Η Ιταλική Διοίκηση Κοινωνικής Ασφάλισης και Πρόνοιας (INPS) αποτελεί τον κύριο δημόσιο οργανισμό στον τομέα της κοινωνικής ασφάλισης και της πρόνοιας στην Ιταλία, τόσο σε όρους όγκου παροχών και υπηρεσιών όσο και σε αριθμό χρηστών. Είναι επίσης ένας από τους μεγαλύτερους σε ευρωπαϊκό επίπεδο, με προϋπολογισμό που είναι ο δεύτερος μεγαλύτερος στον ιταλικό δημόσιο τομέα, πίσω μόνο από τον κρατικό προϋπολογισμό. Σήμερα, περισσότεροι από 22 εκατομμύρια Ιταλοί λαμβάνουν τη σύνταξή τους και περισσότεροι από 25 εκατομμύρια εργαζόμενοι είναι ασφαλισμένοι μέσω του INPS (INPS, 2023). Το Ινστιτούτο είχε περισσότερους από 20.000 υπαλλήλους και 448 τοπικά γραφεία σε όλη τη χώρα το 2022, αποτελώντας έναν από τους κύριους σημεία επαφής μεταξύ πολιτών και εθνικών θεσμών.
Το Πρόβλημα
Ένα από τα κύρια κανάλια επικοινωνίας των πολιτών με το INPS είναι μέσω Πιστοποιημένων Ηλεκτρονικών Μηνυμάτων (CEs). Μέσω αυτών, οι πολίτες μπορούν να επικοινωνούν με το Ινστιτούτο για να ζητήσουν πληροφορίες ή να υποβάλουν τα απαραίτητα έγγραφα για την αίτηση παροχών πρόνοιας ή δικαιωμάτων (π.χ. παροχές πολιτικής ανικανότητας, επιδόματα ανεργίας). Κατά τη διάρκεια και μετά την πανδημία, ο αριθμός των εισερχόμενων CEs αυξήθηκε σημαντικά, από 3 εκατομμύρια το 2019 σε πάνω από 6 εκατομμύρια το 2023, οδηγώντας σε σημαντική αύξηση του φόρτου εργασίας για τους υπαλλήλους του INPS. Οι υπάλληλοι έπρεπε να εξετάζουν κάθε εισερχόμενο μήνυμα και τα συνημμένα του, να τα ταξινομούν σε διάφορες κατηγορίες και να τα προωθούν στα τμήματα και τις ομάδες που είναι υπεύθυνες για την ανταπόκριση σε συγκεκριμένα ερωτήματα. Αυτή η εργασία έγινε όλο και πιο χρονοβόρα, επαναλαμβανόμενη και πιθανώς υποκείμενη σε σφάλματα.
Η Λύση και η Εφαρμογή της
Στις αρχές του 2021, η επαναλαμβανόμενη φύση της χειροκίνητης εργασίας της σάρωσης και της διαχείρισης των εισερχόμενων CEs παρουσίασε ευκαιρίες για δοκιμή πιθανών λύσεων με την καινοτομία των αναδυόμενων τεχνολογιών. Συνεπώς, το INPS άρχισε να πειραματίζεται με την Τεχνητή Νοημοσύνη. Το Ινστιτούτο άρχισε να αξιολογεί διάφορα μοντέλα μηχανικής μάθησης και τελικά επέλεξε το BERT, ένα ανοιχτού κώδικα μοντέλο που αναπτύχθηκε από την Google και μπορεί να χρησιμοποιηθεί από προγραμματιστές λογισμικού για τη δημιουργία προσαρμοσμένων κωδίκων για την επεξεργασία φυσικής γλώσσας. Το μοντέλο BERT, προσαρμοσμένο με τα δεδομένα των email του οργανισμού και τα σχόλια των υπαλλήλων, δοκιμάστηκε εσωτερικά στα Κέντρα Δεδομένων του INPS για να διασφαλιστεί η συμμόρφωση με τους κανονισμούς GDPR που προστατεύουν την ιδιωτικότητα των δεδομένων των πολιτών.
Το σύστημα αναλύει όλα τα CEs και τα συνημμένα τους, τα ταξινομεί με ακρίβεια στα σχετικά θέματα και τα κατευθύνει στο κατάλληλο προσωπικό, εξαλείφοντας αποτελεσματικά την ανάγκη για χειροκίνητη επεξεργασία. Περισσότερα από δύο εκατομμύρια μηνύματα έχουν ταξινομηθεί με επιτυχία από την εφαρμογή του και έχει εφαρμοστεί στα γραφεία του INPS σε δεκαπέντε ιταλικές πόλεις, συμπεριλαμβανομένων της Ρώμης, του Μιλάνου και της Νάπολης. Δεδομένης της τεχνολογικής κλιμάκωσης του, σχεδιάζεται η αναπαραγωγή του μοντέλου και σε άλλες πόλεις. Αυτή η λύση βραβεύτηκε επίσης από το IRCAI, το Διεθνές Ερευνητικό Κέντρο για την Τεχνητή Νοημοσύνη της UNESCO, ως ένα από τα δέκα κορυφαία έργα που υποστηρίζουν τους 17 Στόχους Βιώσιμης Ανάπτυξης του ΟΗΕ μέσω προηγμένης Τεχνητής Νοημοσύνης.
Αναμενόμενα Οφέλη
Το μοντέλο BERT προσφέρει μια ευρεία γκάμα πλεονεκτημάτων στο Ινστιτούτο:
- Η επικοινωνία μεταξύ πολιτών και Ινστιτούτου είναι ταχύτερη και τα CEs αξιολογούνται πλέον από τους αρμόδιους υπαλλήλους νωρίτερα από πριν. Μέχρι σήμερα, περισσότερα από 2 εκατομμύρια CEs έχουν ήδη ταξινομηθεί από τη λύση, με ποσοστό ακρίβειας άνω του 80%.
- Όταν λειτουργήσει πλήρως, εκτιμάται ότι θα εξοικονομηθούν μεταξύ 30.000 και 40.000 εργάσιμες ημέρες ανά έτος σε όλα τα τοπικά γραφεία.
- Οι υπάλληλοι που προηγουμένως ασχολούνταν με τη χειροκίνητη ταξινόμηση των CEs μπορούν τώρα να αφιερώσουν χρόνο σε άλλες δραστηριότητες προστιθέμενης αξίας, φέρνοντας επιπλέον οφέλη στους πολίτες.
- Η ανάπτυξη και υιοθέτηση της λύσης δημιούργησε εσωτερική τεχνολογική “τεχνογνωσία” και δυνατότητες που μπορούν να χρησιμοποιηθούν για τη βελτίωση άλλων υπηρεσιών, όπως το ηλεκτρονικό κέντρο εξυπηρέτησης πελατών που βελτιστοποιείται με παρόμοια εφαρμογή ταξινόμησης με AI.
Κύριες Προκλήσεις
Μία από τις κύριες προκλήσεις που αντιμετωπίστηκαν κατά την ανάπτυξη του συστήματος με βάση την AI ήταν η διαθεσιμότητα των δεδομένων που είναι απαραίτητα για την εκπαίδευση του μοντέλου, τόσο σε όρους ποσότητας όσο και σε όρους χρονικής εμβέλειας. Επιπλέον, η ακρίβεια και η ποιότητα των δεδομένων ήταν καθοριστικής σημασίας για την ακρίβεια των αποτελεσμάτων: στην πραγματικότητα, καθώς το εργαλείο AI μαθαίνει από τα δεδομένα, αν τα δεδομένα είναι λανθασμένα, το ίδιο θα συμβεί και με τα αποτελέσματα του αλγορίθμου AI.
Μια δεύτερη πρόκληση αφορά τον βαθμό προσαρμοστικότητας του εργαλείου. Ως Διοίκηση Κοινωνικής Ασφάλισης και Πρόνοιας, οι υπηρεσίες του INPS μεταβάλλονται συνεχώς για να προσαρμοστούν στις νέες ανάγκες των πολιτών. Επομένως, το μοντέλο AI πρέπει να προσαρμόζεται, τα αποτελέσματα να παρακολουθούνται συνεχώς και οποιαδήποτε πιθανή υποβάθμιση στην ακρίβεια των αποτελεσμάτων να διορθώνεται.
Τέλος, εκτός από την τεχνολογία, προέκυψαν και λειτουργικές προκλήσεις. Από τη μια πλευρά, ορισμένες από αυτές έχουν ήδη λυθεί. Για παράδειγμα, αρχικά, οι υπάλληλοι ήταν περίεργοι να μάθουν πώς θα λειτουργούσε το σύστημα για να κατανοήσουν πώς θα μπορούσε να τους βοηθήσει. Έτσι, οργανώθηκαν εκπαιδευτικές συνεδρίες για να διδάξουν στους υπαλλήλους την τεχνολογία AI.
Από την άλλη πλευρά, παραμένουν άλλες λειτουργικές προκλήσεις. Για παράδειγμα, κάθε γραφείο του INPS σε όλη τη χώρα προσφέρει διαφορετικές υπηρεσίες ανάλογα με τις περιφερειακές, δημογραφικές και κοινωνικοοικονομικές διαφορές: ορισμένα γραφεία μπορεί να χειρίζονται κυρίως συνταξιοδοτικά αιτήματα, ενώ άλλα μπορεί να διαχειρίζονται υπηρεσίες αναπηρίας, επιδόματα ανεργίας ή άλλες υπηρεσίες. Η ποικιλία των υπηρεσιών που προσφέρονται από τα γραφεία του INPS προσθέτει ένα επίπεδο πολυπλοκότητας στην εκπαίδευση του αλγορίθμου AI, που πρέπει να εκπαιδευτεί να αναγνωρίζει και να κατηγοριοποιεί μια ευρεία γκάμα θεμάτων και αιτημάτων. Επιπλέον, τα γραφεία συχνά έχουν μοναδικές διοικητικές ροές εργασίας. Αυτό συνεπάγεται μεγάλες διαφορές στον τρόπο με τον οποίο τα τμήματα είναι υπεύθυνα για την ανταπόκριση σε συγκεκριμένα αιτήματα στα διάφορα γραφεία και, ως αποτέλεσμα, στον τρόπο με τον οποίο το εργαλείο AI πρέπει να εκπαιδευτεί για να κατανοεί τις διαφορές στην προώθηση των emails. Ως εκ τούτου, ένα “ενιαίο μοντέλο” μπορεί να είναι δύσκολο να επιτευχθεί. Το INPS αντιμετωπίζει αυτή την πρόκληση ομαδοποιώντας τα γραφεία με βάση την ομοιότητα των υπηρεσιών και εφαρμόζοντας προσαρμοσμένα μοντέλα σε κάθε ομάδα.
