
• Améliore l’utilisation d’une plate-forme Analytique qui réconcilie les informations et cartographie les entités à partir de diverses sources de données.
• Identifie les lacunes dans le processus d'enquête en produisant des récits et en décrivant les détails clés en utilisant les recommandations de l'organisation d'une manière explicable.
• Fait remonter des informations à un enquêteur tout en conservant son rôle d'interprète des faits.

Les modèles AI fournissent :

Le LLM sur une plate-forme Analytique :

• S'appuie sur un système d'enquête pour extraire les informations qui ont été collectées, résolues, cartographiées et mises en relation.
• Coordonne les requêtes et les réponses entre le moteur de recherche et le LLM, qui utilise ensuite les nouvelles connaissances et ses données d'apprentissage pour créer de meilleures réponses.
• Fournit des réponses explicables, vérifiables et responsables, qui renvoient aux citations et à la documentation spécifiques qui les ont guidées.

Identifier les cas de prestations sociales présentant un risque élevé d'erreur afin de soutenir l'assurance qualité, de trier les références de trop-perçu et d'automatiser le recouvrement des prestations. Les solutions SAS soutiennent le programme ancrer et le Temporary Assistance for Needy Families (TANF), des programmes américains d'aide aux familles à faibles revenus.

Le plus de cette solution :

• Une prise de décision plus rapide.
• De meilleurs résultats.
• Amélioration de la détection et de la prévention des fraudes ou accélération de la résolution des problèmes.
• Service client amélioré.

Les techniques de l'IA utilisées dans cette solution :

• Régression multivariée par apprentissage automatique pour identifier et corréler les variables d'entrée clés qui affectent les erreurs d'éligibilité au programme SNAP.
• Modélisation IA pour l'identification de groupes de pairs appropriés.
• Arbres de décision basés sur l'apprentissage automatique pour l'évaluation des risques et le classement des cas présentant un risque élevé d'erreur.
• Modélisation IA pour le triage des références de fraude par évaluation des risques d'erreur, de paiement excessif et de fraude possible par rapport aux erreurs de traitement des dossiers.

Comment l'IA aide :

• Permet aux équipes d'assurance qualité SNAP d'évaluer tous les cas sans échantillonnage afin d'identifier les tendances émergentes conduisant à des paiements indus et de corriger l'erreur avant que d'autres émissions ne soient publiées.
• Permet aux équipes d'assurance qualité SNAP d'évaluer tous les cas sans échantillonnage afin d'identifier les tendances émergentes conduisant à des paiements indus et de corriger l'erreur avant que d'autres émissions ne soient publiées.
• Permet aux équipes chargées du recouvrement des prestations SNAP d'automatiser les déterminations de trop-perçus afin d'optimiser l'efficacité.

Les modèles AI fournissent :

• Évaluation des risques pour tous les dossiers SNAP actifs afin de détecter plus rapidement les erreurs dans les dossiers à haut risque.
• Évaluation des risques liés aux signalements de paiements excédentaires afin de trier plus efficacement les tâches à forte valeur ajoutée.
• Regroupement par pairs des cas SNAP, avec identification et corrélation des variables d'entrée clés.

Utilisez le traitement automatique du langage naturel, l' analyse textuelle et un LLM pour catégoriser, synthétiser et résumer de grands volumes de commentaires écrits. Cette approche permet d'identifier les thèmes, de regrouper les commentaires et de générer un résumé concis des points clés, rendant ainsi le traitement des commentaires écrits plus facile, plus rapide et plus précis.

Le plus de cette solution :

• Meilleure productivité.
• Des dossiers d’investigations fiables.
• Complexité réduite.

Les techniques de l'IA utilisées dans cette solution :

• Traitement du langage naturel (NLP).
• LLM.

Comment l'IA aide :

Combiner le NLP et l'analyse textuelle avec un LLM peut être utile :

• Éviter les hallucinations : filtrage des données pertinentes, garantissant des sorties précises.
• Amélioration du temps de retour sur investissement : utilise des LLM plus petits comme Llama 2 en traitement moins de données.
• Réduction des coûts : réduction des données envoyées aux LLM, minimisant les appels d'API et les ressources quantitatives.
• Garantir la confidentialité et la sécurité : utilise des bases de données de vecteurs locales pour affiner et protéger les données sensibles.
• Soutenir la vérification : permet la traçabilité des résultats du programme d'éducation et de formation tout au long de la vie, renforçant ainsi la transparence et la confiance.

Les modèles d'IA fournissent :

La combinaison du NLP et du LLM :

• Lire des dizaines de milliers de commentaires.
• Identifie les thèmes récurrents dans les commentaires.
• Identifie les sentiments, tels que les réactions négatives.
• Compile les recommandations.
• Résume le commentaire en fonction de thèmes récurrents, similaires ou définis par le client.

Éliminez les approximations dans la prévision des inondations et la préparation à celles-ci en utilisant des algorithmes d'apprentissage automatique et des données synthétiques pour les jumeaux numériques. Développé à partir de données historiques, ce modèle alimenté par l'intelligence artificielle peut être déployé même lorsque les données hyperlocalisées sont rares, comblant ainsi efficacement les lacunes en matière de données.

Le plus de cette solution :

• Amélioration de la sécurité publique.
• De meilleurs résultats.
• Des prévisions plus précises.

Les techniques de l'IA utilisées dans cette solution :

Les modèles d'apprentissage automatique permettent de créer un système de détection précoce, tandis que la technologie des jumeaux numériques, soutenue par des données synthétiques, permet d'élaborer un modèle de prévision des inondations.

Comment l'IA aide :

• Protéger : Améliorer la sécurité des citoyens et les services d'intervention d'urgence grâce à une visibilité en temps réel et à des prédictions d'inondation.
• Réagir : Réduire l'impact des inondations sur les biens et les infrastructures en automatisant et en rationalisant les interventions.
• Améliorer : Améliorer la planification des urgences grâce à une meilleure connaissance de la situation et à des dossiers d'investigations.

Les modèles d'IA fournissent :

• Des dossiers d’investigations en temps réel et une connaissance de la situation, y compris la surveillance des conditions actuelles avec des alertes automatisées.
• Prédictions d'inondations futures avec modification automatique.
• Analyse historique et médico-légale.
• Modélisation des inondations prévues.
• Simulations pour les planificateurs d'urgence, améliorant la modélisation pour diverses catastrophes.

Augmentez la transparence et la confiance entre les agences fiscales et les citoyens grâce à la solution NICE (Non-Invasive Compliance and Enforcement). Ce système, orienté vers le client, analyse en temps réel les données fournies par les contribuables lorsqu'ils déposent leurs déclarations, et les compare aux données dont dispose l'administration fiscale. L'analyse identifie les messages éducatifs potentiels sur la base des lois et des politiques applicables, et fournit des recommandations aux contribuables. Ce retour d'information en temps réel renforce le respect volontaire des règles et tient compte des risques de fraude potentiels, en donnant aux contribuables la possibilité de corriger leurs déclarations sans devoir recourir à des mesures coercitives supplémentaires.

Le plus de cette solution :

• Maximisez l'efficacité opérationnelle.
• Plus d'engagement des clients.
• Amélioration de la conformité réglementaire.

Les techniques de l'IA utilisées dans cette solution :

• Modèles de machine learning, y compris les modèles de machine learning supervisés et non supervisés.
• Segmentation des contribuables.
• Résolution de l'entité.
• Analytique prédictif et analytique prescriptive.

Comment l'IA aide :

• Obtenez des informations complètes à partir de données cloisonnées sur l'impôt sur le revenu, la taxe sur la valeur ajoutée, les taxes douanières et les données provenant de partenaires et d'institutions internationaux.
• Améliorer la conformité.
• Faire appliquer les règlements.
• Optimiser les ressources.
• Instaurer le respect entre les contribuables et les autorités fiscales.

Les modèles d'IA fournissent :

• Un système analytique entièrement intégré qui fournit une vision étendue et approfondie de la conformité fiscale et qui identifie automatiquement les risques de fraude potentiels et les erreurs éventuelles dans les déclarations.
• Analyse complète des données disponibles, y compris des données de tiers provenant de partenaires nationaux et internationaux. Le système identifie et signale automatiquement les écarts de conformité potentiels.
• Une vision globale de l'historique d'un contribuable et une formation fiscale adaptée à ses activités imposables, des analyses prédictives pour garantir l'optimisation des efforts de conformité de l'agence et une évaluation complète et continue des risques de fraude.

Réévaluez quotidiennement la valeur des biens immobiliers résidentiels à l'aide des données relatives aux propriétés et aux ventes, avec plus de rapidité, de facilité et de précision qu'avec la méthode traditionnelle. Le système fournit la valeur réelle de chaque facteur pris en compte pour un bien immobilier, en fonction des autres facteurs présents dans ce bien.

Le plus de cette solution :

• Des informations fiables et en temps réel.
• Plus de recettes.
• Complexité réduite.

Les techniques de l'IA utilisées dans cette solution :

• Analyse avancée d'arbre de régression par machine learning.

Comment l'IA aide :

• Renforcez la prise de décision gouvernementale grâce à une vue intégrée et en temps réel des données.
• Optimiser les ressources et améliorer l'efficacité du gouvernement.
• Accroître la confiance du public tout en préservant la confidentialité des données et en garantissant la transparence de l’IA.
• Être mieux préparé à réagir rapidement en cas de perturbation et d'incertitude.

Les modèles d'IA fournissent :

• Réexamen quotidien de chaque vente. Des milliers d'arbres de décision sont exécutés chaque jour à partir de données provenant de ventes de biens immobiliers. À partir de ces arbres de décision, les algorithmes extraient la value de chaque facteur pour chaque bien.
• Classement des facteurs par ordre d'importance. Les algorithmes identifient les facteurs qui influencent le plus la value des biens immobiliers.
• Réévaluation de tous les biens immobiliers. L'algorithme de machine learning évalue la valeur de chaque propriété au sein de la communauté. Cela permet au bureau d'évaluation de comprendre les tendances du marché pour les maisons, les quartiers ou l'ensemble de la communauté.

Identifiez et signalez les flux de données anormaux ou manipulés afin d'améliorer la véracité et la fiabilité des données. En matière de sécurité nationale, notre solution aborde les données avec scepticisme car les adversaires modifient souvent activement les données dans l'intention de tromper et d'induire en erreur.

Le plus de cette solution :

• Gouvernance des données.
• Amélioration de la sécurité.
• Des dossiers d’investigations fiables.

Les techniques de l'IA utilisées dans cette solution :

La solution utilise une approche analytique en couches incorporée à SAS Intelligent Decisioning, employant plusieurs techniques d'IA et de machine learning pour détecter et alerter les injections de données malveillantes. L'approche hybride comprend

• Modélisation prédictive : utilise des réseaux neuronaux, des arbres de décision et d'autres modèles pour découvrir de nouveaux modèles à partir de données existantes.
• Analyse textuelle: extraction d’informations significatives à partir de vastes données textuelles non structurées.
• aDétection d’anomalie : applique des techniques telles que la régression, le clustering et l’analyse des séquences pour identifier les patterns anormaux.
• Règles métier automatisées : filtrage des flux de données basé sur des règles sophistiquées reflétant des patterns suspects.
• Analyse de réseau basée sur les entités : identifie les liens entre les sources de données et les anomalies.
• Modèles d’apprentissage combinés : utiliser conjointement des modèles d’apprentissage supervisés, semi-supervisés et non supervisés, ce qui rend plus difficile pour les adversaires d’injecter avec succès des données malveillantes.

Comment l'IA aide :

• Il est essentiel de contrôler les flux de données pour la gestion des infrastructures critiques. Il renforce la résilience en empêchant la compromission du système. Les infrastructures critiques sont une cible connue des États-nations adversaires.
• La détection précoce améliore la satisfaction des clients et l'efficacité des missions. Les données anormales peuvent indiquer une intention malveillante, une instabilité du système ou des problèmes de maintenance à venir.
• Le contrôle permanent de la véracité des données et la mise en œuvre d'initiatives d'amélioration peuvent conduire à des économies. L’analyse piloté par les données permet d’identifier les causes racine de l’inefficacité des systèmes, ce qui permet d’apporter des améliorations rapides et efficaces.

Les modèles d'IA fournissent :

• Surveillance constante de la véracité des données.
• Les algorithmes de Machine Learning facilitent l'identification des flux de données anormaux ou malveillants, garantissant ainsi la qualité et la véracité des données.
• Intégration et curation rapides de nouvelles sources de données pour une meilleure exécution des missions et une analyse efficace de la sécurité des systèmes à l'aide du processus SAS DataOps.
• Des scorecards de véracité des données en temps réel pour détecter les injections de données malveillantes et d'autres problèmes, afin de soutenir les systèmes descendants.
• Surveillance continue des performances et mises à jour ou remplacements rapides des modèles à mesure que les conditions évoluent et que les adversaires s'adaptent, à l'aide du processus SAS ModelOps.