善用資料和 AI，改變您的管控方式

運用 AI 釋放政府資料的潛在價值。透過電腦視覺、機器學習與文字分析，智慧型文件處理能從掃描文件影像中擷取情境資訊，用於後續決策和分析。

此解決方案的價值：

• 提升生產力。
• 節省成本。
• 降低複雜性。

此解決方案採用的 AI 技術：

• 電腦視覺模型。
• 機器學習模型。

AI 如何提供協助：

• 現代化政府歸檔流程與資訊系統。
• 大幅降低研究與尋找資訊所需的時間。
• 擴展可用於洞察分析的有用資訊量。
• 無論組織的使命是公民服務、調查還是營運，都能積極地完成任務。

AI 模型提供下列優勢：

• 將關鍵資訊從影像或文件擷取為結構化格式的自動化技術，從而實現下游分析和決策。
• 補充任何目前的 OCR/RPA 程序，以大幅提高資訊擷取的準確性和品質，尤其是對難以辨識的表格，例如模糊的文件、帶有勾選框的表單或手寫文件。
• 此階段，資料可以用於調查、生成警示、讓擷取的實體變得可搜尋，或者新的結構化資料可補足現有流程。

透過專屬的智慧型助理，回答關鍵問題，該助理能深入探索經由資料分析與 AI 預先篩選的龐大情報資料，擷取最相關的資訊。結合大型語言模型 (LLM) 與調查分析，識別情報中有價值的資訊，將變得更有目標、更快速且更輕鬆。

此解決方案的價值：

• 提升生產力。
• 改善公共安全。
• 可靠的洞察。

此解決方案採用的 AI 技術：

GenAI 智慧型助理會處理經分析平台預先篩選的資訊，進一步鎖定關鍵要素，並找出可收集或進一步考量的資訊機會。

AI 如何提供協助：

• 此助理會改善調查流程，不僅止於資訊摘要，更能凸顯可能對調查人員有價值的潛在資訊，例如辨識遺漏資料，或建立資料之間的關聯。
• 強化資料分析平台的應用，該平台能整合資訊，並對來自不同紀錄與資料來源的實體進行對應。
• 透過敘述產生與關鍵細節說明，運用組織最佳做法，以可解釋的方式揭示調查流程中的缺口。
• 在調查人員仍擔任事實詮釋者的前提下，主動呈現資訊。

AI 模型提供下列優勢：

建立於資料分析平台上的 LLM：

• 搭載於調查系統之上，可篩選已收集、整合、對應並建立關聯的資訊。
• 協調搜尋引擎與 LLM 之間的查詢和回應，進而運用新知識與訓練資料，來生成更優質的回應。
• 提供可解釋、可核實且具責任歸屬的回應，並指出所依據的具體引用和文件來源。

識別高風險錯誤的社福個案，以支援品保、超額支付通報分類，以及自動化福利的追討。SAS 解決方案支援美國的補充營養協助計畫 (SNAP)，以及貧困家庭臨時援助計畫 (TANF)，這些計畫協助低收入家庭。

此解決方案的價值：

• 更快做出決策。
• 造就更佳的成果。
• 偵測及預防詐欺，或更快地解決問題。
• 提升客服品質。

此解決方案採用的 AI 技術：

• 透過機器學習進行多變量迴歸，識別並建立影響 SNAP 資格案件錯誤的關鍵輸入變數關聯。
• 運用 AI 建模，識別適當的同儕分群。
• 使用機器學習決策樹，對高錯誤風險案件，進行風險評分與排序。
• 透過 AI 建模，依潛在錯誤、超額支付與可能詐欺進行風險評分，區分詐欺通報與案件處理錯誤，藉此進行分類。

AI 如何提供協助：

• 使 SNAP 品質保證團隊能在不抽樣的情況下，評估所有案件，識別導致不當支付的新興模式，並在更多支付釋出前修正錯誤。
• 讓 SNAP 福利追討團隊能有效分類超額支付通報，提高效率和投資報酬率。
• 使 SNAP 福利追討團隊，能自動化超額支付判定程序，以最大化效率。

AI 模型提供下列優勢：

• 針對所有現行 SNAP 案件進行風險評分，更迅速地發現高風險錯誤案件。
• 對超額支付通報進行風險評分，以更有效分類高價值案件。
• 針對 SNAP 案件進行同儕分群，並識別與連結關鍵輸入變數。

運用自然語言處理、文字分析與 LLM，來分類、統整及摘要大量書面回饋。此方法能識別主題、群組回饋，並產出關鍵重點摘要，使處理書面回饋的流程更輕鬆、更快速且更準確。

此解決方案的價值：

• 提升生產力。
• 可靠的洞察。
• 降低複雜性。

此解決方案採用的 AI 技術：

• 自然語言處理 (NLP)。
• 大型語言模型 (LLM)。

AI 如何提供協助：

將 NLP 和文字分析與 LLM 結合，可為下列層面帶來協助：

• 避免幻覺：預先篩選相關資料，確保輸出準確無虞。
• 增加價值的時間：透過處理較少的資料，來使用較小規模的的 LLM，例如 Llama2。
• 降低成本：降低傳送至 LLM 的資料量，最大限度地減少 API 呼叫和運算資源。
• 確保隱私與安全性：使用本機向量資料庫進行微調，並保護敏感資料。
• 支援驗證流程：實現 LLM 輸出的可追溯性，提高透明度和信任。

AI 模型提供下列優勢：

整合 NLP 和 LLM 的益處：

• 閱讀數以千計的回饋資料。
• 識別評論中的重複主題。
• 識別情緒，例如負面反應。
• 編譯建議。
• 依循環、類似或客戶定義的主題，來有效地摘要評論。

使用機器學習算法和數位雙胞胎合成數據，消除洪水預測和準備中的猜測。這款採用歷史資料開發的模型，即使在超本地化資料稀少的情況下，也可以部署，有效地填補資料空隙。

此解決方案的價值：

• 改善公共安全。
• 造就更佳的成果。
• 高度準確的預測。

此解決方案採用的 AI 技術：

機器學習模型可建構早期預警偵測系統，而由合成資料支援的數位分身技術，則能實現預測性洪災淹水模型。

AI 如何提供協助：

• 保護：透過即時可視化與洪水預測，提升民眾安全與緊急應變服務。
• 回應：透過自動化和簡化響應，減少洪水事件對物業和基礎設施的影響。
• 改進：透過改善情況意識和歷史見解來增強緊急計劃。

AI 模型提供下列優勢：

• 即時洞察與情境感知，包括自動警示的即時狀況監測。
• 透過自動變更，進行未來的洪水預測。
• 歷史和鑑識分析。
• 預測的洪災淹水模型。
• 為應變規劃人員提供模擬工具，改善各類災難的模型建構。

利用非侵入性合規與執法 (NICE) 解決方案，增加稅務機構和公民之間的透明度和信任。這個面向客戶的系統分析納稅人提交申報表時的即時輸入，並將其與稅務機構可用的數據進行比較。該分析根據適用的法律和政策識別潛在的教育提示，並向納稅人提供建議。這種即時反饋可增強自願性合規性和評分，並考慮潛在的欺詐風險，讓納稅人有機會更正他們的申報表，而無需額外執法。

此解決方案的價值：

• 最大化的營運效率。
• 提高客戶參與度。
• 法令遵循。

此解決方案採用的 AI 技術：

• 機器學習模型，包括受監督和無監督的機器學習模型。
• 納稅人分群。
• 實體解析。
• 預測型分析和規範式分析。

AI 如何提供協助：

• 整合所得稅、加值稅、關稅，以及來自國際合作夥伴與機構的資料，獲得全面深入的洞察。
• 加強合規性。
• 執行法規。
• 最佳化資源。
• 建立納稅人和稅務機關之間的尊重。

AI 模型提供下列優勢：

• 全方位整合的分析系統，能提供稅務法遵的完整視角，自動識別申報錯誤，以及潛在的詐欺風險。
• 全面分析可用資料，包括來自國內與國際第三方的資料，系統會自動識別並標示潛在的法遵落差。
• 提供納稅人歷史資料的整體視角，並依據其應稅行為，提供適當的稅務教育。運用預測型分析，協助稅務機關最佳化法遵作業，並持續進行全面性的詐欺風險評分。

每天使用物業和銷售數據重新評估住宅物業價值，比傳統方法更快、更容易和準確。該系統根據屬性中存在的其他因素，提供對屬性考慮的每個因素的真實值。

此解決方案的價值：

• 可靠的即時洞察。
• 增加營收。
• 降低複雜性。

此解決方案採用的 AI 技術：

• 透過機器學習，進行進階迴歸樹分析。

AI 如何提供協助：

• 透過即時的整合式資料視圖，來加強政府決策。
• 最佳化資源，並提高政府效益。
• 提高民眾信任度，同時保持資料隱私並確保 AI 透明度。
• 做好準備，在服務中斷和不確定的時候快速因應。

AI 模型提供下列優勢：

• 每天重新考慮每筆銷售。使用物業銷售的數據每天運行成千上萬的決策樹。從這些決策樹中，算法針對每個物業提取每個因子的值。
• 根據重要性的因素排名。演算法識別對物業價值最具影響力的因素。
• 重新評估所有物業。機器學習算法計算社區中每個物業的價值。這使評估員的辦公室能夠了解住宅、社區或整個社區的市場趨勢。