根據Gartner今年二月對全球政府機構進行的調查訪談，在接受調查的233位國外政府相關首席信息官中，其中85%認為，其政府機構所提供的服務是以“被動應對”、“被動響應”性質為主，而“主動出擊”提供服務的政府機構僅占4%。沒有一位首席信息官認為其政府機構所提供的服務具有預見性、前瞻性。相比之下，中國政府中的一些組織部門能夠更快速有效地掌握并利用先進科技的力量，尤其是疫情期間，有效地提高了響應速度和服務能力。
Gartner認為，若要實施變革，政府必須變得“可靠又主動”。為了更好的實現政府的數字化轉型，推動智慧政府的建設，以及人工智能應用場景的快速落地，政府部門應該了解如下三方面的趨勢發展，即如何定義數字化政府，數據管理當前趨勢，以及應用人工智能的核心要素。下文中將對以上三點做詳細闡述。
根據政府數字化成熟度模型，重構政府
據Gartner觀察總結，成功的數字化政府通常具備三方面因素。
首先，以人為本的設計。服務的設計要遵循以人為本的思想，通過精準的公民畫像，建立多維度的觸達公民途徑（包括線上，線下，語音，圖像等方式），通過預測分析來為不同公民提供個性化的服務。
第二，以數據驅動。根據數據的洞察和趨勢進行決策，重構原有服務內容和模式。
第三，構建平臺和合作關系。政府需要搭建數字化的平臺，以數據分析平臺作為基礎和連接其他平臺的紐帶，使其不僅能夠為公民提供數字化的能力，同時能夠與社會上各行各業、各生態環境內的合作伙伴進行高效的互動，利用彼此的信息和數據，提高政府的服務能力。以及通過萬物互聯，邊緣計算，與物聯網交互平臺進行緊密交互，控制和管理服務終端并收集有效數據進行實時分析。同時整合政府內部的信息系統，讓數據賦能業務部門，提高效率。
以價值焦點、服務模式、平臺、生態系統、領導力、技術焦點和關鍵指標七大維度，Gartner總結出一套“數字政府成熟度模型”（如下圖），通過對照評估，可粗略判斷出政府當前的數字化程度與能力缺陷。
由上圖可見，在初始階段，電子政府的核心思想是把服務盡可能多的從線下轉移到線上，以IT平臺為導向；接下來的開放階段則是更多地開放公共數據，例如天氣、交通等，讓各行各業的第三方廠商幫助政府提高服務能力。第三階段是真正的以數字為中心，政府將不再依賴于第三方所提供的數據服務，而是“以我為主”，利用人工智能或大數據分析，徹底改變自身提供服務的動力和模式，這也是政府數字化轉型的核心階段。而當政府服務達到了第四和第五階段，就能夠真正實現讓每一個服務都有通過數據去驅動的核心競爭力，真正完成和升華數字化轉型。在此次疫情期間，Gartner觀察到國內的很多智慧政府都在利用大數據來判斷疫情爆發的可能性，通過整合多行業數據信息，創造出諸如‘健康寶’這類全民級別高效追蹤疫情的工具，在這一點上，相比國外，國內政府已經搶占先機，展現了高效的危機應對能力和強大的執行力，因此Gartner認為中國政府組織未來在數字化轉型方面，將會更快地迎來質變。
數據管理是數字化政府的基礎
隨著政府、企業數據的變化和數據孤島的存在，很多情況下簡單的數據收集已無法真正落地，因此更為提倡的方式是把來自不同數據源的數據聯結在一起，通過底層基礎設施的構建、不同的存儲方式和數據收集方法，來梳理數據架構，讓它們變成企業的資產。一旦數據資產整理完成，就需要做精細的描述、有效的組織、數據治理和實施、多樣的集成以及共享給擁有不同需要的人，從而為運營用例、分析用例提供有效的數據服務。
而隨著物聯網的發展，動態數據分析必將成為主流應用，邊緣計算越來越成為了未來數字化業務的核心部分。數字化產品，比如手機、物聯網智能終端，以及用戶和服務商不同的實時交互所產生的實時信息產生了兩種維度的分析，一種是實時決策和實時處理，另一種是進行數據存儲和離線分析。
數據集成方式又可以概括為連接、收集和同步三種方式。更為推薦的方式是因地制宜，根據不同數據分析場景來選擇數據繼承方式，即通過物理移動和合并（批量/批次數據移動）、抽象/虛擬整合（數據虛擬化）和變更數據捕獲和傳播（兩個系統之間的復制、同步以及消息傳遞）的結合，以多維度的方式集成、同步多樣的數據。
最后也是最為關鍵的部分——元數據的管理，如何通過元數據的管理讓冗雜的數據變成有價值的、可理解的信息。在應用數據時，通過元數據整體架構，把所有多維度的數據源利用統一的視角來提供給業務與IT。
人工智能和數據無縫集成
如何通過人工智能的方式讓數據發揮更好的價值？人工智能可以為政府和企業真正帶來什么？
人工智能主要有三類核心技術能力：首先是最傳統、發展最悠久的機器學習，它直接根據數據來做出判斷；其次是自然語言識別能力，即人機交互或者語言和語音的相互轉換能力，語義分析能力，現在我們看到更多的方式是自然語言識別和深度神經網絡的結合，以處理復雜的人類語言；最后是在國內發展較為迅速的計算機視覺技術，在人臉識別定位、車牌識別，醫療等方面均發揮了重大作用，而憑借中國龐大的數據源和技術發展速度，我國的計算機視覺技術有著非常廣闊的發展前景。
為幫助政府組織正確地引入人工智能，Gartner建議可以從以下五個方面進行準備和布局：
第一是場景。組織要對業務的驅動力進行明確，以找到適合自身的場景。業務目標是增長業務、降低成本，還是提高客戶體驗？不同的業務驅動力將帶來不同的場景。而其他組織成功的真實案例經過定制化調整，也可為己所用。一旦明確了應用目標，組織可以根據自身數據資產、人才、技術、成本等不同指標進行場景的可行性分析，最終通過數據科學進行驗證，選擇出成熟且有業務價值的場景。
第二是技能。在傳統的人工智能項目里，Gartner把技術人才分成三類：精通業務的領域專家、理解數據的IT人才、人工智能領域專家。只有通過三類專家的結合，才有可能實現人工智能方案的落地。
第三是數據。人工智能需要的數據有其自身特性，往往相對于傳統報表分析，人工智能項目需要的數據量呈現指數級的增長，數據的維度也更多樣，數據質量側次不齊。組織要做的是給予人工智能數據一定的自由度。在這種情況下，可以創建一個孤立的“數據集市”或者“沙箱”，讓人工智能專家去任意地組合數據，發現數據背后的真正洞察。
第四是技術平臺。政府或企業需要積累足夠的技術能力，搭建自有技術平臺，以獲取核心競爭力。但如果現階段技術能力還未滿足要求，又期望可以快速交付，且業務場景較為單一，那么更高效的選擇是外包給服務提供商；但長遠來看，此舉會使組織對外包商產生依賴，最終知識產權也有可能喪失。因此更為推薦的方式是通過購買廠商級別的服務來進行本地定制化開發和優化，以確保最佳的易用性，提高內部人員解決問題的能力，把控解決問題的最佳時機，為組織的長期發展打下堅實基礎。
最后是組織結構。依上文所述，業務專家、人工智能專家和數據專家為發展人工智能提供了必需的專業知識和技能，而最高效的人才分布方式是混合式分布。各業務線的頭陣是業務人員，負責了解業務需求，并將業務需求轉化為人工智能需求。真正理解數據的IT工程師存在于IT部門。而數據科學家既可以通過資源池的方式，由IT統一管理；也可以分屬在不同的業務線，當開展人工智能項目時，讓三類專家緊密配合、有效溝通，由組織管理層和指導委員會直接賦能、反復驗證場景的可能性，做到在一個高自由度的開發場景下搭建人工智能，并與數據無縫集成，讓數據更好地服務于人工智能場景，實現政府組織數字化進程的良性發展。
