在每個聯邦機構中，重要的見解都隱藏在這些年來收集的大量數據集中。 但是由于美國聯邦政府數據科學家的匱乏，如果真的要這么做的話，那么從這些數據中提取價值是非常耗時的。 然而，隨著數據科學，人工智能（AI）和機器學習的發展，聯邦機構現在可以使用先進的工具對信息分析和機構運作進行變革。
從預測恐怖威脅到檢測稅務欺詐，一種稱為自動機器學習的新一類企業級工具有能力，通過預測建模來改變聯邦機構決策的速度和準確性。像AI這樣的技術正在改變聯邦政府認知和決策的方式。
要使用自動化機器學習等工具充分發揮聯邦政府數據科學的潛力，首先了解所用術語及其含義，這一點非常重要。
數據科學 - 分析數據的藝術
數據科學是一個廣義的術語，指的是利用數據解決問題的科學和藝術。根據統計數據，這種做法融合了數學，編碼和領域知識，以回答某個數據集的具體問題。計算能力的進步已經從基于計算器的統計建模轉化為預測算法，將歷史數據分析轉化為對未來行為的預測。
即使是1790年進行的第一次美國人口普查，使用鵝毛筆和紙張，收集了大約20兆字節的數據。今天，人口普查局積壓了將近4000億個數據點，對人口和行為不斷演變的人口提供了豐富的見解。雖然隨著時間的推移，數據量不斷增加，但數據科學家卻處于供不應求的狀態，數據量和見解數據差距很大，人們需要從數據中獲得這些見解。
AI - 填補數據科學的空白
人工智能與數據科學重疊，賦予機器相互作用的能力，就像參與過程的人一樣。人工智能的核心是通過應用數學模型從數據中推斷信息來復制智能人類行為的能力。然而，人工智能的意義在于，它可以通過這些機器做出決定并采取行動 - 無論是在數據中心還是在云端。
艾倫·圖靈（Alan Turing）在二戰期間對德國軍隊發出的加密信息進行了解密。今天，人工智能在大數據的可用性和可訪問性以及日益可承受的存儲和處理能力方面正在政府中實現。人工智能已成功應用于情報和國防應用，如國防部高級研究計劃局的學習和組織計劃認知代理，現在是蘋果的Siri和無人駕駛飛機的骨干。
機器學習 - AI發展的下一步
隨著人工智能的發展，新一輪的創新浪潮已經發展成機器學習。機器學習融合了人工智能和數據科學，不僅可以使用算法進行決策 - 它可以從過去的數據點中學習，改進方法，隨著時間的推移變得更加智能，并收集和分析更多的數據。這里的游戲改變者是預測性智能 - 預測和準備基于復雜算法的未來事件的能力。
想想預測的力量在聯邦政府中能達到什么樣的效果。例如，機器學習將幫助國稅局找到歸檔稅表中的異常情況，自動標記潛在的欺詐性提交作進一步審查。它還可以將衛星和傳感器信息混合到國家氣象局的燃料預測中。
這是關鍵時刻。數據科學家在解釋結果時需要人工智能和自動機器學習，而不是手動管理和處理信息。更重要的是，通過自動化機器學習，聯邦政府中的任何人都可以作為數據科學家，利用預測模型和洞察數據提供的信息。
這些進步為聯邦機構創造了無數的機會，可以做出更快，更準確的決策，從而大大提高任務能力，效率和安全性，同時還可以調整空缺的數據科學家職位。機構可以從企業的成功經驗中學習，并將AI指向復雜的網絡對手，在攻擊之前查明內部威脅，主動識別欺詐或預測恐怖襲擊。
鑒于我們面臨的國家安全和經濟威脅以及數據科學家日益短缺，采取這種創新對于保持領先一步至關重要。憑借人工智能和機器學習的強大功能，這項功能現在就在我們的指尖。
