Skip to content

GRF · Yapay Zekâ ve Dijital Yönetişim

Yapay zekâ ve dijital yönetişim için yapay zekâ ve makine öğrenimi

Artificial intelligence and machine learning are the sistemleri this field governs. On this platform the methods are explained so that oversight bodies, legislators and the public understand what models do, how they fail and what evidence about them can be trusted.

Bilgi talebinde bulunun Yapay Zekâ ve Dijital Yönetişim'in STEM temeli sayfasına dön
01İçindekiler

Artificial intelligence and machine learning for AI and digital governance in five parts.

Protokol5 adım
  1. 01BaşvuruWhat artificial intelligence and machine learning does here
  2. 02VeriYöntemin tükettikleri
  3. 03DoğrulamaSonuçlar nasıl kontrol edilir
  4. 04BağlantılarBu yönteme dayanan konular
  5. 05Sorumlu yönetimYöntemi kimin sürdürdüğü
02Başvuru

Yapay zekâ ve makine öğreniminin burada yaptıkları.

Artificial intelligence and machine learning develop algorithms that learn patterns from data to classify, predict or generate outputs. They are increasingly used for hazard detection, forecasting and decision support, and are themselves a source of risk. In artificial intelligence, digital public infrastructure and cyber and digital resilience, machine learning can scale detection and forecasting across interconnected sistemleri. Its own failure modes must be weighed when automated outputs inform consequential decisions. The canonical description is on STEM Commons.

How models fail in deployment

Distribution shift, spurious correlations and feedback loops are explained with public case records, so oversight bodies know what to ask about a system’s behaviour after deployment.

Reading model documentation

Model cards, data sheets and system cards are read for what they disclose and omit about training data, evaluation and limits.

Agent architectures explained

How agents chain model calls, tools and memory is described, so that permission and liability questions can be placed at the right point.

03İzleme

Model eğitimi.

Bir ekibin bu yöntemi izlemek için kullanacağı ekran: ölçütleri, durumları ve kararları. Adlar örnektir ve değerler açıklayıcıdır.

Model eğitimi

AI and digital governance · Artificial intelligence · Run R-6213

Bir dilimde kaymaGRF · Yapay Zekâ ve Dijital Yönetişim

Dilime göre değerlendirme

Tümü0.850.044407Geçiş
Bölge A0.780.041829İnceleme
Bölge B0.650.07444İnceleme
Nadir sınıf0.740.14124Eşiğin altında

Yöntem kartı

Yöntem
Yapay zekâ ve makine öğrenmesi
Bölme
zamana dayalı, sızıntı yok
Özellikler
55
Etiket
MODELLENMİŞ

Nüfus istikrarı

Model training: the screen’s structure, terms and states for AI and digital governance.Örnek adlar ve örnekleyici değerler; bir tasarımdır, kayıt veya canlı bir sistem değildir.
04Veri

Yöntemin tükettikleri.

Bu platformda yapay zekâ ve makine öğrenimi tarafından kullanılan veri kümeleri ve kayıtlar; her birinin oynadığı rol ve değerlerinin taşıdığı etiketle birlikte. Kaynaklar kaynak sicilinde.

VeriRolEtiket
Model and system cardsDisclosed capabilities and limitsBEYAN EDİLDİ
Benchmark resultsComparative capabilityBİLDİRİLMİŞ
Incident recordsObserved failuresBİLDİRİLMİŞ
Research literatureYöntemler ve kanıtBİLDİRİLMİŞ
05Politika senaryoları

Araçları karşılaştırın: kurallar, teşvikler ve bilgi.

Üç araç ailesi, her biri kendi gecikmesi ve benimsenme hızıyla, belirlediğiniz kapsam ve uyum altında, referans senaryoya karşı yan yana; etki büyüklükleri, kanıtla değiştirilecek öğretim değerleridir. Senaryo: gelecek hakkında adlandırılmış varsayımlar, tahmin değildir.

Kontroller

Sonucun temel eğilimi
yılda %2,0
Aracın kapsamı
70%
Uyum
75%
Etki büyüklüğü, öğretim değerine göre
100%
Önümüzdeki yıllar
20 yıl

Okumalar

Ufukta en büyük azalma
Düzenleme
Başlangıç düzeyine göre azalması
21%
Sayılar, yöntemler ve kaynaklar
YılReferansDüzenlemeEkonomik teşvikBilgi ve kapasite
0100.099.598.899.1
1102.0101.2100.199.8
2104.0102.5101.199.9
3106.1103.5101.6100.0
4108.2103.7101.8100.7
5110.4103.2101.7102.1
6112.6102.0101.6103.9
7114.9100.4101.6105.9
8117.299.2102.1108.0
9119.598.6102.9110.1
10121.998.9104.2112.3
11124.399.7105.7114.5
12126.8101.1107.4116.8
13129.4102.7109.4119.2
14131.9104.5111.4121.6
15134.6106.5113.5124.0
16137.3108.5115.7126.5
17140.0110.7118.0129.0
18142.8112.9120.4131.6
19145.7115.1122.8134.2
20148.6117.4125.2136.9

Yöntemler

  1. Hükümetin araçları Hood (1983), The Tools of Government, Macmillan
  2. Havuçlar, sopalar ve vaazlar Bemelmans-Videc, Rist and Vedung (1998), Transaction
  3. Yeniliklerin yayılımı Rogers (2003), Diffusion of Innovations, Free Press
  4. Belirsizlik yelpazesi (parametrik Monte Carlo) Spiegelhalter, Pearson and Short (2011), Visualising uncertainty about the future, Science 333
  5. Tek seferde bir faktör duyarlılık analizi (tornado) Saltelli and others (2008), Global Sensitivity Analysis: The Primer, Wiley

Veri

The model runs on the teaching values set by the controls. To calibrate it for a place, read it against these admitted layers and series, which this page’s map can draw:

  • Sınırlar Natural Earth
  • Şehirler Natural Earth
Araçları karşılaştırın: kurallar, teşvikler ve bilgi. Örnekleyici bir öğretim modelidir: ölçülmüş verilerle değil, kontrollerle belirlenen değerlerle çalışır. Yöntemler: Tools of government (Hood (1983), The Tools of Government, Macmillan); Carrots, sticks and sermons (Bemelmans-Videc, Rist and Vedung (1998), Transaction); Diffusion of innovations (Rogers (2003), Diffusion of Innovations, Free Press).

Nexus Consortium'un yürüttüğü altı ayak genelinde

06Doğrulama

Sonuçlar nasıl kontrol edilir.

Modeller mekânsal, zamansal ve grup yapısına uyan ayrılmış veriler üzerinde değerlendirilir. Sağlamlık, kalibrasyon ve adillik doğrulukla birlikte test edilir.

Kontrol edinNasıl yapıldığı
Claims against evidenceCapability claims are checked against published evaluations
Context of benchmarksBenchmark results are read with their task and data limits stated
Deployment conditionsBehaviour is described for the conditions in which the system is used

Kullanım koşulları eğitim verilerinden farklı olduğunda performans düşer. Modeller önyargıları kodlayabilir ve nadir olaylarda açık bir uyarı vermeden başarısız olabilir.

07Uygulama

Yetkiden değerlendirmeye, sütun sütun.

Bir aracın yetkiden değerlendirmeye attığı adımlar; her birini yürüten sütunla ve yetkili makamda kalan kararlarla birlikte. Belirtilmiş örnekleyici değerlere sahip öğretim modeli, tahmin değildir.

  1. Yetki ve sorunun çerçevelenmesi Yetkili makam (programın dışında)
    Yetkili bir makam, sorunu ve yetkiyi kendi kurallarına göre çerçeveler. Howlett, Ramesh and Perl (2009)
  2. Kanıt ve sistem modeli Foundry
    Sistem, geri beslemeleri, verileri ve belirtilen sınırlarıyla modellenir. OECD (2014), ilke 2
  3. Seçeneklerin senaryolarla değerlendirilmesi Foundry
    Araçlar, belirsizlik gösterilerek senaryolar altında karşılaştırılır. Hood (1983)
  4. Paydaşlarla tatbikat Evren
    Seçenekler, onları uygulayacak ve sonuçlarına katlanacak kişilerle yapılan bir tatbikatta sınanır. OECD (2014), principle 3
  5. Standart veya rehber taslağı hazırlanır Nexus Standards
    İşe yarayan, yoruma açık bir standart veya rehber olarak kodlanır. Nexus Standards süreci
  6. Makamın kararı Yetkili makam (programın dışında)
    Makam, programın dışında, kayıtlı kanıtla karar verir. Howlett, Ramesh and Perl (2009)
  7. Kapasite ve eğitim Risk Akademisi
    Uygulayanlar, kararlaştırılan araç ve verileri konusunda eğitilir. Sendai Afet Riskinin Azaltılması Çerçevesi (2015), öncelik 2
  8. Izleme ve kamuya açık rapor Raporlar
    Göstergeler kaynakları, sınırlamaları ve düzeltmeleriyle yayımlanır. OECD (2014), principle 5
  9. Değerlendirme ve gözden geçirme Nexus Standards
    Sonuçlar standarda ve modele geri döner: döngü kapanır. Howlett, Ramesh and Perl (2009)

Yöntemler

  1. Politika döngüsü Howlett, Ramesh and Perl (2009), Studying Public Policy, Oxford University Press
  2. Kritik risklerin yönetişimi OECD (2014), Konsey'in Kritik Risklerin Yönetişimine İlişkin Tavsiye Kararı
  3. Yönlü grafiklerin katmanlı çizimi Sugiyama, Tagawa and Toda (1981), IEEE SMC 11
Yetkiden değerlendirmeye, sütun sütun: kaydedildiği hâliyle adımlar, her biri kendi sütunuyla; kaynaklar her adımda atıf yapıldığı şekliyle.

Nexus Consortium'un yürüttüğü altı ayak genelinde

08Bağlantılar

Bu yönteme dayanan konular.

09Araçlar ve taahhütler

Araçlar, yetkiler ve taahhütler.

Bir politika yapıcının, diplomatın veya kalkınma ajansının birlikte çalıştığı araçlar, yetkiler, aktörler ve hesap verebilirlik düzenlemeleri; bunları belirleyen anlaşmalara atıf yapılarak. Yapılar, adı geçen çerçeveleri izler. Gösterilen herhangi bir durum veya ilerleme örnekleyicidir, kayıt değildir.

Politika aracı matrisi

The kinds of instrument available on Artificial intelligence and machine learning for AI and digital governance, by level of government and cooperation.

Araç türüYerelUlusalBölgeselKüresel
DüzenleyiciImar planlaması, yapı yönetmelikleriYasalar, standartlar, lisanslamaUyumlaştırılmış kurallarSözleşmeler ve antlaşmalar
EkonomikYerel vergiler, hibelerBütçe kalemleri, vergiler, sigorta düzenlemeleriRisk havuzları, bölgesel fonlarFinansman mekanizmaları
BilgiYerel uyarılarAçıklama, erken uyarı, istatistikVeri paylaşım düzenlemeleriKüresel izleme ve raporlama
KurumsalYerel komitelerÖncü kurumlar, koordinasyon konseyleriBölgesel organlar ve sekreteryalarÇok taraflı yetkiler
İşbirliğine dayalıTopluluk anlaşmalarıOrtaklık mutabakatlarıMutabakat zabıtları ve ortak programlarAnlaşmalar ve ortak taahhütler
A typology after the OECD Recommendation on the Governance of Critical Risks; examples of instrument types, not an inventory of any country’s measures.
Sendai Afet Riskinin Azaltılması Çerçevesi 2015-2030 · UNDRRParis Anlaşması · UNFCCC2030 Gündemi ve Sürdürülebilir Kalkınma Amaçları · Birleşmiş MilletlerUluslararası Sağlık Tüzüğü · DSÖ
10Sorumlu yönetim

Yöntemi kimin sürdürdüğü.

Yapay Zekâ ve Otonom Sistemler , Konsorsiyum adına yapay zekâ ve makine öğreniminin sorumlu yönetimini üstlenir ve platformlar genelinde nasıl uygulandığını inceler.

Kanonik sayfa: Yapay zekâ ve makine öğrenimi

11Bağlı

Bu sayfanın Konsorsiyum genelinde nereye götürdüğü.

12Sorular

Sorular ve yanıtlar.

Bu alanda yapay zekâ ve makine öğreniminin sınırları nelerdir?
Kullanım koşulları eğitim verilerinden farklı olduğunda performans düşer. Modeller önyargıları kodlayabilir ve nadir olaylarda açık bir uyarı vermeden başarısız olabilir.
Sonuçlar nasıl kontrol edilir?
Modeller mekânsal, zamansal ve grup yapısına uyan ayrılmış veriler üzerinde değerlendirilir. Sağlamlık, kalibrasyon ve adillik doğrulukla birlikte test edilir.
Bu sayfadaki değerler gerçek mi?
The data names, roles and checks are real descriptions of practice. The canvas shows a design of the method’s use, not a run; no result is reported here.
Bu yöntem başka nerede uygulanıyor?
Toplumların işleyişini sürdüren Kanonik yöntem sayfası onu uygulayan tüm platformları listeler.
RaporlarKatkıda bulunun

Bu sayfadan kanıt katkısında bulunun.

Raporlar is the Consortium’s quarterly publication. What you know about this subject can become evidence, a case or a correction in the next edition, credited to you and published under CC BY 4.0 where it is your own work.

Global Risks ForumYapay Zekâ ve Dijital YönetişimÜstel TeknolojiKanıt Özeti

Hiçbir zaman kişisel veri, hassas altyapı ayrıntısı veya paylaşma hakkınız olmayan hiçbir şey göndermeyin. Bir katkı kullanılmadan önce incelenir. Katkıyı göndermek yazarlık veya editoryal hak sağlamaz ve sponsorluk hiçbir zaman bir bulgu satın almaz.

Yapay Zekâ ve Dijital Yönetişim

Bir yönetişim sorusunu Forum'a getirin.

Bilgi ve başvurular bugün açıktır. Bir başvuru bir referans numarası alır ve bir sonraki adımı belirtir; başvurular, ödemeler, işlem kapasitesi tahsisleri ve kayıtlar yalnızca ekipleri, koşulları ve inceleme kapasiteleri mevcut olduğunda açılır.

Bir diyalog önerin Tüm iletişim kanallarını görün
Hukuk
18 hukuki belgenin tümünü göster

Bu sitedeki haritalar, veriler ve şekiller bağlam ve genel bilgi amacıyla gösterilir. Tavsiye, tahmin ya da uyarı değildir; bilgilerin sınırları Sorumluluk Reddi ve Veri Bildirimleri'nde açıklanmıştır.