社交媒體和網站上的新聞中到處都有AI。與大多數(shù)技術都處于炒作周期一樣，市場上有很多噪音，很難確切地了解什么是人工智能以及政府機構如何使用它。

簡而言之，人工智能是一組統(tǒng)計和數(shù)學算法，它們使用大量的歷史數(shù)據來學習并做出對未來的預測。

十多年來，人工智能已經融入我們使用的許多事物之中。一些流行的用例示例包括Gmail中極其精確的垃圾郵件過濾器，Microsoft Outlook將電子郵件分為混亂，集中的流和其他流，Google助手，Siri，Alexa，Netflix，亞馬遜和Tesla自動駕駛儀(最新版本使用機器學習來感知并同時打開雨刷器)。

但是，人工智能的增長取決于良好的數(shù)據。我們需要高質量的數(shù)據來訓練AI模型。IT系統(tǒng)對公司和代理機構都是一個福音，將其從紙面和人力密集型任務的世界轉移到更自動化的系統(tǒng)，自助服務以及總體上更高水平的客戶和公民服務。

但是，隨著IT系統(tǒng)的成長和發(fā)展，它們通常朝著獨立的方向發(fā)展。代理商甚至沒有簡單的數(shù)據分類標準，例如一個人的姓名或地址。例如，衛(wèi)生和公共服務采購系統(tǒng)對合同“授予”有11個不同的條款。通過IRS合同，我們了解到，在一個系統(tǒng)中，一個名為“國家”的字段并未引用我們可能想到的內容-該國的50個州，而是其他州。這并非政府機構獨有，但在大型私營企業(yè)中也很常見。

為了克服爐灶式數(shù)據的泛濫，一種常見的解決方案是構建大型“數(shù)據倉庫”，該倉庫將來自多個系統(tǒng)的信息整合到一個數(shù)據庫系統(tǒng)中。不幸的是，當移動數(shù)據時，它可能會以不希望使數(shù)據變得毫無用處的方式被破壞，破壞，更改或無法撤消地轉換。

在交易系統(tǒng)和數(shù)據倉庫中，都存在許多數(shù)據質量問題，包括數(shù)據重復，數(shù)據不正確，數(shù)據損壞等。當輸入數(shù)據有缺陷時，將導致GIGO問題或垃圾進，垃圾出。

代理商面臨的另一個嚴重問題是整個企業(yè)中的數(shù)據碎片以及生活在孤島中的數(shù)據通常是無法訪問的。大多數(shù)機構系統(tǒng)是在獨立的方向上開發(fā)的，通常側重于運行組織一部分的任務功能。例如，納稅人可能由多個孤立的系統(tǒng)處理，這些系統(tǒng)處理工資和收入信息，審計，執(zhí)行或刑事調查。很難對所涉及的主要實體進行360度查看：存在于這些系統(tǒng)中的納稅人。系統(tǒng)所有者還熱衷于保護其系統(tǒng)中的數(shù)據，因此獲取訪問權通常很乏味且充滿挑戰(zhàn)。

這些是嚴重的問題。為了獲得我們可以依靠的結果，我們至少需要一定數(shù)量的質量合理的良好數(shù)據。這是否意味著在首先清理，標準化和合并我們擁有的所有數(shù)據之前就不可能有AI?