G7 GovAI Grand Challenge

This text was transcribed with AI and has been reviewed by a human.

Kara Beckles, 0:01

Hello. Welcome, everybody, and thank you all for coming. We’re excited to announce our selected recipients from the G7 GovAI Grand Challenge today. We’ll be hearing from all of our recipients shortly, but I’m happy that you joined us today to hear from them. I know that I have been anticipating this day for many months already, and just like you, I have not yet seen some of the wonderful presentations that are coming. So, I will be just as excited as you seeing them for the first time.

My name is Kara Beckles. I am Executive Director for Privacy and Responsible Data at the Treasury Board Secretariat of Canada, and I’ll be your host today, leading us through the next couple of hours as we learn more.

Before we begin, I’d like to acknowledge that I am joining from the unceded traditional territory of the Algonquin Anishinaabe people who have cared for this land since time immemorial. For those of us joining virtually, we invite you to take a moment to reflect on the land where you live, work and play, and to learn about the traditional caretakers of those territories. Understanding the histories and responsibilities connected to the places we call home is an important step in reconciliation.

So that you’re aware: a couple of housekeeping items. Microphone and video access will be disabled for everyone except for the presenters who are on this call. The question and answer feature will be available for attendee use, but only for questions pertaining to technical issues. So, if you’re having troubles with something, please let us know, but your messages will not be posted. If there’s a common issue, also, our team may let you know and communicate that through the Q&A to you.

Today’s session will be mainly in English. The videos of the selected recipients are posted online with transcripts in both official languages. The video from today’s event will be posted later this week. Please reach out to the team if you would like to see the presentation in French as well.

[Translated from French]

Today’s session will be mainly in English. The videos of the selected recipients are posted online with transcripts in both official languages. The video from today’s event will be posted later this week. Please reach out to the team if you would like to see the presentation in French as well.

[English]

All right. So, now we’re going to turn to the President of the Treasury Board, Minister Shafqat Ali, for some opening remarks before we kick off this special occasion.

Shafqat Ali, 2:59

[Translated from French]

Hello, everyone!

[English]

And welcome to the showcase day for the G7 Gov AI Grand Challenge. Canada, as President of the G7 in 2025, led the way to explore the potential of AI in the public sector by hosting the first Grand Challenge on AI. We recognize that AI could greatly improve how we serve our citizens and how we operate as governments. As we explore these new opportunities, we must take a responsible and ethical approach. The goal of the challenge is to unlock AI’s potential to address key issues facing governments today and find possible solutions for a better future. We understand the value that comes from collaboration. This challenge brought diverse minds together so we could get the best possible outcomes. This competition will build bridges and spark inspiration.

Through this challenge, innovators and researchers across G7 countries and the European Union brought forward proposals to address one of four pressing problems that public sectors are currently facing. I’m proud of these brilliant minds for their exceptional work and congratulate them for their determination. I would also like to acknowledge the more than 100 teams who participated and contributed to this important initiative. They presented with their amazing passion and their inspiring work, and today we’ll be highlighting the top solutions from these impressive ideas.

Thank you to everyone for your time, collaboration and creativity in this challenge. And finally, I would like to congratulate France on its leadership as it assumes the G7 presidency in 2026. Canada looks forward to continuing to work together in this important international forum. Thank you.

[Translated from French]

Thank you very much.

[English]

Kara Beckles, 5:35

All right. Thank you to the Minister for those remarks. So, for those of you who may not be familiar, the Grand Challenge was launched by the G7 AI Network, also known as GAIN. It’s a collaborative initiative between the G7 countries and the EU as part of its mandate to advance responsible and effective adoption of artificial intelligence in the public sector.

We’re fortunate to partner with Impact Canada to deliver the challenge, who has a wealth of expertise in running these types of processes and helped us enormously in carrying off this challenge. The challenge was conducted through four rapid solution labs, held from November 17, 2025, to December 1, to guide scalable and responsible AI solutions from eligible participants across the G7 and the EU. Up to $10,000 Canadian was available to be awarded to the top solution from each G7 nation and from the EU. And we also had two youth categories, one for ages 13 to 17 and one for ages 18 to 29. Following the judging assessment process and deliberation meetings between the judges to determine recipients, honourable mentions and finalists, we now have seven recipients with three of those categories having no chosen winner. Overall, the interest shown from the public and the GAIN revealed that the challenge has been a powerful way to crowdsource potential AI solutions across Canada and G7 nations.

So, the challenge was anchored around four problem statements that we developed first with a network of Canadian provincial, territorial and municipal colleagues and then finalized with our partners across the G7. And thanks to those of you who participated in those GAIN meetings, which led to these challenge statements. So, the challenges ranged from information management to navigating complex rule sets within laws, policy and regulations to determining resource allocation within complex government processes and finally communication barriers during government interaction.

As for our judging panel, we had a wealth of international expertise from across G7 countries acting as judges who evaluated submissions and recommended our top solutions here today. This expertise includes industry leaders, public officials, academics and experts with areas of expertise spanning AI implementation in the public sector as well as governance and ethics of AI and emerging technologies. Our judges played a central role in guiding this process. The solutions and recipients presented today were evaluated based on several criteria, including whether they demonstrated a positive benefit to clients and to society; whether the solutions were interoperable, showing clear potential for cross-system integration; whether the result was clearly explainable in its approach, and also whether the solution was scalable, demonstrating to what extent the solution could scale to serve more users or be updated with more features; whether the solution was accessible to persons with disabilities or varying levels of literacy; and also shows usability, demonstrating benefits from its implementation. So, we are fortunate to have several of these judges with us here today, and we’ll hear from them very shortly.

So, now we’re going to move on. So, a bit of an agenda today. So, we’re going to have three different panels, and in each panel, we’ll have judges who will be presenting the recipients for each of the categories. So, in panel 1, we’ll have Canada, Japan and the United Kingdom. Once all of those solutions have been presented, there’ll be a short video for each one so you can see what the solution was and how it works. We’ll have then a panel with some Q&A between the judges and the recipients. We’ll then move on to panel 2, which includes the age category 18 to 29 as well as Germany, following the same format. And in panel 3, we’ll have the United States and Italy before we close the session. So, without further ado, we’re going to get into the heart of the agenda and what everybody has been waiting for today. So, with us representing the Japanese judging panel and introducing our recipient from Japan, we have Kyoko Yoshinaga.

Kyoko is a Project Associate Professor at Keio University’s Graduate School of Media and Governance and affiliate scholar at Georgetown Law’s Institute for Technology Law and Policy. And we’re pleased to welcome her here. So over to you, Kyoko.

Dawn, maybe I’m going to pass it over to you to introduce the video so at least we can get to those while we get everybody’s tech sorted out.

Dawn Hall, 11:19

Hi. Absolutely. I’ll start with Japan as you suggested. I am very pleased today to introduce Team 1902, the selected recipient from Japan, with team members Satoko Watanabe, Jinosuke Yamada, Yuzua Takeuchi and Noyuri Iizuka. Joining us today is Satoko Watanabe.

Team 1902 is being recognized for their solution, government data utilization for combatting misinformation. The solution addresses financial misinformation by connecting social media discussions directly to official government open data. It uses retrieval-augmented generation, or RAG, and Vertex AI to provide trusted responses based on government documents. The judges thought the issue being addressed was very socially important and really liked how the solution connected to authoritative government sources. They also appreciated the responsible AI measures, from grounding in the official documents to not storing user profile data and having the solution decline to respond. So let’s learn more about the solution.

Team 1902: video demonstration, 12:44

[Satoko Watanabe]

Hello, we are Team 1902. Today we'd like to present our proposal, GovGov, Government Data Utilization for Combating Misinformation. Here are our team. We were students from Waseda University, Japan. We all belong to the debate club at Waseda, and as a new challenge, we decided to try participating in a hackathon.

The challenge we aim to address is issue number four. Clients have a wide variety of communication needs and interactions with the government can be challenging and frustrating and exacerbate existing barriers. In today's digital landscape, misinformation is ubiquitous. We identified a critical problem, the proliferation of uncorrected false information, which impedes discourse rooted in fact. To safeguard a healthy democracy, we must establish two pillars: a mechanism for real-time fact-checking on social media and a streamlined path to authoritative data.

For instance, rumors such as, "What are we going to do if the illegal immigration problem increases because of Zika?" Apparently, it's easier for foreigners to receive welfare benefits. Frequently circulate on X. Users often attempt to verify these claims by summoning AI tools. Yet, these systems often yield inaccurate results. This leads to polarized, unproductive debates detached from reality. Furthermore, an increasing number of users rely on generative AI as a primary search engine. However, these models often ingest unreliable sources such as personal blogs or AI-generated slop, compromising the integrity of public discourse.

So, how do we restore constructive dialogue? The answer lies in the provision of high-integrity information. The government must take a proactive role in communicating directly with the public. A true government-to-citizen communication model. To be effective, this information must be both comprehensive and precise. Japan's administrative program review sheets represent the only official cross-ministerial database covering all budgeted projects. Given their exhaustive and verified nature, they hold immense potential as a platform to counteract misinformation. To leverage this resource, we developed two products integrated with the review sheets: GovGov, an X-integrated bot, and GovGov Web, a web-based AI chat interface.

First, let me introduce GovGov, the official government fact-checking bot. When a user encounters suspicious information on social media, they simply mention @GovJapan to request a verification. The bot identifies the most relevant administrative projects from the review sheets and feeds their specific data into an LLM. This RAG system ensures the output is grounded strictly in official facts. Next is GovGov Web. Currently citizens face a dilemma. Manual web searches are cumbersome while generative AI responses are untrustworthy. GovGov Web addresses this by offering a suggestion feature for vague inquiries and restricting its knowledge base exclusively to government documents, ensuring maximum reliability. Please watch this one-minute demonstration.

Here the user asks about the Ministry of Economy and Trade visits and AI responds to the question. This is the GovGov Web and the user asks about the budget of Digital Agency in Japan. While we have launched GovGov and GovGov Web as initial proofs of concept, we believe two further steps are imperative to modernize government communication. First of all, AI SEO optimization and MCP server implementation, making government data machine-readable. Second of all, centralization of public records, integrating laws and council minutes into a single source of truth for chat responses. Our ultimate vision is a society where citizens can collectively endorse effective policies and constructively critique those requiring improvement.

By utilizing review sheets as a foundation for evidence-based discussion, we aim to foster consensus building that transcends social division. Thank you so much for listening to our presentation.

Kara Beckles, 18:29

Thank you so much for the video. We’re now going to go, and apologies for the technical issues, but we’re going to go to Kyoko for a few comments.

Dawn Hall, 18:38

I’d like to welcome back Kyoko Yoshinaga to provide some remarks on the recipient from Japan, Team 1902, for their solution, government data utilization for combatting misinformation. Over to you, Kyoko.

Kyoko Yoshinaga, 18:54

Thank you, Dawn. It was a pleasure to serve as a judge for this event. On behalf of the judging panel, I am pleased to introduce the solution proposed by the recipient from Japan, Team 1902, represented by Miss Satoko Watanabe, and to share a few comments.

Team 1902’s solution, GovGov, takes a practical approach to addressing misinformation related to public budgets by connecting social media discussions directly with official government data through an AI agent. By simply tagging a bot, users can verify claims in a way that is both intuitive and accessible. What stood out to the panel was precisely this usability. While various approaches to misinformation and disinformation such as digital watermarking, provenance verification and blockchain-based solutions are being explored, this proposal focuses on a user-centred design that makes verification easy for citizens.

Overall, the panel considered this a strong application addressing an important societal challenge. The model is thoughtfully grounded in official government information, and the concept is both innovative and well conceived, with clear potential for global applicability. At the same time, further development could strengthen the solution, for example, by providing more detail on how different data formats such as PDFs, spreadsheets or structured databases would be handled in practice. Importantly, the core approach, identifying potentially misleading claims and verifying them against government-validated data, is robust, and the simplicity of the user interaction is a clear strength. Also, regarding the GovGov Web interface, it helps users refine vague questions while ensuring that responses remain grounded in official government information and represents a helpful step toward making the tool even more accessible.

It was also particularly impressive to learn after the evaluation that this proposal was developed by non-technical students. This highlights that individuals without a technical background can meaningfully engage with AI and take initiative in this space. With the addition of further technical expertise, this solution could be further refined and scaled, including in ways that support broader global use. Of course, such a system ultimately depends on governments providing accurate, transparent and well-maintained public data. Where that foundation exists, tools like this can play an important role in supporting informed public discussion. Congratulations once again to Team 1902! We look forward to seeing how this solution continues to evolve. Thank you.

Dawn Hall, 22:28

Great. Thank you so very much. I am now pleased to introduce Loganberry Team, the selected recipient from the United Kingdom, with team members Qian Huang, Nigel Cullumbine, Tor Gisvold and Ana Ohde. Joining us today is Qian Huang. The Loganberry team is being recognized for their solution, the future of resource planning. The solution leverages process mining to transform routine hospital administrative data into actionable insights.

These insights can be used by hospital managers and policy-makers to inform resource allocation and help to address hospital wait times. The judges could see how the tool could be very valuable and thought it would be useful to address a very important issue we’re facing nowadays using data science. The judges also noted the quality of the technical architecture and were interested to know more about scalability across the jurisdictions. Congratulations to the Loganberry team! Let’s learn more now about the solution.

Loganberry Team: video demonstration, 23:38

[Ana Ohde] I'm Ana Ohde, health economist. I make sure our solution delivers measurable economic value and sustainable impact at population level.

[Nigel Cullumbine] I'm Nigel Cullumbine, Chief Operating Officer. With over 20 years experience in health and care leadership, including CIO and COO roles, I specialize in translating operational challenges into practical digital solutions.

[Tor Gisvold] Hello, I'm Tor Gisvold, CTO. I lead our technology strategy and my task is to build secure, scalable AI first and cloud first platforms.

[ZhiQian Huang] I'm ZhiQian Huang, CEO and co-founder. My background is in NHS operational crisis management and I pioneered the use of process mining to uncover patient flow insights across health systems.

[Text on screen that is not spoken]

Together, we combine operational, technical and economic expertise to build an operational intelligence layer that helps governments allocate resources more effectively.

[Unnamed narrator] The G7 challenge recognizes the difficulty governments face in predicting needs and allocating resources effectively within complex systems. In emergency healthcare, this challenge is visible every day.

Hospitals must deploy limited staff space and equipment in real time. Yet decisions remain largely reactive, often relying on individual experience rather than on demand operational intelligence linked to measurable outcomes. Our solution aims to address this problem.

[Text on screen that is not spoken]

Process Mining /noun phrase/ A data-driven, analytical methodology used to discover, monitor, and improve business processes by extracting and analysing knowledge from event logs within IT systems.

[Unnamed narrator] With process mining, we can analyze every patient flow individually within seconds. Something traditional analytics struggles to do. Our proprietary approach to categorize these flows into structured routes is the foundation for intelligent resource planning. As an example, we helped an A&E realize that the delays to blood processing was actually due to portering availability, not laboratory capacity.

[Text on screen that is not spoken]

How can all hospitals access this insight?

[Unnamed narrator] Loganberry, our AI companion, allows operational teams to interrogate these insights in natural language. Loganberry is tailored to each hospital and their users. It is user friendly regardless of their digital maturity and analytics capabilities. It triangulates structured flow data, hospital standard operating procedures, national guidance, and the local contextual information without users having to interpret dashboards.

We have also incorporated feedback from the judging panel by strengthening explainability and responsible AI guide rails. We have also removed language barriers for adoption worldwide.

The AI responses are now context aware and it's able to show its reasoning clearly. Our AI is configured to respond within scope when asked a question outside scope and knowledge base. It does not replace human judgment. It supports it. Process mining data is supplied with patient identities obfuscated by the hospital prior to processing. And our intelligence module does not collect or process identifiable patient data.

We have partnered with an enterprise technology provider that gives us full control over our software stack and the data residency enabling alignment with national legislation including GDPR and the EU AI act. Its architecture is secure and cloud native currently operating at scale in a regulated industry. This gives us confidence that we can scale from a single hospital to national deployment while maintaining governance, security and compliance.

[Text on screen that is not spoken]

How can hospital use insights to improve resource allocation?

[Unnamed narrator] We have developed a real time operational intelligence prototype since our original submission.

This module enables staff to log operational issues as they happen with AI assistance to capture context consistently rather than relying on fragmented messages or informal handovers. Our solution links each issue to its potential impact on patient flow. This will be the first time that tested operational knowledge of how hospitals are actually managed day-to-day is captured in a structured form for leadership teams. Our solution provides suggestions on what they need to consider before mobilizing additional resources. This creates visibility and reduces the cognitive load of managing complex real time operational pressures.

AI proposes a status for the hospitals which can be challenged keeping executives firmly in control.

This is the prototype architecture for production deployment, enterprise controls and an intelligence layer are added including authentication, governance, process mining models, knowledge integration, and explainable AI. This operational intelligence is designed to feed into the Loganberry intelligence layer, strengthening insight with real world context. Because it operates on timestamped operational data and configurable data residency models, it can be deployed securely across jurisdictions. It will now reflect how each hospital truly functions locally.

[Text on screen that is not spoken]

Captures Operational Context

Links Issues to Flow Impact

Tracks Perceived vs Actual Impact

Reduce Board-Level Cognitive Load

Codify Tacit Operational Knowledge

Thank you, Canada!

Merci, Canada!

Kara Beckles, 30:05

Excellent. Thank you so much. And apologies, but we are having a little bit of difficulty with some of our judges and we’re working on getting them back on screen. But for now, I am going to turn back to Dawn, who is going to introduce the video for Canada.

Dawn Hall, 30:28

Hi. Thanks again, Kara. I’m pleased to introduce Innervation, the selected recipient from Canada, with team members Jameson Jones Doyle, Tyler Kolody and Jonathan Nuss. Joining us today hopefully is Jameson Jones Doyle. Innervation is being recognized for their solution, multi-agent AI bias detection system for accessible government communication, which detects and removes bias from government communications in real time.

It leverages AI to de-bias text such as documents or AI outputs and can be extended to any bias type. The judges really appreciated the technical development of the tool and how mature it was already. They could see that the potential impact was strong and liked the responsible AI approach, particularly the focus on transparency and bias. Congratulations to Team Innervation, the selected recipient for Canada. Let’s learn more about the solution.

[Text on screen that is not spoken], 31:34

Additional comments: Sophie Fallaha

Judge Canada

Added to recording to address technical issues during live event.

Sophie Fallaha, 31:41

Good morning, afternoon or evening to all. My name is Sophie Fallaha. I’m the CEO of CEIMIA, the international centre of expertise in Montréal on AI. It was an honour and a privilege to serve as a judge on the G7 Gov AI Grand Challenge for Canada.

A privilege to see so many talents tackling burning pain points and wanting to improve AI adoption in the public sector. Today, I’m very happy to introduce the recipients from Canada, Innervation, and to share a few words on behalf of my fellow judges. Innervation is a multi-agent AI system that detects and removes biases from government communications in real time. It’s currently configured for disability-related bias using best-practice bias identification guides. It operates at three intervention points: first, analysis and de-biasing of client-submitted documents; then screening user prompts to AI systems before processing; and finally, de-biasing AI-generated responses before delivery. It has specialized critic agents which identify the problematic language and provide de-biased alternatives with detailed explanation.

It has real-world application potential, including de-biasing public-facing AI, inclusive communications, culturally sensitive service descriptions and barrier-free correspondence. To note, detailed definitions for each change and unbiasing action are provided with all de-biased AI outputs, documents and user prompts. A few key success differentiators and key success factors, I would say, for Innervation were that first, it really brings to real life a practical and technical tool to work on an important challenge, improving inclusion by tackling the challenge of biases in models and outputs. We noted the very strong technical maturity navigating multi-agent AI systems as well as a clear and strong documentation approach. That transparency lays the foundation of a thoughtful approach to bias and principles of responsible and trustworthy AI.

Moving forward and looking at next steps for Innervation, we would love to see them grow in the following areas of improvement. First, clarifying the interoperability potential. So, showing a stronger demonstration of its potential to work with existing systems and technology, including alignment with policy and legal frameworks. Then it will lead to a stronger scalability potential in other G7 jurisdictions. Second, clarifying the metrics and processes for assessing results and the solution’s effectiveness. It will provide a clearer view on the evaluation method, which would then improve the confidence and level of certainty of the outputs and position Innervation more strongly for scale-up potential on the market. Finally, congratulations to Innervation for its mature and well-documented solution with a strong focus on transparency and bias.

We are very much looking forward to the next steps and seeing you grow. Thank you very much.

Innervation: video demonstration, 34:51

My name is Jameson Jones-Doyle. I'm the CEO of Axon Technologies and I've been an entrepreneur for over a decade and specialize in an advanced technologies that help people and the communities that are they are a part of to achieve greater results.

[Jonathan] Hi, my name is Jonathan Nuss. I'm a cofounder of Axon Technologies, the company behind Innervation, and I've been involved in the early days working with Tyler and with Jameson on the legal and corporate strategy behind this venture. What excited me the most from the start was Innervation’s focus on multi agent systems and the opportunity to apply that technology in ways that make systems more transparent, more fair and ultimately better for our society.

[Tyler] Hi, my name is Tyler Kolody. I'm a founder and the CTO of Axon Technologies, the creators of the Innervation Multiagent framework that we're looking at right here. For the GovAI Grand Challenge, we focus on problem 4, which was clients have a wide variety of communication needs and interactions with the government can exacerbate existing barriers. Design a solution to communicate with people in a way that is accessible to a wide range of languages, cultures and abilities.

As a predominantly disabled-owned organization, this was something that we were very excited to tackle. Focusing on ableist language and debiasing of government material. We hope to make it easier and more effective for those in government to create material that is inclusive and have it be in such a way that it can be validated and is transparent so it can be adjusted, corrected and improved over time without overly burdening those in government in the process.

So, to get started, we're just going to do a little test run here. Right now, there are three different configurations, standards that it is measuring against, but these can be swapped out to be different languages, different standards, even focusing on racism versus ableism or any other sort of bias that you wish.

This gets spread into four different agents that we can see here, each one responsible for one of the standards or the framing agent, which does not have a specific standard, but it's looking at the high-level framing and how the assumptions the text is making at a high level that might be ablest. These are all then aggregated within this agent, which also has programmatic validation steps that while they can't detect ableism, if only, they can validate that the output is of the right structure and has content that matches. So, this ensures that the earlier input from these upper agents is included or sort of attached as part of the output, as well as that the output is of a particular format and structure that makes it easy to parse and to understand.

So, we can see that this is running right now. Currently it's saving the attachments of the previous outputs to the final output before we'll give its final answer in a minute or two. But every step of the process is entirely auditable, entirely transparent. There's no abstraction or obfuscation, and that sort of is at the core of what makes Innervation unique. We believe very strongly the AI shouldn't go everywhere. It should go in the places that it's supposed to, that it makes sense to you, and that it should be for the empowerment of the user. Even if it's doing a lot of the work, even if it's very automated, the user and those that the user is making decisions about have to be first and foremost in the design.

So, we see that it completed here and it actually failed the validation step on the first try. We can see that it got a validation failure and then it corrected itself and got a success on the next one, which is exactly what we want to see.

So from a technical perspective, we're using Django, Docker, and Kubernetes to build our build our back end and React is our front end, but users don't have to, or clients don't have to use our front end. We have a comprehensive REST API and documentation that is used in our own front end but is exposed to clients as they want. So, while we do have things like large text and colorblind modes that are very nice and very useful, if the situation calls for it to be integrated into an existing interface, that is entirely doable. We meet the client and we meet the user where they are. We don't ask them to come to us.

So, it's entirely interoperable. You can also, of course choose any models that you wish, any suppliers that you want to use or use open models allowing for sort of like full customization, which is particularly important for privacy centric uses, which this isn't necessarily, but the government often needs to and must protect user data and we can sort of ascend to that.

So, we hope that this will make government work more efficient in that it, like there's a lot of dimensions of effectiveness or efficiency as a democratic institution, the Canadian government, it's critical that they are able to sort of hear from all constituents. And there's no segment of the population that it is made it harder to speak to and we hope that this will make it easier to sort of just by default be using inclusive language, be working in inclusive ways. And as for next steps, while it is a bit pie in the sky, so was this three years ago and here we are.

It would be a dream to have this actually used at the level of MPs and their constituents to make it easier for MPs to both understand what their communities at large are concerned with what problems and issues they have and want to see addressed. As well as being able to then pull out the specifics that individuals have given of their individual problems. Obviously anonymized, but to basically give you the best of the high level and the individual scales of a democratic institution. So, to just sort of bring this home, we can see here that the output is exactly as we want. We have the original text. We have a detailed analysis and risk assessment of each of the changes that were made. And then finally, we have the actual de-biased content, which then can be served and used after it's been checked and sort of given the thumbs up by a human. So, thank you so much for listening and I hope you're as excited as we are to continue this partnership.

Kara Beckles, 42:35

All right, great. I think we’re going to turn to Kyoko next to ask a couple of questions of our finalists.

Kyoko Yoshinaga, 42:42

Yes. So, Satoko, once again, congratulations. I would like to ask you what attracted you to participating in this Grand Challenge?

Satoko Watanabe, 42:58

Thank you so much for asking the question. We decided to participate in the Grand Challenge because we believe there’s a paradigm shift in product development underway. So, our team is made up of members from a university debate club, apparently a non-engineer group. However, the rise of AI coding tools and the widespread adoption of intuitive GUI-based cloud services have lowered the barriers enough for people like us without specialized technical knowledge to dive into product development. So, by participating in the Grand Challenge, we wanted to prove that the era of excuses like “I’m not technical” or “I’m not an expert” is over. So, we felt that this challenge was the perfect stage to show the world that possibility.

Kyoko Yoshinaga, 43:44

That’s great and very impressive. Yes, thank you so much for sharing that. I also wanted to ask Jameson the same question. Dawn, do you have the answer from him?

[Text on screen that is not spoken], 43:57

Additional comments: Multi-agent Bias Detection System for Accessible Government Communication

Innervation

Jameson Jones-Doyle (Tyler Kolody, Jonathan Nuss)

Country – Canada

Added to recording to address technical issues during live event.

Dawn Hall, 44:00

Jameson, who would you like to collaborate with in the future?

Jameson Jones Doyle, 44:10

We would like to collaborate with large organizations that have broad impact across communities and the people they serve. This extends to the governments of the G7 as well as to regional and municipal government, but also includes banks, media, universities and large employers. We believe by reducing the presence of ableist bias, and soon, bias of any kind, we can help to reduce cross-cutting barriers affecting a significant portion of the population.

Dawn Hall, 45:03

Second question, what drew you to participating in the Grand Challenge?

Jameson Jones Doyle, 45:09

Well, for the past three years, we have been developing what is to our knowledge Canada’s most advanced multi-agent frameworks. This application of the technology was particularly impactful because it has the potential to remove a crucial and omnipresent barrier that impacts a sizable swath of the population. Specifically, 27% of Canadians identify as having a disability, and statistically, every individual will experience disability at one point in their life. The Grand Challenge was the perfect platform to showcase how multi-agent systems can solve deep problems, and we’re incredibly proud of having been chosen as a winner for this competition.

This will hopefully provide the validation and momentum to ensure that this technology has the impact that it was designed to have. Thank you for your belief in us and for helping to reduce ableist bias across government and beyond.

Dawn Hall, 46:57

Great answer. Thank you very much, Jameson. Thank you. All right.

Kara Beckles, 47:01

Yes. Thank you to Jameson. And now we’re going to go to Mallory, if there’s anything that you’d like to add since you didn’t get a chance to introduce Qian’s video before you ask a couple of your own questions.

Mallory Durran 47:18

Oh, I would love to. Qian and the team at Loganberry have produced such an impressive tool, and I think something that really set them apart for the judges is that they have implemented this with the real human decision makers and operational front-line staff who will be making use of it. Lots of the applications we can dream up seem really cool in theory, but it’s not until the rubber hits the road and you really get things into systems, which is hard to do from a security and compliance perspective, that we really learn what needs to happen, and so incredibly impressive, of all these works in progress. I do have one remaining question, I believe, which is these are obviously works that lots of time and effort has gone into, but works in progress nonetheless. Qian, if I can start with you, what are you looking to accomplish with what you’ve built that maybe you haven’t figured out yet or is still a feature or challenge in development?

Qian Huang, 48:21

So, I supported NHS organizations in crisis as a management consultant for over a decade, and during that time, I was brought into organizations to conduct turnaround programs, but within a year they would bring me back again. I realized it wasn’t a lack of effort from front-line staff or leadership teams. It became clear that the system just wasn’t able to learn from its own operational experience. Since then, I’ve left management consulting, and I set myself a challenge, and the goal was to use data analytics and technology to help health care organizations, one, to understand their operations in a fundamentally different way, and two, to sustain any improvements.

My journey, I would say I was very lucky because my journey started with some amazing people. We pioneered the use of process mining in the NHS, uncovering patient flow insights across multiple pathways, including emergency, elective care, mental health and population health. We’ve managed to validate our approach with various NHS organizations, and our next step was to scale adoption. That’s when I then realized that health care systems don’t always have the luxury to implement specialist technology because they require lengthy time scales and costly budgets. We then set ourselves our next goal. We wanted health care teams to get to their patient flow insights quickly and cost-effectively using natural language.

Which we’ve now achieved. So we’ve managed to bring data-to-insight implementation time down from six months to six weeks. And once implemented, any front-line staff, clinical or non-clinical, can now use our solution to identify insights that are just specific to their roles without any training. But we know it doesn’t end here. If our goal is to bring sustainable improvements, then we need something that learns from operational decisions. And that’s the reason our latest prototype is designed to capture, analyze and translate the operational knowledge that staff use every day to manage their departments, for example, the impact of flow on disruptions, patient arrival and staffing levels. Operational knowledge like that is rarely recorded or analyzed but is actually critical for decision-making.

So, imagine having the collective operational signals and the impacts they have on patient flow in your organization at your fingertips. We believe that AI today, just like Satoko said, has the ability to support better decision-making in real time when it comes to optimizing resource allocation. We are now ready to test the prototype, but we really need help to, one, navigate complex government environments like the NHS, and two, translate our solution beyond the UK. Ultimately, the goal is to help health systems, regardless of where they are, move away from reacting to crisis, but instead they are systems that can now adapt to operational signals to better deliver the best care possible to patients and for the best value to taxpayers. Thank you.

Mallory Durran, 52:05

Super. Satoko, I wanted to ask you the same question. Were there or are there challenges that you are still trying to address or that you’re figuring out as a team as you mature your product?

Satoko Watanabe, 52:15

Thank you for the question. One challenge we haven’t fully resolved is whether our fact-checking bot will actually reach the people who need it most, so, specifically, such as people who tend to accept false information uncritically or those who unknowingly spread conspiracy theories. There’s an inherent irony here. The people most likely to actively use a fact-checking tool are often those who are already skeptical and information literate, while those who would benefit most may not feel the need to verify information in the first place. So, we feel we should have spent more time thinking through how to bridge the gap, whether proactive notification mechanisms or partnerships with platforms to surface the bot at the moments when misinformation is most likely to spread.

Mallory Durran, 52:05

Brilliant. Thank you so much to both of you.

Kara Beckles, 53:19

Yes. Thank you again to all of our judges for your time here today, but also all the help that you provided to us in providing your time throughout the judging process, as well as bringing your energy and enthusiasm to the Grand Challenge. We definitely couldn’t have done this without you. And to our recipients, congratulations on your solutions and rising to the top and for sharing them with us here today. It’s very exciting to see what you’ve been able to accomplish in a short time and share with us today. So, thank you again and please, if you’d like to stick around, there’s more to come.

All right. So, we are going to head into our second panel now, which includes our youth category as well as our German recipient. So, representing Germany, we have Dr. Sirko Straube. Dr. Straube is Deputy Director and Research Administrative Manager at the Robotics Innovation Center of the German Research Center for Artificial Intelligence. Dr. Straube, over to you to introduce the next two recipients.

Sirko Straube, 54:53

Yeah, thank you very much, Kara, and thank you. I am very honoured to be here and to take part as a judge in this competition, and I would like to introduce the selected recipient for the youth age category, ReadyForm AI.

So, ReadyForm AI was handed in from Canada and includes the team members Akemi Izuko – I already see you here – and Youdong Chen and Steven Tang. And I think with your contribution in your submission, you addressed a problem that every one of us, I think, knows because we all filled out forms for governments or public services, and you created ReadyForm AI to support people to fill out digital forms. You used an AI for that, that you have a voice-to-voice generative AI pipeline and combined that with a screen-reader-friendly interface.

So, I think somewhere in your video you mentioned the term, so your vision was that the form becomes the conversation, and I think this is really what you achieved. And everyone can very easily see that it is a very intuitive approach to interact with an official form, which is not always very intuitive, but you have the AI that really guides you through the process. And the judge panel was also very impressed about the fact that, for example, you found ways to deal with ambiguous inputs by the users. So, the user is not sure about some things, the AI tries to get an estimate on that, and that was really very impressive.

We think that this solution, so maybe first of all, this age group category was highly competitive. So, we had a lot of submissions there, and we had to discuss, and when your submission was discussed, we all agreed that you really have achieved something there, and we think that it’s a huge benefit for society and I would like to see ReadyForm AI in all G7 countries to be applied, to be honest. So, it’s a well-deserved recognition. And yeah, we’re looking forward to your development, and so I hand over to your presentation.

ReadyForm AI: video demonstration, 57:45

[Steven] Hi everyone. We are Steven, Akemi and Oliver, a team of students from the University of Alberta in Edmonton, Canada.

I'm Steven and on this project I worked on enhancing the user experience and agentic engineering.

[Akemi] I'm Akemi and I focused on design and project planning while ensuring our project complies with the highest level of privacy standards.

[Steven] What really brought the three of us together for this project is a shared frustration. As government services move online, citizens are required to navigate a complex digital landscape to access them.

While most welcome the shift because it streamlines the process, allowing forms to be filled out at home, it presents a significant barrier for those with accessibility needs. The digital world is inherently visual, relying heavily on screens and text. This is a major issue. A recent study by Statistics Canada found that 75% of Canadians over the age of 55 have poor vision without correction.

[Akemi] Exactly. We're looking to address the accessibility issues people face when interacting with their government. We've all experienced how irritating it is to fill out government PDF forms. The tiny boxes and small fonts create massive friction. This isn't necessarily a fault of the forum designers. They just have to pack a massive amount of information into a limited space, but it impedes access to public services for many citizens. This directly aligns with the

G7 Gov AI Challenge. The Challenge states clients have a wide variety of communication needs and interactions with the government can be challenging and frustrating and exacerbating existing barriers. While we were asked to design a solution to communicate with people in a way that is accessible to a wide range of languages, cultures, and/or abilities. To answer this, we chose to target a widespread issue of visual impairments.

This is a critical barrier because filling out a PDF is often mandatory as a prerequisite for accessing government services. With ReadyFormAI, the visual interface effectively disappears and the form itself becomes a conversation. You simply speak, the system listens, understands, and responds with absolute clarity.

This is a seamless integration of voice and data creating an experience that is not just accessible but truly effortless. Let's see it in action.

[ReadyformAI] Hello. Welcome to ReadyFormAI.

[Translated from French]

Hi. Welcome to ReadyFormAI. I'm here to help you fill out your grain receipt. I can help you in French and in more than 40 other languages. To start, I need some information about your grain transaction. Could you give me your name and your producer address?

[Oliver] Yes, my name is Oliver Chen.

[ReadyformAI] Perfect Oliver, I've noted your name. What is your full address, and what types of grain are your delivering today?

[English]

[Oliver] Uh, let's switch back to English.

[ReadyformAI] Got it. Switching back to English. I have your name as Oliver Chen. What's your complete address and what type of grain are you delivering today?

[Oliver] Uh, 123 Farm Lane and I'm delivering wheat.

[ReadyformAI] Perfect. I've added your address and set the grain type to wheat. Uh, what's the delivery date and location? And do you have a contract reference number?

[Oliver] Uh, let's go to the weight section.

[ReadyformAI] Here we are in the scale records section. I'll need the weight measurements for your wheat delivery.

What's your gross weight, vehicle weight, and unload weight? All in tons, please.

[Oliver] That should be 5, 10, and 20.

[ReadyformAI] I've entered those weights, but I want to double check. Typically, the gross weight should be the largest number, total weight of vehicle plus grain, and vehicle weight should be the smallest, empty vehicle weight. You mentioned 5,10, and 20 tons. Could you clarify which is which? Is it gross weight 20 tons, vehicle weight 5 tons, unload weight 10 tons?

[Oliver] Oh, yeah. Right.

[ReadyformAI] Perfect. I've corrected the weights.

Gross weight 20 tons, vehicle weight 5 tons, and unload weight 10 tons. The system has calculated your net weight automatically. What's the dockage amount? And do you have a scale ticket number?

[Oliver] As the user speaks, the AI navigates complex tables, autoscrolls to the exact field they're filling out, and instantly updates the text. Users can easily verify the inputs because the buttons are big, and the AI will read back any field if asked.

Once done, the user clicks the button and the filled out form is exported digitally as a standard PDF ready for the government.

Back to you, Akemi and Steven.

[Akemi] As you saw in the demo, what makes ReadyFormAI exceptional is how we handle complex PDFs and multilingual voice navigation while keeping things fully private.

Since government forms are packed with PII, personally identifiable information, in our initial submission, we relied on standard open weight models that weren't fully isolated. Today, our MVP runs entirely on SOCK 2 compliant compute. We use modal as a proof of concept, demonstrating that this entire pipeline can be easily and securely deployed directly onto government servers.

On the technical side, making this fast, private, and capable was a fun challenge. We built our self-hosted pipeline using Pipecat, a provider agnostic framework for multi-stage LM pipelines.

For speech to text, we chose NVIDIA's parakeet mode. It's incredibly light on compute, has the lowest board error rate among open weight models, and understands 25 languages. For text to speech, we used Quen 3TS, which supports 10 language outputs, including all official G7 languages.

[Steven] Imagine an onboarding experience where language barriers simply fade away. You challenged us to build a tool for everyone to reach a truly global demographic, and we took that to heart. Today, ReadyFormAI brings a seamless, deeply human experience to your users.

Now speaking all the G7 official languages and many EU languages, the experience feels like magic. Our voice agent warmly greets the user, cycling through the G7 languages. The moment they reply, it instantly recognizes their native tongue and creates a natural, frictionless conversation.

It even adapts on the fly if they switch languages mid thought. The AI effortlessly follows along, staying perfectly in sync. While the user enjoys a flawless, localized experience, our backend quietly does the heavy lifting.

Instantly translating and formatting their spoken words into standardized PDF fields. It's truly a global solution and as simple as having a conversation. To wrap it up, we want to address two key questions. Akemi, how does our solution make the government work more efficiently?

[Akemi] Ultimately, governments want equitable accesses to their services. Without ReadyFormAI, visually impaired citizens face an unfair choice.

Either sacrifice their independence by asking a public service agent to read and fill out a form for them or just give up and not access the service at all.

Because PDF forms are the gateway to almost every public service, our solution significantly improves access, empowers citizens, and frees up government support workers. This leads to the second question. Steven, what's the ideal state of our final solution?

[Steven] Yeah. So, while our web extension removes a lot of friction already, the user still has to intentionally seek it out.

Our ideal next step is for governments to adopt ReadyFormAI directly into their web infrastructure. So, when a citizen clicks on a PDF form on a government website, they should have the option to directly open it in ReadyFormAI. Also, while we use the secure cloud for our MVP to ensure absolute privacy, our code is completely open and optimized to run on small, inexpensive GPU servers hosted on sovereign government infrastructure.

[Akemi] We believe AI shouldn't just be a chat box on a homepage. It should look be a tool that actively supports human endeavors. Thank you for your time and we look forward to seeing the G7 adopt solutions like ReadyFormAI.

Kara Beckles, 1:06:11

All right. And we’ll go right back to you, Dr. Straube, to introduce the solution from Germany.

Sirko Straube, 1:06:18

Yeah, thank you, Kara. I’m also very happy and proud to introduce ResiliAlloc, which is the winner from Germany. The solution was submitted by Wolfram Bopp, and ResiliAlloc is something I think that concerns all the G7 governments, which is it deals with infrastructure and the question of when is it appropriate to repair and maintain infrastructure. So, this is a really important topic, and ResiliAlloc uses open data. It uses a physics-informed AI and is trying to help governments to decide on which roads, which bridges, they should spend investments and where infrastructure is at risk.

What I think was very remarkable in this submission is that also, here, a lot of data sources were brought together into this one context, and the submission also fused other factors like medical criticality, frost or load design into this approach, so, to see, okay, if I repair this bridge, will the ambulance still reach the hospital in time for certain regions? So, I think this is also a very valuable submission. Yeah, also congratulations here, and I also am looking forward to the next steps, and so, I think, here is the video.

ResiliAlloc: video demonstration, 1:08:18

[Wolfram] Hi everyone, my name is Wolfram Bopp. By day I work at BMW as an AI expert. As a hobby and to learn, I take part in AI hackathons and charitable projects. I really enjoy diving into novel complex problems and it's really nice to build solution that deliver real measurable value for the general public.

We choose to tackle the challenge, design a solution that anticipates future needs and resource allocation to reduce waste and improve service by ensuring resources are available where and when they are needed with infrastructure data. So let's have a look.

[Unnamed narrator] Every year, governments spend billions managing roads and bridges. And every year, billions are wasted. We repair infrastructure too early, wasting money, or too late, forcing emergency repairs that cost 10 times more. Most governments manage billion-dollar portfolios using static age-based depreciation curves that simply guess when a bridge might fail. What if we could predict structural failure before the cracks appear? What if we could optimize every single tax dollar? Introducing ResiliAlloc, the G7's first sovereign infrastructure intelligence platform.

ResiliAlloc isn’t just a dashboard It's a dynamic physics engine. We rejected the industry standard of using static spreadsheets. Instead, we built a modern Lakehouse architecture. Our swarm engine ingests real time signals from seven global APIs. We combine the static asset backbone from Odin with dynamic stresses. We pull historical freeze thaw cycles from Open Meteo to model thermal shock. We pull live traffic patterns from TomTom to measure structural fatigue and crucially, we calculate medical critically identifying bridges that, if closed, would block ambulances from reaching a hospital. But here is where ResiliAlloc wins.

Competitors will tell you, "We can't predict risk because the open data doesn't have condition ratings." We proved them wrong. We used a federated ground truth strategy. We trained our AI on over 6,000 validated engineering records from the USA, the UK, and Quebec.

Using a Kaggle winning stacking ensemble, we transferred this intelligence to local assets. We implemented pseudo-labeling, allowing the model to teach itself the nuances of the local environment.

The result, we beat the government standard model by 26%. We moved from guessing to precision engineering. Let's look at the mission control dashboard. The system analyzes nearly 5,000 provincial assets. On screen, you see a sea of red. Our AI has identified 140 critical assets that are facing imminent failure due to high traffic load and thermal shock.

Watch what happens when we apply a 25 million dollar emergency budget. The AI doesn't just pick random bridges. It runs a NEPSE optimization algorithm to select the projects with the highest return of investment for public safety within budget. Take asset 4594.

The AI flagged this not just because it's old, but because the combination of heavy trucks and severe freeze cycles makes it a ticking time bomb. ResiliAlloc ensures we fix it today. Precision policy making.

This is the power of ResiliAlloc. With a single click, the optimization engine analyzed nearly 5,000 assets and rejected 99% of them to find the most important projects within an example emergency budget of 25 million. These projects aren't just random choices. They represent the mathematical optimum, the highest possible reduction in public safety risk for every dollar spent.

We utilize 96% of the available budget with surgical precision. And unlike other platforms, ResiliAlloc isn’t a black box because we use rigorous machine learning driven by explicit feature engineering. We can trace every single prediction exactly back to its root cause. That means total transparency for stakeholders and it ensures that every dollar spent is 100% explainable.

But the dashboard goes further. It puts the power of what if analysis directly into the hands of policy makers. You can adjust risk tolerance thresholds in real time, instantly visualizing how changing safety standards impacts the budget.

ResiliAlloc transforms complex engineering physics into clear actionable policy. It ensures that whether you have 25 million or 1 billion, every cent is deployed where it matters most. This is how we build a resilient future. [Wolfram] To address your other questions. We appreciate the constructive feedback and have addressed the areas of improvement and next steps regarding explainability while mapping out clear next steps for data scalability and user adoption.

Regarding explainability, we updated our code and demonstration videos so user can now explicitly see the root cause driving every risk assessment. Such as the impact of freeze-thaw is 61% and traffic loads is 23%.

Availability - while immediate expansion was constrained by the short-term public availability of broader G7 data sets, our platform architecture is fully prepared to ingest and validate new country specific data as soon as it becomes available to us.

Regarding user adoption, meaningful integration into real world government workflows requires a deep understanding of stakeholder needs. While the tight time frame did not allow for this feedback cycles yet, engaging directly with end users to gather this critical input is the next phase of development.

Ultimately, our vision is to evolve this AI engine to seamlessly integrate into G7 systems, empowering governments to build safer, more resilient, and equitable funded infrastructure.

Kara Beckles. 1:16:51

All right. So, we’ll move into the Q&A session. So, we’ll invite Dr. Straube, who will ask questions of our recipient, Akemi, as well as unfortunately Wolfram, who was unable to join us on the call this morning. But Dawn does have some written responses from him, so she’ll be responding on his behalf. So over to you, Sirko.

Sirko Straube, 1:17:17

Okay, yeah. Akemi, I think the first question goes to you, and so I would be interested in the next steps and who would you like to collaborate with in the future?

Akemi Izuko, 1:17:32

Yeah. So, we think we really need to collaborate with our end users. For instance, we think there are several groups who could benefit from ReadyForm AI, but they’re going to need slightly different adjustments to get the most out of it. So, for instance, we think seniors are a demographic that could heavily benefit from this. However, their needs are going to be really different from someone with a heavy vision impairment that relies on a screen reader every day. Both groups are going to benefit from a non-visual way to fill out their form, but someone with a lot of screen reader experience probably wants the voice to be really fast since they can pick that up quickly, whereas a senior may want it slower and speaking very clearly.

The version we demoed in our video was kind of in a middle ground where we think it’s quick but not too fast so that people can’t understand it entirely. But I think as we collaborate with these groups directly, we can understand specifically what needs they need and adjust our tool to meet those.

Sirko Straube, 1:18:36

Okay. Yeah, I’m very curious how this turns out. I mean sometimes reality is then a bit harder than the lab, but I’m confident that this will work. Yeah. Thank you, Akemi. So, Dawn, on behalf of Wolfram, you also have a response there. So, what can you tell us?

Dawn Hall, 1:18:57

Absolutely. So, first off, congratulations, and thanks to Wolfram for sending in these responses on short notice. So, while Wolfram works in the industry as an AI expert during the day, his hobby is to work on AI hackathons and charitable projects. He has thoroughly enjoyed his past work with the G7 and the Canadian government. So, he uses these challenges to solve hard problems and enjoys building new solutions that deliver measurable value for the general public. Thank you.

Sirko Straube, 1:19:32

Okay, perfect. So we’ve seen in the video also that you addressed already some of the points I think that were mentioned to you. Maybe still I would like to ask you, how did the feedback from the judges affect the system and, yeah, what would you do with that? Maybe you can explain a bit, let’s say a second time, in your words, yeah, what did you do?

Akemi Izuko, 1:20:04

Yeah, so we kind of got two pieces of feedback. The first one was really multilingual support, and the second one was ease of access. For multilingual support, we initially only had our tool support English, just since that was an MVP and kind of easier to support, but for our refined product, we made it support all the G7 languages and five others, so we have 10 languages supported pretty well. And with translation, I think this could be extended to essentially any language that has good translation material online. For the second piece, which was around ease of access, initially you’d kind of have to drag your form into our separate interface, which wasn’t ideal. We kind of wanted users who want to use this tool to immediately get it from the government website.

So typically, you’d click it, it downloads, then you open it up somewhere else. So, we built a Chrome extension that just easily integrates with this. You download it, and it immediately pops up in your browser in a second tab, ready to fill out, which, reducing that little bit of friction, we think, can go a long way to help support the adoption of this tool.

Sirko Straube, 1:21:11

Okay, thank you. Yeah. And maybe the final question, Dawn, can you tell us what motivated or attracted Wolfram to participate in the challenge?

Dawn Hall, 1:21:26

Absolutely. So, Wolfram for this believes that AI is an undeniable game changer, but many organizations fail because they throw generic LLMs at complex problems without the necessary expertise. While tech giants succeed through highly customized systems, broader industries often struggle to find return on investment, or ROI.

Wolfram was drawn to this challenge to bridge that gap. His motivation is to cut through the noise and build bespoke, explainable and accurate AI solutions that actually work and deliver real value.

Sirko Straube, 1:22:08

Yeah, thank you and once again congratulations to you both.

Kara Beckles, 1:22:16

Yes, thank you. Congratulations, Akemi, and congratulations to Wolfram as well. Very useful solutions for sure that solve everyday problems that we see in government all of the time. So, I can’t wait to see how these solutions might be able to be used across G7 governments. And Dr. Straube, thank you also for being a judge and your time and your effort, and for joining us here this morning.

Sirko Straube, 1:22:48

Yeah, thank you for having me.

Kara Beckles, 1:22:51

Great. Thank you. All right. So, now we’re going to go on to our next panel, which includes the United States and Italy. So, representing the EU and introducing our US recipients is Paula Rodriguez Müller. Paula is a scientific project officer at the European Commission’s Joint Research Centre, JRC, and a research fellow at KU Leuven. Over to you, Paula.

Paula Rodriguez Muller, 1:23:23

Thank you all. As you mentioned, I’m pleased to introduce the recipients for the United States. So here we have Permion Inc. for the solution Digital Subject Matter Expert, or DSME, and the team behind this great work is Paul Brown. We have here Arun Majumdar, Barry Evans and Paulo Moura. And DSME is designed to support policy analysts by providing document analysis capabilities, drawing insights from a collection of user-identified documents. And this solution uses multiple AI models such as large graph and language models to support analysis and information provenance.

Overall, we felt that the solution was very innovative and had a robust technical architecture and methodology. And what we also found particularly noteworthy in the solution is the attention to explainability, audit and standards compliance. And we consider this as a strong application with a high potential value and a robust technical architecture. Looking ahead, our suggestion for future development was to enhance the insight layer, making it more immediately usable for policy analysts in their day-to-day work. So, congratulations to the team, and let’s now take a look at our solution.

Permion: video demonstration, 1:24:57

[Paul Brown] We are from Permion presenting DSME. Arun Majumdar is our CEO and expert in AI. Paulo Moura authors Logtalk, which makes DSME run. Barry Evans makes the neuro symbolic AI work and I'm Paul Brown, the Chief Architect. Public service must manage high volumes of information, often manually. Tools are needed to aid with ingesting, exploring and understanding unstructured documents. Permion's Digital Subject Matter Expert, or DSME, is a multilingual, agentic, trustworthy AI application for rapid assessment of corpora. As a Canadian policy analyst, I can use DSME to contribute to a world class regulatory sandbox for strengthening sovereign intent, economic prudence and legislative integrity.

Today, our corpus contains policy documents on two themes, Energy and Artificial Intelligence. Toward a national AI energy test harness and minimum energy performance standards for AI for fulfilling net zero emissions mandates. With our corpus loaded, DSME provides two views that are useful for finding documents that might be of interest. So, if, for example, I was interested in national policy versus global policy, well, I can find the documents which discuss those things more frequently than the others.

We also have a similar view, but for entities. So here we have found all the things that are discussed frequently within the documents and these are your candidates for the stakeholders. We can also add in all of the ones that are related to a single source document for an exploratory view of the potential stakeholders across a whole corpus of policies. To help an analyst understand policies across many documents, DSME will extract all of the deontic imperative sentences and then reduce them to an actor like “models” and “power”, an action like “require” and “process”, and an object like “laptops” and “inputs”.

To see where the information came from, if we hover over an action, you'll be given the paper and the sentence. The actions are colour coded, so we have red for obligations, we have orange for recommendations and black for prohibitions.

Furthermore, actors can be added and removed at will to allow for exploration. Policies can be quite long to read, therefore DSME provides summative information including key words, key terms, which are multiple words, long key entities, and there your candidates for stakeholders, as well as summaries. So this first summary here is derived from a structural analysis of the text and the second summary is derived from semantic similarity to the key words. If we provide our own key words like “AI”, “energy”, and “Canada”, then we can create a summary around that topic.

And that's created using our LGM, which is our method of extracting the information at its most relaxed setting of three. We can pass that to an LLM, so the LLM can rewrite it to make it a little bit easier to read, but that can introduce hallucination. That's why we provide this Trace scores view, which shows where the text overlaps from the LLM's answer on the right with the original text on the left. And you can see the semantic similarity between the sentences as well. This sentence here doesn't seem to have any overlap and so that could be a candidate for a hallucination.

Similar to doing a summary, you can also ask questions directly of the document. So we're going to ask if AI can help reduce energy consumption and we'll get an answer out. Now this is using our LGM to extract the text straight from the document and you can trace these sentences back to the document to see them in context by scrolling through the highlighted sentences.

And these are all directly taken from the document in context. Now if we introduce the LLM, there are different levels for different levels of relaxation and that will give you those answers. And again, you can check them for hallucinations as you can with the summaries.

The key thing a policy analyst would like to know from any particular document is what are the policies? Therefore, DSME extracts the deontic imperative clauses and finds an actor, an action and an object. It will give you the modality as well as the text of the sentence. It can tell if it's negated and if there's a condition, and you can trace that text back to find it within context of the document. We also provide these filters so we could find all the negated ones to find the prohibitions, or we could find perhaps all of the obligations that have a condition. This is to help an analyst quickly explore the policies within a document.

In order to help an analyst understand the domain of discourse of a particular document, DSME provides a couple of tools that provide structured information. So this particular one shows how strongly related particular key terms and key phrases are to one another and what they are related to. So AI is related to high impact, technology, energy, use, eligibility, and Canada.

This shows how strongly things are related, but not how they're related. How they're related comes from the proto-ontology. So we can see the Canadian government contributions have a part that's provincial and territorial, and we can trace this back of course to the source text to see where this information comes from. This will help an analyst explore the domain of discourse of a particular policy.

DSME provides a HTTP API that can be used to automate tasks for system integration, as well as a Python library for interacting with that API. In this example, we're going to use that Python library to do some automated triage, and so we create a temporary project and upload an AI and energy corpus that contains 90 sources from around the world. We're going to filter those sources based on interesting places and interesting topics using the keywords that are the synsemantic set to reduce that down to 35 sources. We're then going to find the location of each of those sources, delete the temporary project and create a new one called North America AI and Energy, uploading all of the sources that we found to the new project. Now, you could continue with HTTP API or the Python library, but should an analyst wish to continue in the GUI, they'll find the project they're waiting for them.

Thank you for watching. We look forward to further collaborations with prime contractors, institutions, and G7 governments. The DSME is a multilingual, agentic, trustworthy AI application poised to strengthen our sovereign intent, economic prudence, and legislative integrity. For further details, do get in touch at permion.ai.

Kara Beckles, 1:32:19

All right, that’s great. So, we’re going to turn now back to Dawn, who is going to introduce our Italian recipients, and then we’ll go into the Q&A after that. Over to you, Dawn.

Dawn Hall, 1:32:34

Wonderful. Thank you so very much. So, for the recipient from Italy, I am very pleased to welcome Simone Vagnoni, the selected recipient. Simone is being recognized for his submission of an AI-powered deliberation knowledge graph for democratic policy analysis.

Unfortunately, Simone is not here with us today, so I will just introduce him on his behalf. The solution uses a knowledge graph to help identify key themes being discussed across different public deliberation data sources. This analysis of public information can help policy-makers better understand citizen perspectives on different topics.

The judges felt that the solution was a strong technology approach and had an appreciation for the different technologies used. They also thought that the application across European Union public debate repositories was good and that it would have strong public interest. The judges suggested that a stronger story about user or government impact would be valuable. Let’s learn more about the solution through the video.

Simone Vanioni, 1:33:52

Morning to everyone. I’m Simone Vagnoni, a PhD Researcher at CIRSFID-ALMA-AI, University of Bologna and the Ontology Engineering Group, Universidad Politécnica de Madrid. And I will thank my supervisors Monica Palmirani and Victor Rodriguez Doncel and the G7 GovAI Grand Challenge in particular to give me the opportunity to present my work: a deliberation knowledge graph bridging institutional and civic democratic discourse through fora in time and space, using different AI tools.

We wanted to tackle the first problem statement – managing high volumes of information, starting from the democratic data divide. The problem is that when citizens debate climate policy on social media, while parliamentarians discuss the same topic in formal session, these conversations remain isolated islands of democracy.

So, there are a lot of data, of deliberation data, from the official portals to forum online or participatory platforms like Decidim, Polis, and so on. But there is no way to analyze them across platforms. This is a missing missed opportunity for democratic insights. Right now, citizens and institutions operate in silos.

So, we did the deliberation knowledge graph — a unified framework that connects arguments across platforms, participants across contexts, topics across institutions, evidence across sources—and the interface to show the potential of this. We based the knowledge graph on deliberation ontology divided in three models.

The process model: how deliberation unfolds, stages, timelines, organizations, from agenda setting to decision-making. Participant model: who participates, citizens, experts, parliamentarians, organizations, roles and relationship across context. Then there is the argument model: what gets said? Arguments, positions, evidences, support / attack relationships that help us to go further in the level of analysis using natural language processing a posteriori.

This can help to do argument mapping, policy detection to measure the quality of the discourse and the relationship between the different nodes of the network and the topic modelling, and so on. So, we, from different data sources, extract the raw data, harvesting from web scraping to API connectors, connect them to the ontology and upon them, services like the one that I will show you right now.

You can see the citizen interface, very minimal, which there is a semantic engine where you can search for whatever topic you want to compare to the different platforms and fora that you have here. Like Consultation Have Your Say from Europe, European Parliament itself, Polis platform, Decidim, and so on. So, if you search for example for voting, then due to our semantic search, because we embed all the participatory platforms and processes in an embedding space using sentence-BERT, we can search for every word, not keywords searching but for semantic. And also sort in any case, in any way.

Here we have the semantic similarity score, the number of contributions, etc. Here for example are Canadian Electoral Reform. Every node here is a contribution that is connected to every other node and has its metadata. Text, the date, author that in this case it's pseudonymized. The agree and disagree count that it's particular for this platform. Here we can see a visual of the knowledge graph and here we have also topic modelling.

Since we mapped the semantic of the discussions, we can map across platforms, what are the more contributed and talked about topics. You can see here are some examples. In the next version we are doing argument mapping to enhance the research of the quality of the discourse. Returning to the presentation, there are a lot, very lot, of different platforms and we want to connect them in a linked democracy fashion, across them and through the institutions to map what citizens want to what will effectively be done.

The real-world applications are cross-platform argument tracking, democratic health monitoring, argument quality assessment and bridging institutional civic divide. That is the main problem in my opinion of the nowadays democracy.

But we acknowledge some challenges. Of course, the arguments exist in context and not just the structure. So, extracting them out of context could lead to misinterpretation. There are problems of privacy and contextual integrity, but because also the data is, we harvested data legally and legibly, but the cross-platform linking raises new concerns. There is a possibility, for example, to hypersuasion. More data enables more sophisticated manipulation. It's a problem that nowadays we face, in particular with private platforms that do it for personal and private interest, but also would be if we agglomerate data. Our approach is transparent limitations, ethical design principles.

So, the bigger picture is an epistemic democracy where citizens see how their voices reach institutions, researchers track democratic evolution, journalists follow argument chains, and parliamentarians understand public sentiment.

So, to end, I have a call to action. For researchers, to join us in expanding the ontology and data sources. For practitioners, implement deliberation standards in your platforms. And for citizens, demand transparent, connected democratic processes. And of course, participate, have your say. Thank you for your attention and stay connected. And here are the QR codes of the platform and my profile on LinkedIn. Thank you.

Kara Beckles, 1:42:14

All right. Thank you. So, I’m now going to invite Paula back on screen and she’s going to have a few questions for Paul Brown from Permion.

Paula Rodriguez Müller, 1:42:26
Thank you, Kara. So yes, Paul, I would like now to hear a bit more about what brought you to this initiative personally. Particularly, we would like to know what attracted you to participating in the Grand Challenge.

Paul Brown, 1:42:41

Thank you, Paula, and thank you so much for that lovely introduction too. So, at Permion we used to identify a critical gap between G7 policies and the available solutions. Citizens’ and public servants’ concerns with AI presented an opportunity to investigate and align Permion with the needs of the G7 nations. So, we aimed to pilot our agentic DSME and the XVM platform that DSME runs on in horizontal alignment programs as assurance infrastructure, a safe AI conformity system, and a governance control plane. We have a green solution with real-world deployment opportunities and international collaboration possibilities. So, we see the Grand Challenge as an opportunity to present our solution with global visibility.

Paula Rodriguez Müller, 1:43:33

Thanks Paul, that’s great to hear. So, just to close these rounds of questions, I have a last one. We would also like to explore a bit your experience in the Grand Challenge process. So, how does the feedback received from the judges affect your solution?

Paul Brown, 1:43:53

The feedback was so useful. It helped us to better understand the complexity of policy-focused tools that are going to require expertise as well as agentic AI experts to provide policy specializations that then help analysts to see over the horizon in terms of potential effects or outcomes and impacts. So, we added several additional features like the views based on the deontic sentences and finding candidate stakeholders, and we built those features on our existing agents and AI tools that were already there to bring that information of interest to the attention of the user, making it accessible to users, even users that are other machines via the API there.

Paula Rodriguez Müller, 1:44:39

Thank you, Paul. Over to you, Kara.

Kara Beckles, 1:44:42

All right. Thank you. Thank you both, Paula and Paul. We’re now going to, because we knew Simone was not going to be able to attend in person, we do have a Q&A with him though and we will play that video right now.

Dawn Hall, 1:45:03

First question: did anything in particular inspire your solution?

Simone Vagnoni, 1:45:10

And thank you for the question. First, the frustration of the disconnection between the institutional discourse and the discussion that has been made online and offline everywhere. So, what citizens actually want, I think that we should connect more and go beyond the way we make democracy right now because there are public data available and private big tech are using them every day. So, it will be very useful to connect and to give this possibility to the students to express themselves and to connect the public institution decision-making with the citizens more directly.

Dawn Hall, 1:26:24

Thank you. Second question: who would you like to collaborate with in the future?

Simone Vagnoni, 1:46:31

I would like to collaborate with G7 governments actively deploying digital participation platforms. The Canadian Treasury Board will be an ideal starting point, also along with Italy’s AGID, and this partnership will enable pilot implementations. And second, in the civic tech ecosystem I am already involved in, I would like to connect more with players like the CDM Association, vTaiwan, and other private and public participation platforms and associations, also with the Democratic Data Space Initiative, and also with the research groups like the one I’m working right now with, University of Bologna and the University of Madrid, but also extend the collaboration with other research groups across the world to connect these works. And thank you for the question.

Dawn Hall, 1:48:11

Great. That sounds like a lot of opportunities for collaboration. Thank you very much. That was very interesting.

Kara Beckles, 1:48:24

All right. So, congratulations again, Paul and Simone. Again, super interesting solutions that I can see being deployed across governments and look forward to seeing what happens next with your solutions. And of course, thank you again to Paula for both your judging expertise and your time and attention here today, and thank you to all of the audience members who have spent the last almost two hours with us.

I hope that you have enjoyed the presentations and meeting our recipients as much as I have. I have certainly not been let down at all. And also thanks to all the judges, both those who were able to join us online today as well as the judges who spent hours going through the 100 plus submissions that we got throughout this process, as well as thank you to our members of the GAIN from across the G7 who have been working with us on this over the course of almost the past year in order to make this competition possible, and without their help it would have been very difficult to get to where we are today. They provided expertise, their expert opinions, helped us prioritize what the challenges should be as well as providing in many cases unique government data sets that people were able to use in some of the solutions that were provided.

And thank you to all of those who submitted solutions. We couldn’t have done this without the participation of people around the world, and regardless of the outcome, we sincerely appreciate the contributions and hope that you will continue with your efforts in advancing responsible AI in the public sector and beyond. For anybody who would like to learn more about our recipients, the honourable mentions and the finalists, please visit our Grand Challenge website that contains all of that information.

And last but not least, thank you to the team here at the Treasury Board of Canada Secretariat. You’ve all seen Dawn on screen many times, who has been the project lead throughout this and has put a lot of sweat and tears, I’m sure, into this work over the course of the past year. But also want to acknowledge the other members of the team, Jonathan Macdonald, Mark Levene, Alison Kinsman, Dana Kenny, Jelane Julien.

Thank you to all of you and your hard work and efforts over the course of the past year. I salute all of you. So that is it for our Grand Challenge Showcase today. So, I wish you all a good day or a good evening depending on where in the world that you sit, and hopefully I’ll see you again sometime soon. Thank you all!

Cette transcription a été réalisée à l’aide de l’IA et vérifiée par une personne.

Kara Beckles, 0:01

[Traduit de l’anglais]

Bonjour. Bienvenue à vous tous, et merci d’être parmi nous. Nous sommes très heureux d’annoncer aujourd’hui les bénéficiaires du Grand Défi IAgouv du G7. Nous aurons l’occasion d’entendre tous les bénéficiaires dans quelques instants, et je suis ravie que vous vous soyez joints à nous aujourd’hui pour les écouter. J’attends ce moment depuis de nombreux mois, et, comme vous, je n’ai pas encore eu l’occasion de voir certaines des merveilleuses présentations qui vont suivre. Je serai donc tout aussi enthousiaste que vous de les découvrir pour la première fois.

Je m’appelle Kara Beckles. Je suis la directrice exécutive de la Division de la protection des renseignements personnels et de la gestion responsable des données au Secrétariat du Conseil du Trésor du Canada. Je serai votre hôte aujourd’hui et vous accompagnerai tout au long de ces prochaines heures, alors que nous aurons l’occasion d’en apprendre davantage.

Avant de commencer, j’aimerais souligner que je me joins à vous depuis le territoire traditionnel non cédé du peuple algonquin Anishinaabe, qui prend soin de ce territoire depuis des temps immémoriaux. Pour ceux qui se joignent à nous virtuellement, nous vous invitons à prendre un moment pour réfléchir au territoire sur lequel vous vivez, travaillez et jouez, et à vous renseigner sur les personnes qui en assurent la garde traditionnelle. Connaître l’histoire et les responsabilités liées aux lieux auxquels nous appartenons constitue une étape importante dans le processus de réconciliation.

Pour votre information, voici quelques consignes de participation : l’accès au microphone et à la caméra sera désactivé pour tous, sauf pour les personnes intervenant lors de cet événement. Les participants auront accès à la fonctionnalité « Questions et réponses », mais uniquement pour les questions relatives à des problèmes techniques. Ainsi, si vous rencontrez un problème technique, n’hésitez pas à nous le signaler. Vos messages ne seront pas publiés. S’il s’agit d’un problème courant, notre équipe pourra vous en informer directement par l’intermédiaire de la fonctionnalité « Questions et réponses ».

La séance d’aujourd’hui se déroulera principalement en anglais. Les vidéos des bénéficiaires sélectionnées sont publiées en ligne, accompagnées de transcriptions dans les deux langues officielles. La vidéo de l’événement d’aujourd’hui sera mise en ligne dans le courant de la semaine. N’hésitez pas à contacter l’équipe si vous souhaitez également voir la présentation en français.

[Français]

La séance d’aujourd’hui se déroulera principalement en anglais. Les vidéos des bénéficiaires sélectionnées sont publiées en ligne, accompagnées de transcriptions dans les deux langues officielles. La vidéo de l’événement d’aujourd’hui sera mise en ligne dans le courant de la semaine. N’hésitez pas à contacter l’équipe si vous souhaitez également voir la présentation en français.

[Traduit de l’anglais]

Très bien. Nous allons maintenant passer la parole au président du Conseil du Trésor, le ministre Shafqat Ali, pour un mot d’ouverture avant de lancer cet événement spécial.

Shafqat Ali, 2:59

[Français]

Bonjour à tous!

[Traduit de l’anglais]

Bienvenue à cette journée de présentation du Grand Défi IAgouv du G7. En tant que président du G7 en 2025, le Canada a ouvert la voie à l’exploration du potentiel de l’IA dans le secteur public en lançant le tout premier Grand Défi sur l’IA. Nous savons que l’IA peut considérablement améliorer la manière dont nous servons nos citoyens et dont nous fonctionnons en tant que gouvernements. Alors que nous explorons ces nouvelles possibilités, nous devons adopter une approche responsable et éthique. L’objectif de ce défi est de libérer le potentiel de l’IA pour répondre aux principaux enjeux auxquels les gouvernements sont confrontés aujourd’hui et trouver des solutions possibles pour un avenir meilleur. Nous savons à quel point la collaboration est précieuse. Ce défi a réuni des esprits diversifiés afin que nous puissions obtenir les meilleurs résultats possibles. Cette possibilité permettra de tisser des liens et de susciter l’inspiration.

Grâce à ce défi, des innovateurs et des chercheurs issus des pays du G7 et de l’Union européenne ont présenté des propositions visant à résoudre l’un des quatre problèmes urgents auxquels le secteur public est actuellement confronté. Je suis fier de ces esprits brillants pour leur travail exceptionnel et je les félicite pour leur détermination. Je tiens également à rendre hommage aux plus de 100 équipes qui ont participé et contribué à cette importante initiative. Elles ont fait preuve d’une passion incroyable et présenté un travail inspirant, et aujourd’hui, nous mettrons en avant les meilleures solutions issues de ces idées impressionnantes.

Merci à tous pour votre temps, votre collaboration et votre créativité dans le cadre de ce défi. Je souhaite également féliciter la France pour son leadership à l’occasion de sa présidence du G7 en 2026. Le Canada se réjouit de poursuivre sa collaboration au sein de cet important forum international. Je vous remercie.

[Français]

Merci beaucoup.

[Traduit de l’anglais]

Kara Beckles, 5:35

Très bien. Merci au ministre pour ce mot d’ouverture. Pour ceux d’entre vous qui ne le connaissent peut-être pas, le Grand Défi a été lancé par le Réseau IA du G7, également appelé le RIAG. Il s’agit d’une initiative de collaboration entre les pays du G7 et l’Union européenne visant à promouvoir l’adoption responsable et efficace de l’intelligence artificielle dans le secteur public.

Nous avons la chance de nous associer à Impact Canada pour organiser ce défi. Cette organisation possède une grande expertise dans la gestion de ce type de processus et nous a énormément aidés à mener à bien cette initiative. Le défi s’est déroulé sous la forme de quatre laboratoires de solutions rapides, organisés du 17 novembre au 1 ^er décembre 2025, afin de favoriser l’émergence de solutions d’IA évolutives et responsables proposées par des participants admissibles issus des pays du G7 et de l’UE. Une somme pouvant atteindre 10 000 dollars canadiens était offerte pour la meilleure solution de chaque pays du G7 et de l’UE. Nous avions également deux catégories pour les jeunes, l’une pour les 13 à 17 ans et l’autre pour les 18 à 29 ans. À la suite du processus d’évaluation par les membres du jury et des délibérations pour déterminer les bénéficiaires, les mentions honorables et les finalistes, sept bénéficiaires ont été retenus, bien qu’aucun gagnant n’ait été choisi pour trois des catégories. Dans l’ensemble, l’intérêt manifesté par le public et le RIAG a montré que ce défi a constitué un moyen puissant et participatif de trouver d’éventuelles solutions d’IA, tant au Canada que dans les pays du G7.

Le défi a ainsi été structuré autour de quatre énoncés de problème que nous avons d’abord élaboré avec un réseau de collègues des provinces, territoires et municipalités du Canada, puis finalisés en collaboration avec nos partenaires du G7. Je tiens à remercier tous ceux d’entre vous qui ont participé à ces réunions du RIAG, lesquelles ont abouti à ces énoncés de défi. Les défis allaient de la gestion de l’information à la navigation dans des ensembles de règles complexes dans les lois, politiques et règlements, en passant par la détermination de l’allocation des ressources dans le cadre de processus gouvernementaux complexes, jusqu’aux obstacles à la communication lors des interactions avec les gouvernements.

En ce qui concerne notre jury, nous avons bénéficié d’une riche expertise internationale provenant de tous les pays du G7. Ces membres du jury ont évalué les présentations et recommandé les meilleures solutions que nous mettons en avant aujourd’hui. Cette expertise comprend des leaders de l’industrie, des fonctionnaires, des universitaires ainsi que des spécialistes dans les domaines de la mise en œuvre de l’IA dans le secteur public, de la gouvernance et de l’éthique de l’IA et des technologies émergentes. Les membres de notre jury ont joué un rôle central dans l’orientation de ce processus. Les solutions et les bénéficiaires présentés aujourd’hui ont été évalués selon plusieurs critères, notamment la capacité à démontrer un bénéfice concret pour les clients et la société, l’interopérabilité des solutions, c’est-à-dire une capacité d’intégration claire à différents systèmes, si l’approche adoptée pour aboutir au résultat était clairement explicable et s’il s’agissait d’une solution évolutive, c’est-à-dire pouvant être adaptée pour répondre aux besoins d’un plus grand nombre d’utilisateurs ou être enrichie de nouvelles fonctionnalités, si la solution était accessible aux personnes en situation de handicap ou ayant des niveaux d’alphabétisation variés et si elle était facile à utiliser, c’est-à-dire si sa mise en œuvre apportait des avantages concrets. Nous avons la chance d’accueillir plusieurs membres de ce jury parmi nous aujourd’hui, et je leur céderai la parole sous peu.

Voici maintenant un aperçu du programme d’aujourd’hui. Nous aurons trois panels distincts, et pour chacun d’eux, des membres présenteront les bénéficiaires de chaque catégorie. Pour le premier panel, nous aurons le Canada, le Japon et le Royaume-Uni. Une fois toutes les solutions présentées, une courte vidéo sera diffusée pour chacune d’elles afin de vous permettre de mieux comprendre la solution et son fonctionnement. Nous aurons ensuite une période de questions-réponses entre les membres du jury et les bénéficiaires. Nous passerons ensuite au deuxième panel, qui comprendra la catégorie des 18 à 29 ans ainsi que l’Allemagne, selon le même format. Enfin, le troisième panel mettra en vedette les États-Unis et l’Italie, avant de conclure la séance. Sans plus tarder, nous allons entrer dans le vif du sujet et aborder ce que vous attendez tous aujourd’hui. Pour représenter le jury japonais et présenter la bénéficiaire du Japon, nous avons le plaisir d’accueillir Kyoko Yoshinaga.

Kyoko est professeure agrégée chargée de projet à l’école supérieure des études des médias et de la gouvernance de l’Université Keio, et chercheuse affiliée à l’institut de droit et de politique technologiques de la Faculté de droit de Georgetown. Nous sommes très heureux de l’accueillir parmi nous aujourd’hui. À vous la parole, Kyoko.

Dawn, je vais peut-être vous laisser présenter la vidéo afin que nous puissions au moins passer à cela pendant que nous réglons l’aspect technique pour tout le monde.

Dawn Hall, 11:19

Bonjour. Absolument. Je vais commencer par le Japon, comme vous l’avez suggéré. Je suis très heureuse aujourd’hui de présenter l’équipe 1902, bénéficiaire sélectionnée du Japon, composée de Satoko Watanabe, Jinosuke Yamada, Yuzua Takeuchi et Noyuri Iizuka. Satoko Watanabe est avec nous aujourd’hui.

L’équipe 1902 est reconnue pour sa solution visant à lutter contre la désinformation grâce à l’exploitation des données gouvernementales. Cette solution vise la désinformation financière en établissant un lien direct entre les discussions sur les médias sociaux et les données ouvertes officielles du gouvernement. Elle utilise la génération améliorée par récupération d’information (GARI) et Vertex AI pour fournir des réponses fiables basées sur les documents gouvernementaux. Les membres du jury ont considéré le problème abordé comme étant très important socialement et ont particulièrement aimé la manière dont la solution repose sur des sources gouvernementales faisant autorité. Le jury a également souligné les mesures d’IA responsables mises en place, depuis l’ancrage dans les documents officiels jusqu’à la non-conservation des données de profil des utilisateurs, sans oublier la possibilité pour la solution de refuser de répondre dans certains cas. Alors, découvrons maintenant cette solution plus en détail.

Équipe 1902 : vidéo de démonstration, 12:44

Bonjour, nous sommes l’Équipe 1902. Aujourd’hui, nous aimerions présenter notre proposition, GovGov - utilisation des données gouvernementales pour lutter contre la désinformation.

Notre équipe est composée d’étudiants de l’Université Waseda, au Japon. Nous appartenons tous au club de débat de Waseda, et comme nouveau défi, nous avons décidé d’essayer de participer à un marathon de programmation.

Le défi que nous voulons relever est le problème numéro quatre. Les clients ont une grande variété de besoins en matière de communication, et les interactions avec le gouvernement peuvent être difficiles et frustrantes et exacerber les obstacles existants.

Dans le paysage numérique d’aujourd’hui, la désinformation est omniprésente. Nous avons cerné un problème très important, à savoir la prolifération de fausses informations non corrigées qui entravent le discours ancré dans les faits. Pour préserver une démocratie saine, nous devons établir deux piliers. Un mécanisme de vérification des faits en temps réel sur les médias sociaux et un chemin simplifié vers des données faisant autorité.

À l’ère de l’IA avancée et de la connectivité omniprésente, les médias sociaux et l’IA générative sont devenus les principales sources d’information. Cependant, ces plateformes présentent des défis structurels importants.

Par exemple, des rumeurs comme : « qu’allons-nous faire si le problème de l’immigration illégale augmente à cause de l’Agence japonaise de coopération internationale (JICA)? » et « apparemment, il est plus facile pour les étrangers de recevoir des prestations sociales » circulent fréquemment sur X. Les utilisateurs tentent souvent de vérifier ces affirmations en faisant appel à des outils d’IA.

Facile de les vérifier avec Grok. Pourtant, ces systèmes donnent souvent des résultats inexacts, ce qui conduit à des débats polarisés, improductifs et déconnectés de la réalité.

De plus, un nombre croissant d’utilisateurs comptent sur l’IA générative comme moteur de recherche principal. Cependant, ces modèles intègrent souvent des sources peu fiables telles que des blogues personnels ou des informations générées par l’IA, compromettant ainsi l’intégrité du discours public.

Par conséquent, comment rétablir un dialogue constructif? La réponse réside dans la fourniture d’informations hautement fiables.

Le gouvernement doit jouer un rôle proactif dans les communications directes avec le public. Il s’agit d’un véritable modèle de communication G2C, c’est-à-dire de gouvernement à consommateur. Pour être efficaces, ces informations doivent être à la fois complètes et précises.

Les fiches d’examen du programme administratif du Japon représentent la seule base de données interministérielle officielle traitant de tous les projets budgétisés.

Compte tenu de leur nature exhaustive et vérifiée, elles présentent un immense potentiel en tant que plateforme pour lutter contre la désinformation.

Pour tirer parti de cette ressource, nous avons élaboré deux produits intégrés aux fiches d’examen. GovGov, un prochain robot intégré de nouvelle génération, et GovGovWeb, une interface Web de clavardage basée sur l’IA.

Tout d’abord, nous présentons GovGov, le robot officiel de vérification des faits du gouvernement. Lorsqu’un utilisateur tombe sur des informations suspectes sur les réseaux sociaux, il lui suffit de les transmettre à GovGov Japon aux fins de vérification. Le robot trouve les projets administratifs les plus pertinents à partir des fiches d’examen et en verse les données précises dans un modèle de langage de grande taille (LLM). Ce système de génération améliorée par récupération d’information (GARI) garantit que les résultats sont strictement fondés sur des faits officiels.

Vient ensuite GovGovWeb. À l’heure actuelle, les citoyens sont confrontés à un dilemme. Les recherches manuelles sur le Web sont encombrantes, et les réponses de l’IA générative ne sont pas fiables.

GovGovWeb permet de résoudre ce problème en offrant une fonction de suggestion pour les demandes d’informations vagues et en limitant sa base de connaissances exclusivement aux documents gouvernementaux afin d’assurer une fiabilité maximale.

Veuillez regarder cette démonstration d’une minute. Ici, l’utilisateur pose une question sur les budgets du ministère de l’Économie et du Commerce, et l’IA répond à la question.

Il s’agit du GovGovWeb et l’utilisateur pose une question sur le budget de l’Agence numérique au Japon.

Bien que nous ayons lancé GovGov et GovGovWeb comme premières validations de principe, nous croyons que deux autres étapes supplémentaires sont indispensables pour moderniser les communications gouvernementales.

Il s’agit tout d’abord de l’optimisation du référencement par l’IA et de la mise en œuvre du serveur MCP pour rendre les données gouvernementales lisibles par machine.

Il est question ensuite de la centralisation des documents publics qui intègre les lois et les procès-verbaux des conseils dans une source unique de vérité pour les réponses des agents conversationnels. Notre vision ultime est celle d’une société où les citoyens peuvent collectivement approuver les politiques efficaces et critiquer de manière constructive celles qui nécessitent des améliorations.

En utilisant les fiches d’examen comme base pour une discussion fondée sur des éléments probants, nous cherchons à favoriser la formation d’un consensus qui transcende les divisions sociales.

Merci beaucoup d’avoir écouté notre présentation.

Kara Beckles, 18:29

Merci beaucoup pour cette vidéo. Nous allons maintenant poursuivre, et nous nous excusons pour les problèmes techniques. Passons à Kyoko pour quelques commentaires.

Dawn Hall, 18:38

J’aimerais accueillir à nouveau Kyoko Yoshinaga, qui va fournir quelques commentaires sur la bénéficiaire du Japon, l’équipe 1902, et sur sa solution visant à utiliser les données gouvernementales pour lutter contre la désinformation. À vous, Kyoko.

Kyoko Yoshinaga, 18:54

Merci, Dawn. Ce fut un plaisir de faire partie du jury pour cet événement. Au nom du jury, j’ai le plaisir de présenter la solution proposée par la bénéficiaire du Japon, l’équipe 1902, représentée par Mlle Satoko Watanabe, et de vous faire part de quelques commentaires.

La solution de l’équipe 1902, GovGov, repose sur une approche pratique pour lutter contre la désinformation liée aux budgets publics, en établissant un lien direct entre les discussions sur les médias sociaux et les données officielles du gouvernement grâce à un agent d’IA. Il suffit aux utilisateurs de baliser un robot pour vérifier des affirmations d’une manière à la fois intuitive et accessible. C’est précisément cette facilité d’utilisation qui a retenu l’attention du jury. Alors que diverses approches visant à lutter contre la mésinformation et la désinformation, telles que le tatouage numérique, la vérification de la provenance et les solutions basées sur la chaîne de blocs, sont actuellement à l’étude, cette proposition met l’accent sur une conception centrée sur l’utilisateur qui facilite la vérification pour les citoyens.

Dans l’ensemble, le jury estime qu’il s’agit d’une application solide, répondant à un défi sociétal important. Le modèle repose sur des données officielles du gouvernement et le concept est à la fois novateur et bien conçu, avec un potentiel clair d’applicabilité mondiale. Par ailleurs, des améliorations pourraient renforcer cette solution, par exemple en précisant davantage la manière dont différents formats de données, tels que les fichiers PDF, les feuilles de calcul ou les bases de données structurées, seraient traités dans la pratique. Il est important de noter que l’approche de base, qui consiste à détecter les affirmations potentiellement trompeuses et à les vérifier par rapport à des données validées par le gouvernement, est solide, et que la simplicité de l’interaction avec l’utilisateur constitue un atout évident. De plus, l’interface Web GovGov aide les utilisateurs à affiner des questions vagues tout en garantissant que les réponses restent fondées sur des informations officielles du gouvernement, ce qui représente une avancée utile pour rendre l’outil encore plus accessible.

Il a également été particulièrement impressionnant d’apprendre, après l’évaluation, que cette proposition avait été élaborée par des étudiants sans formation technique, ce qui montre bien que des personnes sans parcours technique peuvent contribuer de manière significative au domaine de l’IA et prendre des initiatives dans cet espace. Avec l’apport d’une expertise technique supplémentaire, cette solution pourrait être encore affinée et déployée à plus grande échelle, notamment de manière à permettre une utilisation mondiale plus large. Bien sûr, un tel système repose en fin de compte sur la capacité des gouvernements à fournir des données publiques exactes, transparentes et à jour. Lorsque ces conditions sont réunies, des outils comme celui-ci peuvent jouer un rôle important pour favoriser une discussion publique éclairée. Félicitations encore une fois à l’équipe 1902. Nous avons hâte de voir comment cette solution continuera d’évoluer. Je vous remercie.

Dawn Hall, 22:28

Très bien. Merci infiniment. Je suis maintenant heureuse de vous présenter l’équipe Loganberry, bénéficiaire sélectionnée du Royaume-Uni, composée de Qian Huang, Nigel Cullumbine, Tor Gisvold et Ana Ohde. Qian Huang est parmi nous aujourd’hui. L’équipe Loganberry est reconnue pour sa solution, L’avenir de la planification des ressources. Cette solution s’appuie sur l’exploration des processus afin de transformer les données administratives courantes des hôpitaux en informations exploitables.

Ces informations peuvent être utilisées par les gestionnaires et les décideurs des hôpitaux pour orienter l’allocation des ressources et contribuer à réduire les temps d’attente dans les hôpitaux. Les membres du jury ont pu constater la grande valeur de cet outil et estiment qu’il apporte une réponse pertinente à un enjeu majeur actuel, grâce à l’utilisation de la science des données. Ils ont également souligné la qualité de l’architecture technique de la solution et ont manifesté un intérêt pour son évolutivité à l’échelle des différents gouvernements. Félicitations à l’équipe Loganberry. Découvrons maintenant la solution plus en détail.

Équipe Loganberry : vidéo de démonstration, 23:38

[Ana Ohde] Je m’appelle Ana Ohde et je suis économiste de la santé. Je m’assure que notre solution offre une valeur économique mesurable et un impact durable au niveau de la population.

[Nigel Cullumbine] Je m’appelle Nigel Cullumbine et je suis dirigeant principal des opérations. Fort de plus de 20 ans d’expérience en tant que leader dans le domaine de la santé et des soins, notamment dans des postes de dirigeant principal de l’information et de dirigeant principal des opérations, je suis un spécialiste de la transformation des défis opérationnels en solutions numériques pratiques.

[Tor Gisvold] Bonjour, je suis Tor Gisvold, dirigeant principal de la technologie. Je dirige notre stratégie technologique et ma tâche consiste à créer des plateformes sécurisées et évolutives axées sur l’IA et le nuage d’abord.

[ZhiQian Huang] Je m’appelle ZhiQian Huang, PDG et cofondateur. J’ai une formation en gestion de crise opérationnelle au sein du service national en matière de santé et j’ai été le premier à utiliser l’exploration de processus pour mettre en lumière les flux de patients dans les systèmes de santé.

[Texte à l’écran non prononcé]

Ensemble, nous combinons l’expertise opérationnelle, technique et économique pour bâtir une couche d’intelligence opérationnelle qui aide les gouvernements à allouer les ressources plus efficacement.

[Narrateur anonyme] Le défi du G7 tient compte de la difficulté à laquelle les gouvernements sont confrontés pour prévoir les besoins et allouer efficacement les ressources au sein de systèmes complexes. Dans le domaine des soins de santé d’urgence, ce défi est visible tous les jours.

Les hôpitaux doivent déployer en temps réel un espace limité pour le personnel et de l’équipement. Pourtant, les décisions restent largement réactives, s’appuyant souvent sur l’expérience individuelle plutôt que sur de l’intelligence opérationnelle à la demande liée à des résultats mesurables.

Notre solution vise à résoudre ce problème.

[Texte à l’écran non prononcé]

Exploration de processus/syntagme nominal - Une méthodologie analytique axée sur les données qui est utilisée pour découvrir, surveiller et améliorer les processus opérationnels en extrayant et en analysant les connaissances des journaux d’événements des systèmes informatiques.

[Narrateur anonyme] Grâce à l’exploration de processus, nous pouvons analyser individuellement chaque flux de patients en quelques secondes. Une tâche difficile à réaliser au moyen des analyses traditionnelles. Notre approche exclusive consistant à classer ces flux en itinéraires structurés constitue la base d’une planification intelligente des ressources. À titre d’exemple, nous avons aidé un service d’urgence à comprendre que les retards dans le traitement du sang étaient en réalité dus à la disponibilité des porteurs, et non à la capacité du laboratoire.

[Texte à l’écran non prononcé]

Comment tous les hôpitaux peuvent-ils accéder à ces informations?

[Narrateur anonyme] Loganberry, notre agent IA, permet aux équipes opérationnelles d’interroger ces informations en langage naturel. Loganberry est adapté à chaque hôpital et à ses utilisateurs. Il est convivial, indépendamment de leur niveau de maturité numérique et de leurs capacités d’analyse.

Il triangule les données structurées sur les flux, les procédures opérationnelles normalisées des hôpitaux, les directives nationales et les informations contextuelles locales sans que les utilisateurs aient à interpréter les tableaux de bord.

Nous avons également intégré les commentaires du jury en renforçant l’explicabilité et les garde-fous pour une IA responsable. Nous avons également éliminé les barrières linguistiques pour qu’il soit adopté dans le monde entier.

Les réponses de l’IA sont désormais sensibles au contexte, et l’IA est capable d’exposer clairement son raisonnement. Notre IA est configurée pour répondre dans les limites de son champ d’application lorsqu’on lui pose une question qui dépasse ce champ et sa base de connaissances. Elle ne remplace pas le jugement humain. Elle le soutient. Les données issues de l’exploration de processus sont fournies sans l’identité des patients, qui est masquée par l’hôpital avant leur traitement. Et notre module d’intelligence ne collecte ni ne traite de données permettant d’identifier les patients.

Nous avons établi un partenariat avec un fournisseur de technologies d’entreprise qui nous donne un contrôle total sur notre pile logicielle et la résidence des données, ce qui nous permet de nous conformer à la législation nationale, notamment au Règlement général sur la protection des données (RGPD) et à la loi européenne sur l’IA. Son architecture est sécurisée et native du nuage, et fonctionne actuellement à grande échelle dans un secteur d’activité réglementé. Ainsi, nous avons l’assurance que nous pouvons passer d’un seul hôpital à un déploiement national tout en conservant la gouvernance, la sécurité et la conformité.

[Texte à l’écran non prononcé]

Comment l’hôpital peut-il utiliser les informations pour améliorer l’allocation des ressources?

[Narrateur anonyme] Nous avons développé un prototype d’intelligence opérationnelle en temps réel depuis notre soumission initiale.

Ce module permet au personnel de consigner les problèmes opérationnels au fur et à mesure qu’ils surviennent avec l’aide de l’IA pour saisir le contexte de manière cohérente plutôt que de se fier sur des messages fragmentés ou des transmissions officieuses. Notre solution relie chaque problème à son impact potentiel sur le flux de patients. Ce sera la première fois que des connaissances opérationnelles éprouvées sur la gestion quotidienne des hôpitaux seront saisies sous une forme structurée à l’intention des équipes de direction. Notre solution fournit des suggestions sur les éléments à prendre en compte avant de mobiliser des ressources supplémentaires, ce qui crée de la visibilité et réduit la charge cognitive liée à la gestion des pressions opérationnelles complexes en temps réel.

L’IA propose un aperçu de la situation des hôpitaux qui peut être remis en question, ce qui permet aux dirigeants de garder le contrôle.

Il s’agit du prototype d’architecture pour le déploiement en production. Des contrôles d’entreprise et une couche d’intelligence sont ajoutés, notamment l’authentification, la gouvernance, les modèles d’exploration de processus, l’intégration des connaissances et l’IA explicable. Cette intelligence opérationnelle est conçue pour alimenter la couche d’intelligence Loganberry, renforçant ainsi la compréhension grâce au contexte du monde réel. Comme elle fonctionne sur des données opérationnelles horodatées et des modèles de résidence de données configurables, elle peut être déployée en toute sécurité dans tous les pays.

Elle reflétera désormais le fonctionnement réel de chaque hôpital au niveau local.

[Texte à l’écran non prononcé]

Saisit le contexte opérationnel.

Relie les problèmes à l’impact sur les flux.

Suit l’impact perçu par rapport à l’impact réel.

Réduit la charge cognitive au niveau du conseil d’administration.

Codifie les connaissances opérationnelles tacites.

Merci, Canada!

Thank you, Canada!

Kara Beckles, 30:05

Excellent. Merci beaucoup. Toutes nos excuses, nous éprouvons actuellement quelques difficultés techniques concernant certains membres du jury et nous nous efforçons d’y remédier pour qu’ils puissent réapparaître à l’écran. En attendant, je vais redonner la parole à Dawn, qui va présenter la vidéo du Canada.

Dawn Hall, 30:28

Bonjour. Merci encore, Kara. Je suis heureuse de vous présenter Innervation, bénéficiaire sélectionnée du Canada, composée de Jameson Jones Doyle, Tyler Kolody et Jonathan Nuss. Nous espérons que Jameson Jones Doyle se joindra à nous aujourd’hui. Innervation est reconnue pour sa solution, un système d’IA multiagents de détection des préjugés visant à rendre les communications gouvernementales plus accessibles. Cette solution permet de détecter et de réduire les préjugés en temps réel dans les communications.

Elle s’appuie sur l’IA pour éliminer les préjugés dans les textes, qu’il s’agisse de documents ou de contenus générés par l’IA, et peut être étendue à différents types de préjugés. Le jury a particulièrement aimé la rigueur technique de l’outil ainsi que son niveau de maturité déjà élevé. Ses membres ont pu constater que l’impact pouvait être important et ont salué l’approche responsable de l’IA, en particulier la priorité accordée à la transparence et à la gestion des préjugés. Félicitations à l’équipe Innervation, bénéficiaire choisie pour le Canada. Découvrons-en davantage sur la solution.

Sophie Fallaha, 31:41

Bonjour à tous. Je m’appelle Sophie Fallaha. Je suis la directrice générale de CEIMIA, le Centre d’expertise international de Montréal en intelligence artificielle. J’ai eu l’honneur et le privilège de siéger au jury du Grand Défi IAgouv du G7 pour le Canada.

Un privilège de voir autant de talents s’attaquer à des problèmes pressants et œuvrer à améliorer l’adoption de l’IA dans le secteur public. Aujourd’hui, je suis très heureuse de présenter l’équipe Innervation, bénéficiaire pour le Canada, et de partager quelques mots au nom de mes collègues du jury. Innervation est un système d’IA multiagents qui détecte et élimine en temps réel les préjugés dans les communications gouvernementales. Il est actuellement configuré pour détecter les préjugés liés au handicap à l’aide de guides de pratiques exemplaires visant la détection des préjugés. Il fonctionne selon trois points d’intervention : d’abord, l’analyse et l’élimination des préjugés dans les documents soumis par les clients. Il y a ensuite le filtrage des requêtes des utilisateurs avant leur traitement par les systèmes d’IA et enfin, l’élimination des préjugés dans les réponses générées par l’IA avant leur diffusion. Il est doté d’agents critiques spécialisés qui détectent les formulations problématiques et proposent des solutions de rechange impartiales, accompagnées d’explications détaillées.

Il présente un fort potentiel d’application dans le monde réel, notamment pour la suppression des préjugés dans l’IA destinée au public, les communications inclusives, les descriptions de services sensibles à la culture et la correspondance accessibles à tous. Il convient de noter que des définitions détaillées de chaque modification et de chaque mesure de suppression des préjugés sont fournies avec tous les résultats d’IA, les documents et les invites utilisateur dépourvus de tout préjugé. Selon moi, quelques facteurs clés de différenciation et de réussite pour Innervation sont tout d’abord le fait qu’il s’agit véritablement d’un outil pratique et technique permettant de relever un défi important, à savoir améliorer l’inclusion en s’attaquant au problème des préjugés dans les modèles et les résultats. Nous avons constaté une très grande maturité technique dans la gestion des systèmes d’IA multiagents, ainsi qu’une approche claire et rigoureuse en matière de documentation. Cette transparence jette les bases d’une approche réfléchie face aux préjugés et aux principes d’une IA responsable et fiable.

Pour l’avenir et en ce qui concerne les prochaines étapes pour Innervation, nous aimerions les voir progresser dans les domaines d’amélioration suivants. Premièrement, clarifier le potentiel d’interopérabilité. Il s’agit donc de démontrer plus clairement la capacité d’Innervation à fonctionner avec les systèmes et technologies existants, tout en étant conforme aux cadres politiques et juridiques. Ainsi, il serait ensuite possible de renforcer le potentiel d’évolutivité dans d’autres pays du G7. Deuxièmement, préciser les paramètres et les processus d’évaluation des résultats et de l’efficacité de la solution. Une vision plus claire de la méthode d’évaluation permettrait de renforcer la confiance et le niveau de certitude quant aux résultats et positionnerait Innervation de manière plus solide pour un potentiel d’expansion sur le marché.

Enfin, félicitations à Innervation pour sa solution aboutie et bien documentée, qui met fortement l’accent sur la transparence et la lutte contre les préjugés.

Nous sommes très impatients de passer aux prochaines étapes et de vous voir continuer à évoluer. Merci beaucoup.

Innervation : vidéo de démonstration, 34:51

[Jameson] Je m'appelle Jameson Jones-Doyle. Je suis le PDG d'Axon Technologies et je suis entrepreneur depuis plus d'une décennie. Je me spécialise dans les technologies avancées qui aident les personnes et les communautés dont ils font partie à obtenir de meilleurs résultats.

[Jonathan] Bonjour, je m'appelle Jonathan Nuss. Je suis cofondateur d'Axon Technologies, la société à l'origine d'Innervation, et j'ai été impliqué dans les premiers jours en travaillant avec Tyler et Jameson sur la stratégie juridique et d'entreprise derrière cette entreprise. Ce qui m'a le plus enthousiasmé dès le départ, c'est l'accent mis par Innervation sur les systèmes multi-agents et la possibilité d'appliquer cette technologie de manière à rendre les systèmes plus transparents, plus équitables et, en fin de compte, meilleurs pour notre société.

[Tyler] Bonjour, je m'appelle Tyler Kolody. Je suis l'un des fondateurs et le dirigeant principal de la technologie d'Axon Technologies, les créateurs du cadre Innervation Multiagent que nous présentons ici. Pour le Grand Défi IAgouv, nous nous concentrons sur le problème 4, à savoir que les besoins de la clientèle en matière de communication sont très variés et les interactions avec le gouvernement peuvent s’avérer difficiles et frustrantes, exacerbant ainsi les obstacles existants.

En tant qu'organisation détenue majoritairement par des personnes handicapées, nous étions très enthousiastes à l'idée de nous y attaquer. Mettre l'accent sur le langage capacitiste et l'élimination des préjugés à l'égard des documents gouvernementaux. Nous espérons qu'il sera plus facile et plus efficace pour les membres du gouvernement de créer du matériel inclusif et de le faire de manière à ce qu'il puisse être validé et qu’il soit transparent afin qu'il puisse être ajusté, corrigé et amélioré au fil du temps sans imposer un fardeau excessif aux membres du gouvernement.

Donc, pour commencer, nous allons juste faire un petit test ici. À l'heure actuelle, il existe trois configurations différentes, des normes par rapport auxquelles il est mesuré, mais celles-ci peuvent être remplacées par des langages différents, des normes différentes, même en se concentrant sur le racisme par rapport au capacitisme ou à tout autre type de préjugé que vous souhaitez.

Cela se répartit dans quatre agents différents que nous pouvons voir ici, chacun responsable de l'une des normes ou de l'agent de cadrage, qui n'a pas de norme spécifique, mais qui examine le cadrage de haut niveau et comment les hypothèses que le texte fait à un niveau élevé pourrait être capacitistes. Ceux-ci sont ensuite agrégés dans cet agent, qui comporte également des étapes de validation programmatique qui, bien qu’il ne puisse pas détecter le capacitisme, peut valider que le résultat a la structure correcte et a un contenu qui correspond. Ainsi, cela garantit que les données saisies précédemment par ces agents supérieurs sont incluses ou en quelque sorte associées dans le cadre du résultat, ainsi que le résultat présente un format et une structure particuliers qui la rendent facile à analyser et à comprendre.

Donc, nous pouvons voir que cela fonctionne en ce moment. À l'heure actuelle, il enregistre les pièces jointes des résultats précédents dans le résultat final avant de donner sa réponse définitive dans une minute ou deux.

Mais chaque étape du processus est entièrement vérifiable, entièrement transparente. Il n'y a pas d'abstraction ou d'obscurcissement, et c'est en quelque sorte au cœur de ce qui rend Innervation unique. Nous croyons fermement que l'IA ne devrait pas aller partout. Il doit aller là où il est censé aller, qu'il a du sens pour vous, et qu'il doit être pour l'autonomisation de l'utilisateur. Même s'il fait une grande partie du travail, même s'il est très automatisé, l'utilisateur et ceux sur lesquels il prend des décisions doivent être d'abord et avant tout dans la conception.

Donc, nous voyons qu'il s'est terminé ici et qu'il a en fait échoué à l'étape de validation du premier coup. Nous pouvons voir qu'il y a eu un échec de validation, puis qu'il s'est corrigé et a obtenu un succès sur le suivant, ce qui est exactement ce que nous voulons voir.

Donc, d'un point de vue technique, nous utilisons Django, Docker et Kubernetes pour construire notre système d’arrière-plan et React est notre système d’avant-plan, mais les utilisateurs n'ont pas à le faire, ou les clients n'ont pas à utiliser notre système d’avant-plan. Nous disposons d'une API REST complète et d'une documentation qui est utilisée dans notre propre système d’avant-plan, mais qui est exposée aux clients comme ils le souhaitent. Donc, bien que nous ayons des choses comme le texte volumineux et les modes daltoniens qui sont très agréables et très utiles, si la situation exige qu'ils soient intégrés dans une interface existante, c'est tout à fait faisable. Nous rencontrons le client et nous rencontrons l'utilisateur là où il se trouve. Nous ne leur demandons pas de venir à nous.

Il est donc entièrement interopérable. Vous pouvez aussi, bien sûr, choisir tous les modèles que vous voulez, tous les fournisseurs que vous voulez utiliser ou utiliser des modèles ouverts permettant une sorte de personnalisation complète, ce qui est particulièrement important pour les utilisations axées sur la protection de la vie privée, ce qui n'est pas nécessairement le cas ici, mais le gouvernement doit souvent protéger les données des utilisateurs et nous pouvons en quelque sorte y arriver.

Nous espérons donc que cela rendra le travail du gouvernement plus efficace dans la mesure où, comme il y a beaucoup de dimensions d'efficacité ou d'efficience en tant qu'institution démocratique, le gouvernement canadien, il est essentiel qu'il soit en mesure d'entendre tous les électeurs. Et il n'y a aucun segment de la population avec qui il est plus difficile de parler, et nous espérons que cela facilitera l'utilisation par défaut d'un langage inclusif et de travailler de manière inclusive. Quant aux prochaines étapes, même si elles semblent un peu utopiques, elles l'étaient aussi il y a trois ans, et nous y sommes aujourd'hui.

Ce serait un rêve que cela soit réellement utilisé au niveau des députés et de leurs électeurs pour qu'il soit plus facile pour les députés de comprendre ce qui préoccupe leurs communautés dans leur ensemble, quels sont les problèmes et les questions qu'ils ont et qu'ils veulent voir réglés. Ainsi que d'être capable de sortir les détails que les individus ont donnés de leurs problèmes individuels. Évidemment anonymisé, mais pour vous donner le meilleur du haut niveau et des échelles individuelles d'une institution démocratique.

Donc, pour résumer, nous pouvons voir ici que le résultat est exactement comme nous le voulons. Nous avons le texte original. Nous disposons d'une analyse détaillée et d'une évaluation des risques pour chacun des changements qui ont été apportés. Et enfin, nous avons le contenu réel non-biaisé, qui peut ensuite être servi et utilisé après avoir été vérifié et approuvé par un humain.

Merci beaucoup de m'avoir écouté et j'espère que vous êtes aussi enthousiastes que nous à l'idée de poursuivre ce partenariat.

Kara Beckles, 42:35

Très bien, parfait. Je pense que nous allons maintenant passer la parole à Kyoko pour qu’elle pose quelques questions à nos finalistes.

Kyoko Yoshinaga, 42:42

Oui. Alors, Satoko, encore une fois, félicitations. Je voudrais vous demander ce qui vous a incitée à participer à ce Grand Défi?

Satoko Watanabe, 42:58

Merci beaucoup d’avoir posé la question. Nous avons décidé de participer au Grand Défi parce que nous croyons qu’un changement de paradigme est en cours dans le développement de produits. Notre équipe est composée de membres d’un club de débat universitaire, un groupe qui, à première vue, n’est pas composé d’ingénieurs. Cependant, l’essor des outils de codage basés sur l’IA et l’adoption généralisée de services d’informatique en nuage intuitifs avec interface graphique ont suffisamment réduit les obstacles pour que des personnes comme nous, sans connaissances techniques spécialisées, puissent se lancer dans le développement de produits. En participant au Grand Défi, nous voulions prouver que les excuses comme « je ne suis pas une personne du domaine technique » ou « je ne suis pas un spécialiste » n’ont plus lieu d’être. Nous avons donc considéré ce défi comme la scène idéale pour montrer au monde entier que c’est possible de le faire.

Kyoko Yoshinaga, 43:44

C’est génial et vraiment impressionnant. Oui, merci beaucoup d’avoir partagé cette information avec nous. Je voulais également poser la même question à Jameson. Dawn, as-tu reçu sa réponse?

Dawn Hall, 44:00

Jameson, avec qui souhaiteriez-vous collaborer à l’avenir?

Jameson Jones Doyle, 44:10

Nous aimerions collaborer avec de grandes organisations qui ont un impact significatif sur les collectivités et les personnes qu’elles servent. Il s’agit non seulement des gouvernements des pays du G7, mais aussi des gouvernements régionaux et municipaux, ainsi que des banques, des médias, des universités et des grands employeurs. Nous croyons qu’en réduisant la présence de préjugés liés aux handicaps et, bientôt, de tout type de préjugés, nous pourrons contribuer à lever les obstacles transversaux qui touchent une partie importante de la population.

Dawn Hall, 45:03

Deuxième question : qu’est-ce qui vous a incité à participer au Grand Défi?

Jameson Jones Doyle, 45:09

Eh bien, depuis trois ans, nous développons ce qui est, à notre connaissance, le cadre multiagent le plus avancé au Canada. Cette application de la technologie a eu un impact particulièrement important, car elle a le potentiel d’éliminer un obstacle crucial et omniprésent qui touche une partie considérable de la population. Plus précisément, 27 % des Canadiens déclarent avoir un handicap, et statistiquement, chaque personne sera atteinte d’un handicap à un moment ou à un autre de sa vie. Le Grand Défi a été la plateforme idéale pour montrer comment les systèmes multiagents peuvent résoudre des problèmes profonds, et nous sommes extrêmement fiers d’avoir été choisis comme bénéficiaires dans le cadre de ce processus.

Nous espérons que cela apportera la validation et l’élan nécessaires pour garantir que cette technologie ait l’impact pour lequel elle a été conçue. Merci de croire en nous et de contribuer à réduire les préjugés liés aux handicaps au sein du gouvernement et ailleurs.

Dawn Hall, 46:57

Excellente réponse. Merci beaucoup, Jameson. Je vous remercie. Très bien.

Kara Beckles, 47:01

Oui. Merci à Jameson. Et maintenant, nous allons passer à Mallory, au cas où vous auriez quelque chose à ajouter, puisque vous n’avez pas eu l’occasion de présenter la vidéo de Qian avant de poser vos propres questions.

Mallory Durran 47:18

Oh, j’en serais ravie. Qian et l’équipe de Loganberry ont conçu un outil vraiment impressionnant, et je pense que ce qui les a vraiment distingués aux yeux du jury, c’est qu’ils l’ont développé en collaboration avec les véritables décideurs et le personnel opérationnel de première ligne qui seront amenés à l’utiliser. Bon nombre des applications que nous pouvons imaginer semblent très intéressantes en théorie, mais ce n’est qu’au moment de les mettre en pratique, lorsque nous les intégrons réellement dans les systèmes, ce qui est difficile du point de vue de la sécurité et de la conformité, que nous apprenons vraiment ce qu’il faut faire. C’est d’ailleurs ce qui rend tout ce travail en cours si impressionnant. J’ai encore une question, qui concerne le fait que beaucoup de temps et d’efforts ont été investis dans ce projet, mais qu’il y a toujours des travaux en cours. Qian, si je peux commencer avec vous : qu’espérez-vous accomplir avec ce que vous avez construit, et qu’est-ce qui reste encore à explorer, que ce soit une fonctionnalité toujours en développement ou un défi qui reste à surmonter?

Qian Huang, 48:21

Donc, j’ai soutenu les organisations d’un service national de la santé en crise en tant que consultant en gestion pendant plus d’une décennie. Pendant ce temps, j’ai été appelé à diriger des programmes de redressement dans ces organisations, mais au bout d’un an, elles faisaient de nouveau appel à moi. J’ai compris que ce n’était pas un manque d’effort de la part du personnel de première ligne ou des équipes de direction. Il est apparu clairement que le système n’était tout simplement pas capable de tirer des leçons de sa propre expérience opérationnelle. Depuis lors, j’ai quitté le domaine de la consultation en gestion et je me suis lancé un défi : utiliser l’analyse des données et la technologie pour aider les organisations de soins de santé, d’une part, à comprendre leurs opérations d’une manière fondamentalement différente, et d’autre part, à pérenniser toute amélioration apportée.

Quant à mon parcours, je dirais que j’ai eu beaucoup de chance, car il a commencé aux côtés de personnes extraordinaires. Nous avons été les premiers à utiliser l’exploration des processus au sein du service national de la santé, mettant en lumière des informations sur les flux de patients à travers plusieurs voies, notamment les urgences, les soins non urgents, la santé mentale et la santé publique. Nous avons réussi à valider notre approche auprès de divers organismes du service national de la santé, et notre étape suivante consistait à étendre son adoption. C’est là que j’ai réalisé que les systèmes de santé n’ont pas toujours les moyens de mettre en œuvre des technologies spécialisées, car celles-ci nécessitent des délais longs et des budgets élevés. Nous nous sommes alors fixé notre prochain objectif. Nous voulions que les équipes de soins de santé puissent accéder rapidement et à moindre coût à des informations sur les flux de patients en utilisant le langage naturel.

Et c’est exactement ce que nous avons réalisé. Nous avons ainsi réussi à réduire le délai de mise en œuvre de la transformation des données en informations de six mois à six semaines. Une fois la solution mise en place, tout le personnel de première ligne, clinique ou non, peut désormais l’utiliser pour accéder à des informations propres à son rôle sans aucune formation. Mais nous savons que cela ne s’arrête pas là. Si notre objectif est d’apporter des améliorations durables, nous avons besoin d’un outil capable de tirer des leçons des décisions opérationnelles. C’est précisément pour cette raison que notre dernier prototype est conçu pour recueillir, analyser et traduire les connaissances opérationnelles que le personnel utilise quotidiennement pour gérer ses services, par exemple l’impact du flux sur les perturbations, l’arrivée des patients et les effectifs. Ce type de connaissances opérationnelles est rarement consigné ou analysé, mais il est en réalité essentiel à la prise de décision.

Imaginez donc avoir à portée de main l’ensemble des signaux opérationnels et leurs impacts sur le flux de patients au sein de votre organisation. Nous pensons qu’aujourd’hui, comme l’a dit Satoko, l’IA a la capacité de faciliter une meilleure prise de décision en temps réel lorsqu’il s’agit d’optimiser l’allocation des ressources. Nous sommes désormais prêts à tester le prototype, mais nous avons vraiment besoin d’aide pour, d’une part, naviguer dans des milieux gouvernementaux complexes comme le service national de la santé, et d’autre part, étendre notre solution au-delà du Royaume-Uni. En fin de compte, l’objectif est d’aider les systèmes de santé, où qu’ils se trouvent, à ne plus se contenter de réagir aux crises, mais à devenir des systèmes capables de s’adapter aux signaux opérationnels afin de fournir les meilleurs soins possibles aux patients et d’offrir le meilleur rapport qualité-prix aux contribuables. Je vous remercie.

Mallory Durran, 52:05

Formidable. Satoko, je voulais te poser la même question. Y a-t-il encore des défis que vous essayez de relever, ou que vous découvrez en équipe au fur et à mesure que votre produit gagne en maturité?

Satoko Watanabe, 52:15

Merci pour cette question. L’un des défis que nous n’avons pas encore entièrement résolus est de savoir si notre robot de vérification des faits atteindra réellement les personnes qui en ont le plus besoin, plus précisément, celles qui ont tendance à accepter sans discernement les fausses informations ou celles qui diffusent sans le savoir des théories du complot. Il y a là une ironie inhérente. Les personnes les plus susceptibles d’utiliser activement un outil de vérification des faits sont souvent celles qui sont déjà sceptiques et qui savent bien s’y retrouver dans l’information, tandis que celles qui en bénéficieraient le plus ne ressentent peut-être pas le besoin de vérifier les informations au départ. Nous pensons donc que nous aurions dû passer plus de temps à réfléchir à la manière de combler ce fossé, que ce soit par des mécanismes de notification proactifs ou par des partenariats avec des plateformes pour faire apparaître le robot aux moments où la désinformation est la plus susceptible de se propager.

Mallory Durran, 52:05

Excellent. Merci beaucoup à vous deux.

Kara Beckles, 53:19

Oui. Merci encore aux membres du jury pour le temps que vous nous avez consacré aujourd’hui, mais aussi pour tout le soutien que vous nous avez apporté tout au long du processus de sélection, ainsi que pour l’énergie et l’enthousiasme que vous avez mis dans le Grand Défi. Nous n’aurions vraiment pas pu y arriver sans vous. Et à nos bénéficiaires, félicitations pour vos solutions et pour être arrivés jusqu’au sommet et merci de les avoir partagées avec nous aujourd’hui. C’est vraiment excitant de voir ce que vous avez accompli en si peu de temps et que vous avez partagé avec nous aujourd’hui. Alors merci encore, et si vous voulez rester un peu, il y a encore plein de choses à venir.

Très bien. Nous allons donc passer à notre deuxième panel, qui comprend notre catégorie jeunesse ainsi que notre bénéficiaire allemand. Pour représenter l’Allemagne, nous avons Sirko Straube, Ph. D. M. Straube est directeur adjoint et gestionnaire administratif de la recherche au centre d’innovation en robotique du centre allemand de recherche sur l’intelligence artificielle. M. Straube, la parole est à vous pour présenter les deux prochains bénéficiaires.

Sirko Straube, 54:53

Oui, merci beaucoup, Kara, et merci à vous. Je suis très honoré d’être ici et de participer en tant que membre du jury à ce processus. J’aimerais présenter l’équipe bénéficiaire sélectionnée pour la catégorie jeunesse : ReadyForm AI.

ReadyForm AI a été soumis par le Canada et compte parmi les membres de son équipe Akemi Izuko – que je vois déjà ici – ainsi que Youdong Chen et Steven Tang. Je pense que, grâce à votre contribution à votre soumission, vous avez abordé un problème que nous connaissons tous, je crois, puisque nous avons tous déjà rempli des formulaires pour l’administration ou les services publics, et vous avez créé ReadyForm AI pour aider les gens à remplir ces formulaires numériques. Pour ce faire, vous avez utilisé une IA, plus précisément un pipeline d’IA générative à commande vocale, que vous avez combiné avec une interface conviviale adaptée aux lecteurs d’écran.

Je crois que vous avez mentionné ce terme à un moment donné dans votre vidéo, votre vision étant que le formulaire devienne une conversation, et je pense que c’est vraiment ce que vous avez réussi à faire. Et nous pouvons tous voir très facilement qu’il s’agit d’une approche très intuitive pour interagir avec un formulaire officiel, ce qui n’est pas toujours simple, mais vous avez créé une IA qui se veut une guide réel tout au long du processus. Le jury a également été très impressionné par le fait que, par exemple, vous ayez trouvé des moyens de gérer les saisies ambiguës des utilisateurs. Ainsi, lorsque l’utilisateur n’est pas sûr de certaines choses, l’IA tente d’en faire une estimation, ce qui nous a vraiment impressionnés.

Nous pensons que cette solution, disons tout d’abord que la catégorie de cette tranche d’âge a été convoitée. Nous avons reçu de nombreuses soumissions et avons dû en discuter en détail. Lorsque votre soumission a fait l’objet de discussions, nous avons tous convenu que vous aviez accompli quelque chose de remarquable. Nous pensons que cette solution représente un réel bénéfice pour la société, et j’aimerais sincèrement voir ReadyForm AI déployée dans tous les pays du G7. C’est donc une reconnaissance amplement méritée. Et nous avons hâte de voir la suite de votre développement. Je vous laisse maintenant la parole pour votre présentation.

ReadyForm AI : vidéo de démonstration, 57:45

[Steven] Bonjour à tous. Nous sommes Steven, Akemi et Oliver, une équipe d’étudiants de l’Université de l’Alberta à Edmonton, au Canada.

Je m’appelle Steven et, dans le cadre de ce projet, j’ai travaillé à l’amélioration de l’expérience utilisateur et à l’ingénierie agentique.

[Akemi] Je m’appelle Akemi et j’ai concentré mes efforts sur la conception et la planification du projet, tout en veillant à ce que notre projet soit conforme aux normes les plus élevées en matière de protection de la vie privée.

[Steven] Ce qui nous a vraiment réuni tous les trois pour ce projet, c’est une frustration commune. À mesure que les services gouvernementaux se déplacent en ligne, les citoyens doivent naviguer dans un paysage numérique complexe pour y accéder.

Bien que la plupart des gens accueillent favorablement ce changement parce qu’il simplifie le processus et permet de remplir les formulaires à la maison, il représente un obstacle important pour les personnes ayant des besoins en matière d’accessibilité. Le monde numérique est intrinsèquement visuel, s’appuyant fortement sur les écrans et le texte. Il s’agit d’un problème important. Une étude récente de Statistique Canada a révélé que 75 % des Canadiens de plus de 55 ans ont une mauvaise vue sans correction.

[Akemi] Exactement. Nous cherchons à résoudre les problèmes d’accessibilité auxquels les gens sont confrontés lorsqu’ils interagissent avec leur gouvernement. Nous avons tous déjà constaté à quel point il est irritant de remplir des formulaires PDF gouvernementaux.

Les petites cases et les petites polices créent d’énormes frictions. Ce n’est pas nécessairement la faute des concepteurs du forum. Ils doivent simplement regrouper une quantité massive d’informations dans un espace limité, mais cela entrave l’accès aux services publics pour de nombreux citoyens. Il s’agit là d’un problème qui s’aligne directement sur le Grand Défi IAgouv du G7.

Le problème du Grand Défi part du principe que les clients ont des besoins de communication très variés et que les interactions avec le gouvernement peuvent être difficiles et frustrantes, exacerbant les obstacles existants. On nous a demandé de concevoir une solution permettant de communiquer avec les gens d’une manière accessible en tenant compte d’un large éventail de langues, de cultures et (ou) de capacités.

Pour y répondre, nous avons choisi de concentrer nos efforts sur un problème très répandu, celui des déficiences visuelles.

Il s’agit d’un obstacle majeur, car il est souvent obligatoire de remplir un formulaire PDF pour pouvoir accéder aux services publics. Avec ReadyFormAI, l’interface visuelle disparaît et le formulaire lui-même devient une conversation. Il vous suffit de parler, le système écoute, comprend et répond avec une clarté absolue.

Il s’agit d’une intégration transparente de la voix et des données, créant une expérience accessible et qui ne nécessite pas d’effort. Voyons cela en action.

[ReadyformAI] Bonjour. Bienvenue sur ReadyFormAI.

Bonjour. Bienvenue sur ReadyFormAI. - français

Bonjour. Bienvenue sur ReadyFormAI.

Je suis là pour vous aider à remplir votre reçu de grains. Je peux vous assister en français et dans plus de 40 autres langues. Pour commencer, j’aurais besoin de quelques informations sur votre transaction de grains. Pouvez-vous me donner votre nom et votre adresse de producteur?

[Oliver] Oui, je m’appelle Oliver Chen.

[ReadyformAI] Parfait Oliver, j’ai noté votre nom. Quelle est votre adresse complète et quels types de grains livrez-vous aujourd’hui?

[Oliver] Euh, revenons au anglais.

[ReadyformAI] D’accord. Je repasse au anglais. Je vois que vous vous appelez Oliver Chen. Quelle est votre adresse complète et quel type de grains livrez-vous aujourd’hui?

[Oliver] Euh, 123 Farm Lane, et je livre du blé.

[ReadyformAI] Parfait. J’ai ajouté votre adresse et indiqué que le type de grains est le blé. Euh, quels sont la date et le lieu de livraison? Avez-vous un numéro de référence de contrat?

[Oliver] Euh, passons à la section du poids.

[ReadyformAI] Nous sommes dans la section des enregistrements de pesée. J’ai besoin des mesures de poids pour votre livraison de blé. Quels sont le poids brut, le poids du véhicule et le poids à décharger? Tous en tonnes, s’il vous plaît.

[Oliver] Cela devrait être 5, 10 et 20.

[ReadyformAI] J’ai saisi ces poids, mais je voudrais vérifier. En général, le poids brut devrait être le chiffre le plus élevé, soit le poids total du véhicule plus les grains, et le poids du véhicule devrait être le plus faible, soit le poids du véhicule sans grains. Vous avez mentionné 5, 10 et 20 tonnes. Pourriez-vous préciser lesquels correspondent à quoi? Est‑ce que le poids brut est de 20 tonnes, le poids du véhicule de 5 tonnes et le poids à décharger de 10 tonnes?

[Oliver] Oh, oui. C’est ça.

[ReadyformAI] Parfait. J’ai corrigé les poids.

Poids brut 20 tonnes, poids du véhicule 5 tonnes et poids à décharger 10 tonnes. Le système a calculé automatiquement votre poids net. Quel est le taux d’impuretés? Avez‑vous un numéro de billet de pesée?

[Oliver] Pendant que l’utilisateur parle, l’IA navigue dans des tableaux complexes, fait défiler automatiquement le champ exact qu’il remplit et met instantanément à jour le texte. Les utilisateurs peuvent facilement vérifier les informations saisies grâce aux boutons de grande taille, et l’IA relit n’importe quel champ simple à la demande de l’utilisateur.

Une fois le formulaire rempli, l’utilisateur clique sur le bouton et le formulaire est exporté au format PDF standard, prêt à être envoyé au gouvernement.

Je vous redonne la parole, Akemi et Steven.

[Akemi] Comme vous l’avez vu dans la démonstration, ce qui rend ReadyFormAI exceptionnel, c’est notre capacité à traiter des PDF complexes et à offrir une navigation vocale multilingue tout en garantissant une protection totale de la vie privée.

Les formulaires administratifs contenant de nombreux renseignements personnels identifiables, nous nous sommes appuyés, lors de notre soumission initiale, sur des modèles ouverts standard qui n’étaient pas entièrement isolés. Aujourd’hui, notre produit minimum viable fonctionne entièrement sur un système informatique conforme à la norme SOCK 2. Nous utilisons Modal comme validation de principe, démontrant que l’ensemble de ce pipeline peut être déployé facilement et en toute sécurité directement sur les serveurs gouvernementaux.

D’un point de vue technique, rendre ce système rapide, privé et performant était un défi amusant. Nous avons construit notre pipeline autohébergé à l’aide de Pipecat, un cadre indépendant de fournisseur pour les pipelines de modèles de langage à plusieurs étapes.

Pour la conversion de la parole en texte, nous avons choisi le mode Parakeet de NVIDIA. Il est incroyablement léger en termes de calcul, présente le taux d’erreur le plus faible parmi les modèles à poids ouverts et comprend 25 langues. Pour la conversion du texte en parole, nous avons utilisé Qwen 3TS, qui prend en charge 10 langues de sortie, y compris toutes les langues officielles du G7.

[Steven] Imaginez une expérience d’intégration où les barrières linguistiques disparaissent tout simplement. Vous nous avez mis au défi de créer un outil permettant à chacun d’atteindre une population véritablement mondiale, et nous avons pris cela très à cœur. Aujourd’hui, ReadyFormAI offre à vos utilisateurs une expérience sans heurts et profondément humaine.

Désormais disponible dans toutes les langues officielles du G7 et dans de nombreuses langues de l’Union européenne, cette expérience semble tout droit sortie d’un conte de fées.

Notre agent vocal accueille chaleureusement l’utilisateur, en passant par toutes les langues du G7. Dès que l’utilisateur répond, il reconnaît instantanément sa langue maternelle et crée une conversation naturelle et fluide.

Il s’adapte même instantanément si l’utilisateur change de langue au milieu d’une phrase. L’IA suit sans effort, en restant parfaitement synchronisée. Pendant que l’utilisateur profite d’une expérience localisée et sans faille, notre côté serveur effectue discrètement le gros du travail.

Il traduit et formate instantanément les mots prononcés en champs PDF standardisés. Il s’agit véritablement d’une solution mondiale qui offre une expérience aussi simple qu’entretenir une conversation.

Pour conclure, nous souhaitons aborder deux questions clés. Akemi, comment notre solution permet-elle au gouvernement de fonctionner plus efficacement?

[Akemi] En fin de compte, les gouvernements veulent un accès équitable à leurs services. Sans ReadyFormAI, les citoyens malvoyants sont confrontés à un choix injuste.

Soit ils sacrifient leur indépendance en demandant à un agent des services publics de lire et de remplir un formulaire à leur place, soit ils renoncent tout simplement au service et s’en privent complètement.

Comme les formulaires PDF sont la porte d’accès à presque tous les services publics, notre solution améliore considérablement l’accès et donne plus d’autonomie aux citoyens, en plus de libérer les travailleurs de soutien des gouvernements. Cela nous amène à la deuxième question. Steven, quelle serait notre solution finale idéale?

[Steven] Eh bien, même si notre extension Web élimine déjà beaucoup de friction, l’utilisateur doit encore la rechercher intentionnellement.

Notre prochaine étape idéale serait que les gouvernements adoptent directement ReadyFormAI dans leur infrastructure Web.

Ainsi, lorsqu’un citoyen clique sur un formulaire PDF sur un site Web gouvernemental, il devrait avoir la possibilité de l’ouvrir directement dans ReadyFormAI.

De plus, bien que nous utilisions le nuage sécurisé pour notre produit minimum viable afin de garantir une protection absolue de la vie privée, notre code est entièrement ouvert et optimisé pour fonctionner sur de petits serveurs GPU peu coûteux hébergés sur l’infrastructure souveraine du gouvernement.

[Akemi] Nous pensons que l’IA ne doit pas se limiter à une boîte de clavardage sur une page d’accueil. Elle doit être un outil qui soutient activement les efforts humains. Merci de nous avoir accordé votre temps et nous espérons que le G7 adoptera des solutions telles que ReadyFormAI.

Kara Beckles, 1:06:11

Très bien. Et nous vous redonnerons la parole sous peu, M. Straube, pour présenter la solution de l’Allemagne.

Sirko Straube, 1:06:18

Oui, merci, Kara. Je suis également très heureux et fier de présenter ResiliAlloc, la solution gagnante venue de l’Allemagne. Cette solution a été soumise par Wolfram Bopp, et ResiliAlloc est, à mon avis, un sujet qui concerne tous les gouvernements des pays du G7. Elle porte sur les infrastructures, et plus précisément sur la question de savoir quand il est préférable de les réparer et de les entretenir. C’est donc un sujet extrêmement important, et ResiliAlloc s’appuie sur des données ouvertes. La solution utilise une IA basée sur la physique pour aider les gouvernements à décider dans quelles routes et quels ponts investir, et à cerner les infrastructures les plus à risque.

Ce qui m’a paru particulièrement remarquable dans cette soumission, c’est qu’ici aussi, de nombreuses sources de données ont été rassemblées dans un même contexte, et que la proposition a également intégré d’autres facteurs tels que « Medical Criticality », « Frost » et « Load-to-Design » dans cette approche, afin de déterminer, par exemple si je répare ce pont, l’ambulance arrivera-t-elle toujours à temps à l’hôpital dans certaines régions? Je pense donc qu’il s’agit là aussi d’une proposition très précieuse. Oui, toutes mes félicitations également, et j’attends avec impatience les prochaines étapes. Voici donc la vidéo.

ResiliAlloc : vidéo de démonstration, 1:08:18

[Wolfram] Bonjour à tous, je m’appelle Wolfram Bopp. Le jour, je travaille chez BMW en tant qu’expert en IA. Comme passe-temps et pour apprendre, je participe à des marathons de programmation d’IA et à des projets caritatifs. J’aime vraiment me plonger dans des problèmes nouveaux et complexes, et c’est vraiment agréable de créer des solutions qui offrent une valeur réelle et mesurable pour le grand public.

Nous avons choisi de relever le défi, de concevoir une solution qui prévoit les besoins futurs et l’allocation des ressources afin de réduire le gaspillage et d’améliorer les services en veillant à ce que les ressources soient disponibles là où elles sont nécessaires et quand elles le sont grâce aux données sur les infrastructures.

Voyons cela de plus près.

[Narrateur anonyme] Chaque année, les gouvernements dépensent des milliards pour entretenir les routes et les ponts. Et chaque année, des milliards sont gaspillés.

Nous réparons les infrastructures trop tôt, ce qui gaspille de l’argent, ou trop tard, ce qui oblige à effectuer des réparations d’urgence qui coûtent 10 fois plus cher.

La plupart des gouvernements gèrent des portefeuilles de plusieurs milliards de dollars en utilisant des courbes d’amortissement statiques basées sur l’âge qui permettent simplement d’estimer quand un pont risque de s’effondrer. Et si nous pouvions prédire les défaillances structurelles avant que les fissures n’apparaissent? Et si nous pouvions optimiser chaque dollar provenant des impôts? Voici ResiliAlloc, la première plateforme souveraine d’intelligence artificielle pour les infrastructures du G7.

ResiliAlloc n’est pas seulement un tableau de bord.

C’est un moteur physique dynamique. Nous avons rejeté la norme industrielle consistant à utiliser des feuilles de calcul statiques.

Nous avons plutôt construit une architecture moderne à fonctionnalités d’entrepôts. Notre moteur en essaim ingère des signaux en temps réel provenant de sept API mondiales.

Nous combinons la base de biens statiques d’Odin avec des contraintes dynamiques. Nous extrayons les cycles historiques de gel-dégel d’Open Meteo pour modéliser les chocs thermiques. Nous extrayons les modèles de trafic en temps réel direct de TomTom pour mesurer la fatigue structurelle et, surtout, nous effectuons des calculs pour les ponts essentiels sur le plan médical qui, s’ils étaient fermés, empêcheraient les ambulances d’atteindre un hôpital. Mais c’est là que ResiliAlloc se démarque.

Nos concurrents vous diront : « nous ne pouvons pas prédire les risques, car les données ouvertes ne comportent pas d’évaluation des conditions ».

Nous avons prouvé qu’ils avaient tort. Nous avons utilisé une stratégie fédérée de vérification sur le terrain. Nous avons entraîné notre IA sur plus de 6 000 documents techniques validés provenant des États-Unis, du Royaume-Uni et du Québec.

À l’aide d’un ensemble de superposition primé de Kaggle, nous avons transféré ce renseignement aux biens locaux.

Nous avons mis en place un pseudoétiquetage, permettant au modèle d’apprendre par lui-même les nuances de l’environnement local.

Au final, nous avons devancé le modèle standard du gouvernement de 26 %. Nous sommes passés de la devinette à l’ingénierie de précision.

Jetons un coup d’œil au tableau de bord du contrôle de mission. Le système analyse près de 5 000 biens provinciaux. À l’écran, vous voyez une mer de rouge. Notre IA a trouvé 140 biens essentiels qui risquent de connaître une défaillance imminente en raison d’une charge de trafic élevée et d’un choc thermique.

Observez ce qui se passe lorsque nous appliquons un budget d’urgence de 25 millions de dollars. L’IA ne choisit pas simplement des ponts au hasard. Elle exécute un algorithme d’optimisation NEPSE afin de sélectionner les projets offrant le meilleur retour sur investissement pour la sécurité publique dans les limites du budget. Prenons l’exemple du bien 4594.

L’IA l’a signalé non seulement parce qu’il s’agit d’un bien vieillissant, mais aussi parce que la combinaison de camions lourds et de cycles de gel sévères en fait une bombe à retardement.

ResiliAlloc veille à ce que nous le réparions aujourd’hui. Élaboration de politiques de précision.

C’est la puissance de ResiliAlloc. En un seul clic, le moteur d’optimisation a analysé près de 5 000 biens et rejeté 99 % d’entre eux pour trouver les projets les plus importants dans un exemple de budget d’urgence de 25 millions de dollars.

Ces projets ne sont pas le fruit du hasard. Ils représentent l’optimum mathématique, c’est-à-dire la réduction la plus élevée possible des risques pour la sécurité publique pour chaque dollar dépensé.

Nous utilisons 96 % du budget disponible avec une précision chirurgicale. Et contrairement à d’autres plateformes, ResiliAlloc n’est pas une boîte noire, car nous utilisons un apprentissage automatique rigoureux basé sur une ingénierie explicite des fonctionnalités. Nous pouvons retracer chaque prédiction jusqu’à sa cause première, ce qui signifie une transparence totale pour les parties concernées et garantit que chaque dollar dépensé peut être expliqué en totalité.

Mais le tableau de bord va plus loin. Il met le pouvoir de l’analyse hypothétique directement entre les mains des décideurs.

Vous pouvez ajuster les seuils de tolérance au risque en temps réel, en visualisant instantanément l’impact des changements de normes de sécurité sur le budget.

ResiliAlloc transforme une physique d’ingénierie complexe en une politique claire et exploitable.

Qu’il s’agisse de 25 millions ou de 1 milliard de dollars, chaque centime est déployé là où cela compte le plus. C’est ainsi que nous construisons un avenir résilient.

[Wolfram] Pour répondre à vos autres questions. Nous accueillons favorablement les commentaires constructifs et avons abordé les domaines d’amélioration et les prochaines étapes concernant l’explicabilité, tout en définissant clairement les prochaines étapes pour l’évolutivité des données et l’adoption par les utilisateurs.

En ce qui concerne l’explicabilité, nous avons mis à jour notre code et nos vidéos de démonstration afin que les utilisateurs puissent désormais voir explicitement la cause profonde de chaque évaluation des risques. Par exemple, l’impact du gel-dégel est de 61 % et celui du trafic routier de 23 %.

En ce qui concerne la disponibilité, bien que l’expansion immédiate ait été limitée par la disponibilité publique à court terme de jeux de données plus larges du G7, l’architecture de notre plateforme est entièrement prête à intégrer et à valider de nouvelles données propres à chaque pays dès que nous y aurons accès.

En ce qui concerne l’adoption par les utilisateurs, une intégration importante dans les flux de travail réels des gouvernements nécessite une compréhension approfondie des besoins des parties concernées. En raison des délais serrés, nous n’avons pas encore été en mesure de mettre en place ces cycles de rétroaction, mais la prochaine étape du développement consistera à dialoguer directement avec les utilisateurs finaux afin de recueillir ces informations essentielles.

En fin de compte, notre objectif est de faire évoluer ce moteur d’IA afin qu’il s’intègre de manière transparente dans les systèmes des pays du G7, permettant ainsi aux gouvernements de construire des infrastructures plus sûres, plus résilientes et financées de manière plus équitable.

Kara Beckles 1:16:51

Très bien. Nous allons maintenant passer à la séance de questions-réponses. Nous invitons M. Straube à poser des questions à notre bénéficiaire, Akemi, ainsi qu’à Wolfram, qui n’a malheureusement pas pu se joindre à nous ce matin. Dawn dispose toutefois de quelques réponses écrites de sa part et répondra en son nom. Sirko, c’est à vous.

Sirko Straube, 1:17:17

D’accord, très bien. Akemi, je crois que la première question vous est destinée. J’aimerais savoir quelles sont vos prochaines étapes et avec qui vous souhaiteriez collaborer à l’avenir.

Akemi Izuko, 1:17:32

Oui. Nous pensons qu’il est essentiel de collaborer étroitement avec nos utilisateurs finaux. Par exemple, plusieurs groupes pourraient bénéficier de ReadyForm AI, mais chacun aura besoin d’ajustements spécifiques pour en tirer le meilleur parti. Les personnes âgées, par exemple, représentent un groupe démographique qui pourrait grandement profiter de cette solution. Cependant, leurs besoins diffèrent fortement de ceux d’une personne ayant une déficience visuelle sévère, qui utilise un lecteur d’écran au quotidien. Les deux groupes bénéficieront d’un moyen non visuel pour remplir leur formulaire. Cependant, quelqu’un qui a beaucoup d’expérience avec un lecteur d’écran voudra probablement que la voix soit rapide, car il peut la suivre facilement, tandis qu’une personne âgée préférera une voix plus lente et très claire.

La version présentée dans notre vidéo se situait dans une zone intermédiaire : suffisamment rapide pour être efficace, mais pas trop pour que tout le monde puisse la comprendre. En collaborant directement avec ces groupes, nous pourrons mieux comprendre leurs besoins spécifiques et ajuster notre outil en conséquence.

Sirko Straube, 1:18:36

D’accord. Oui, je suis vraiment curieux de voir comment tout cela se concrétisera. Parfois, la réalité est un peu plus compliquée que ce que l’on imagine en laboratoire, mais j’ai toujours bon espoir que cela fonctionnera. Oui. Merci, Akemi. Dawn, vous avez également une réponse de Wolfram. Que pouvez-vous nous dire?

Dawn Hall, 1:18:57

Absolument. Tout d’abord, félicitations, et merci à Wolfram d’avoir envoyé ces réponses avec un court préavis. Wolfram travaille dans l’industrie en tant qu’expert en IA pendant la journée, mais son passe-temps consiste à participer à des marathons de programmation d’IA et à mener des projets à but caritatif. Il a beaucoup aimé son travail passé avec le G7 et le gouvernement du Canada. Il utilise ces défis pour résoudre des problèmes complexes et aime développer de nouvelles solutions qui apportent une valeur tangible au grand public. Je vous remercie.

Sirko Straube, 1:19:32

D’accord, parfait. Dans la vidéo, nous avons également vu que vous avez déjà abordé certains des points qui vous ont été soulevés. J’aimerais quand même vous poser la question suivante : comment les commentaires du jury ont-ils influencé le système et, concrètement, qu’avez-vous fait avec ces commentaires? Pouvez-vous expliquer, dans vos propres mots, ce que vous avez fait?

Akemi Izuko, 1:20:04

Oui, nous avons reçu essentiellement deux types de commentaires. Le premier concernait le support multilingue, et le second la facilité d’accès. En ce qui concerne le support multilingue, au départ, notre outil ne prenait en charge que l’anglais, car il s’agissait d’un PMV et c’était plus facile à gérer. Pour notre produit peaufiné, nous avons étendu le support à toutes les langues du G7, ainsi qu’à cinq autres, soit un total de dix langues correctement prises en charge. Avec la traduction, nous pensons que l’outil pourrait être étendu à pratiquement n’importe quelle langue disposant de bons outils de traduction en ligne. Pour le deuxième point, concernant la facilité d’accès, il fallait initialement glisser le formulaire dans notre interface séparée, ce qui n’était pas idéal. Nous voulions que les utilisateurs puissent accéder directement à l’outil depuis le site Web du gouvernement.

En général, vous deviez cliquer sur le formulaire pour le télécharger, puis l’ouvrir dans une autre fenêtre. Nous avons donc développé une extension Chrome qui s’intègre facilement à ce processus. Vous téléchargez le formulaire, et il apparaît immédiatement dans votre navigateur dans un nouvel onglet, prêt à être rempli. Nous pensons que le fait de réduire ce petit obstacle peut grandement contribuer à favoriser l’adoption de cet outil.

Sirko Straube, 1:21:11

D’accord, merci. Oui. Et peut-être une dernière question, Dawn, pourriez-vous nous dire ce qui a motivé ou incité Wolfram à participer au défi?

Dawn Hall, 1:21:26

Absolument. Ainsi, Wolfram croit que l’IA est indéniablement un véritable outil qui change la donne. Toutefois, de nombreuses organisations échouent, car elles déploient des modèles de GML génériques sur des problèmes complexes, sans disposer de l’expertise nécessaire. Alors que les géants de la technologie réussissent grâce à des systèmes hautement personnalisés, les autres secteurs peinent souvent à obtenir un rendement du capital investi (RCI).

Wolfram a été attiré par ce défi afin de combler cet écart. Sa motivation est d’aller droit au but et de concevoir des solutions d’IA sur mesure explicables et précises, qui fonctionnent réellement et apportent une valeur tangible.

Sirko Straube, 1:22:08

Oui, merci, et encore une fois, félicitations à vous deux.

Oui, je vous remercie. Félicitations, Akemi, ainsi qu’à Wolfram. Ce sont des solutions très utiles pour résoudre les problèmes du quotidien auxquels les gouvernements sont régulièrement confrontés. J’ai donc hâte de voir comment ces solutions pourront être déployées à travers les gouvernements du G7. Et, M. Straube, merci également pour votre rôle de membre du jury, pour le temps et les efforts que vous y avez consacrés, ainsi que pour votre présence parmi nous ce matin.

Sirko Straube, 1:22:48

Merci beaucoup de m’avoir invité.

Kara Beckles, 1:22:51

Parfait. Je vous remercie. Très bien. Nous allons maintenant passer à notre prochain panel, qui inclut les États-Unis et l’Italie. Pour représenter l’UE et présenter nos bénéficiaires des États-Unis, nous accueillons Paula Rodriguez Müller. Paula est chargée de projet scientifique au Centre commun de recherche de la Commission européenne (CCR) et chercheuse à l’université KU Leuven. À toi, Paula.

Paula Rodriguez Muller, 1:23:23

Merci à vous tous. Comme vous l’avez mentionné, je suis heureuse de présenter les bénéficiaires pour les États-Unis. Voici donc Permion Inc., pour la solution Digital Subject Matter Expert (DSME), et l’équipe à l’origine de ce travail remarquable est dirigée par Paul Brown. Nous avons également ici Arun Majumdar, Barry Evans et Paulo Moura. La solution DSME est conçue pour soutenir les analystes des politiques, c’est-à-dire qu’elle offre des capacités d’analyse de documents et qu’elle permet d’extraire des informations à partir de collections de documents indiqués par l’utilisateur. Cette solution utilise plusieurs modèles d’IA, tels que de grands graphes à grande échelle et des modèles de langage, pour faciliter l’analyse et la traçabilité des informations.

Dans l’ensemble, nous estimons que la solution est très novatrice et présente une architecture technique et une méthodologie solides. Nous avons également trouvé particulièrement remarquable l’attention portée à l’explicabilité, à l’audit et à la conformité aux normes. Nous croyons qu’il s’agit d’une application solide, présentant un fort potentiel et une architecture technique robuste. Pour l’avenir, nous avons suggéré d’améliorer la couche d’informations, afin de la rendre plus utilisable dans l’immédiat par les analystes des politiques dans leur travail quotidien. Félicitations à l’équipe, et passons maintenant à notre solution.

Permion : vidéo de démonstration, 1:24:57

Nous sommes de Permion et présentons DSME. Arun Majumdar est notre PDG et expert en IA. Paulo Moura est l'auteur de Logtalk, qui fait fonctionner DSME. Barry Evans fait fonctionner l'IA neurosymbolique et je suis Paul Brown, l'architecte en chef.

La fonction publique doit gérer de grandes quantités d'information, souvent manuellement. Des outils sont nécessaires pour faciliter l'ingestion, l'exploration et la compréhension de documents non structurés. L'expert en la matière numérique de Permion, ou DSME, est une application d'IA multilingue, agentique et fiable pour une évaluation rapide des corpus. En tant qu'analyste des politiques canadiennes, je peux utiliser le DSME pour contribuer à un bac à sable réglementaire de classe mondiale pour renforcer l'intention souveraine, la prudence économique et l'intégrité législative.

Aujourd'hui, notre corpus contient des documents politiques sur deux thématiques, l'énergie et l'intelligence artificielle. Vers un cadre national de test énergétique de l'IA et des normes minimales de rendement énergétique pour l'IA afin de remplir les mandats de zéro émission nette.

Avec notre corpus chargé, DSME fournit deux vues qui sont utiles pour trouver des documents susceptibles de vous intéresser. Donc, si, par exemple, je m'intéressais à la politique nationale par rapport à la politique mondiale, je peux trouver les documents qui traitent de ces choses plus fréquemment que les autres.

Nous avons également un point de vue similaire, mais pour les entités.

Nous avons donc trouvé ici tous les éléments qui sont fréquemment discutés dans les documents et ce sont vos candidats pour les intervenants.

Nous pouvons également ajouter toutes celles qui sont liées à un document source unique pour avoir une vue exploratoire des intervenants potentiels à travers tout un corpus de politiques.

Pour aider un analyste à comprendre les politiques dans de nombreux documents, DSME extraira toutes les phrases impératives déontiques, puis les réduira à un acteur comme « modèles » et « pouvoir », une action comme « exiger » et « traiter », et un objet comme « ordinateurs portables » et « entrées ».

Pour voir d’où vient l’information, si nous passons la souris sur une action, vous recevrez le papier et la phrase.

Les actions sont codées par couleur, donc nous avons le rouge pour les obligations, l'orange pour les recommandations et le noir pour les interdictions.

De plus, des acteurs peuvent être ajoutés et supprimés à volonté pour permettre l'exploration.

Les politiques peuvent être assez longues à lire, c'est pourquoi le DSME fournit des informations sommatives, y compris des mots clés, des termes clés, qui sont des mots multiples, des entités clés longues, et là vos candidats pour les parties prenantes, ainsi que des résumés. Ainsi, ce premier résumé ici est dérivé d'une analyse structurelle du texte et le deuxième résumé est dérivé de la similitude sémantique avec les mots-clés. Si nous fournissons nos propres mots clés comme « IA », « énergie » et « Canada », nous pouvons créer un résumé sur ce sujet.

Et c'est créé à l'aide de notre LGM, qui est notre méthode d'extraction de l'information dans son réglage le plus souple de trois. Nous pouvons transmettre cela à un modèle de langage de grande taille (LLM), afin que le LLM puisse le réécrire pour le rendre un peu plus facile à lire, mais cela peut introduire une hallucination. C'est pourquoi nous fournissons cette vue des scores de TRACE, qui montre où le texte de la réponse du LLM à droite chevauche le texte original à gauche. Et vous pouvez également voir la similitude sémantique entre les phrases. Cette phrase ici ne semble pas avoir de chevauchement et pourrait donc être un candidat pour une hallucination.

Comme pour un résumé, vous pouvez poser des questions directement sur le document. Nous allons donc demander si l'IA peut aider à réduire la consommation d'énergie et nous obtiendrons une réponse. Maintenant, il s'agit d'utiliser notre LGM pour extraire le texte directement du document et vous pouvez retracer ces phrases jusqu'au document pour les voir dans leur contexte en faisant défiler les phrases en surbrillance.

Et ils sont tous directement tirés du document dans son contexte. Maintenant, si nous présentons le LLM, il y a différents niveaux pour différents niveaux de relâchement et cela vous donnera ces réponses. Et encore une fois, vous pouvez les vérifier pour les hallucinations comme vous pouvez le faire avec les résumés.

L'élément clé qu'un analyste des politiques aimerait savoir dans tout document particulier est de savoir quelles sont les politiques. Par conséquent, DSME extrait les clauses impératives déontiques et trouve un acteur, une action et un objet. Il vous donnera la modalité ainsi que le texte de la phrase. Il peut dire s'il est nié et s'il y a une condition, et vous pouvez retracer ce texte pour le trouver dans le contexte du document.

Nous fournissons également ces filtres afin de pouvoir trouver tous les éléments niés pour identifier les interdictions, ou peut-être trouver toutes les obligations associées à une condition.

Cela permet à un analyste d'explorer rapidement les politiques contenues dans un document.

Afin d'aider un analyste à comprendre le domaine du discours d'un document particulier, DSME fournit quelques outils qui fournissent des informations structurées. Donc, celui-ci montre à quel point certains termes clés et expressions clés sont fortement liés les uns aux autres et à quoi ils sont liés. L’IA est donc liée à un impact élevé, à la technologie, à l’énergie, à l’utilisation, à l’admissibilité et au Canada.

Cela montre à quel point les choses sont liées, mais pas comment elles sont liées. La façon dont elles sont liées vient de la proto-ontologie. Nous pouvons donc voir que les contributions du gouvernement canadien ont une partie provinciale et territoriale, et nous pouvons remonter bien sûr jusqu'au texte source pour voir d'où vient cette information. Cela aidera un analyste à explorer le domaine du discours d'une politique particulière.

DSME fournit une API HTTP qui peut être utilisée pour automatiser les tâches d'intégration du système, ainsi qu'une bibliothèque Python pour interagir avec cette API. Dans cet exemple, nous allons utiliser cette bibliothèque Python pour effectuer un triage automatisé, et nous créons donc un projet temporaire et téléchargeons un corpus d'IA et d'énergie qui contient 90 sources du monde entier. Nous allons filtrer ces sources en fonction d'endroits intéressants et de sujets intéressants en utilisant les mots-clés qui sont cet ensemble sémantique pour réduire cela à 35 sources. Nous allons ensuite trouver l'emplacement de chacune de ces sources, supprimer le projet temporaire et en créer un nouveau appelé « North America AI and Energy », en téléchargeant toutes les sources que nous avons trouvées dans le nouveau projet. Maintenant, vous pouvez continuer avec l'API HTTP ou la bibliothèque Python, mais si un analyste souhaite continuer dans l'interface graphique, il trouvera le projet qu'il attend.

Merci de votre attention. Nous nous réjouissons à l'idée de collaborer davantage avec les entrepreneurs principaux, les institutions et les gouvernements du G7. Le DSME est une application d'IA multilingue, agente et digne de confiance qui est prête à renforcer notre intention souveraine, notre prudence économique et notre intégrité législative. Pour plus de détails, n'hésitez pas à nous contacter à permion.ai.

Kara Beckles, 1:32:19

Très bien, c’est parfait. Nous allons maintenant revenir à Dawn, qui va présenter nos bénéficiaires italiens, puis nous passerons à la séance de questions-réponses. À vous, Dawn.

Dawn Hall, 1:32:34

Merveilleux. Merci infiniment. Pour les bénéficiaires d’Italie, je suis très heureuse d’accueillir Simone Vagnoni, le bénéficiaire sélectionné. Simone est reconnu pour sa soumission d’un graphe de connaissances en délibération fondée sur l’IA pour l’analyse des politiques démocratiques.

Malheureusement, Simone n’est pas parmi nous aujourd’hui, donc je vais la présenter en son nom. Sa solution utilise un graphe de connaissances pour aider à repérer les thèmes clés abordés dans différentes sources de données liées à des délibérations publiques. Cette analyse des informations publiques peut aider les décideurs à mieux comprendre les points de vue des citoyens sur différents sujets.

Les membres du jury estiment que la solution repose sur une approche technologique solide et ont aimé la vaste gamme des technologies utilisées. Ils ont également souligné que l’application aux dépôts de débats publics de l’Union européenne est pertinente et qu’elle est susceptible de présenter un fort intérêt pour le public. Les membres du jury ont proposé de mieux mettre en avant l’impact sur les utilisateurs et le gouvernement. Découvrons maintenant la solution en regardant la vidéo.

Simone Vagnoni : vidéo de démonstration, 1:33:52

[Simone] Bonjour à tous. Je m’appelle Simone Vagnoni, je suis chercheur doctorant au centre de recherche alma mater pour l’intelligence artificielle centrée sur l’humain de l’Université de Bologne et au groupe d’ingénierie des ontologies de l’université polytechnique de Madrid. Je tiens à remercier mes superviseurs, Monica Palmirani et Victor Rodriguez Doncel, et le G7, en particulier pour m’avoir donné l’occasion de présenter mon travail dans le cadre du Grand défi IAgouv : un graphique de connaissances sur les délibérations qui relie le discours démocratique institutionnel et civique à travers des forums dans le temps et l’espace, à l’aide de différents outils d’IA.

Nous voulions nous attaquer au premier énoncé de problème : la gestion de grands volumes d’informations, à partir de la fracture démocratique liée aux données.

Le problème vient du fait que les citoyens débattent de la politique climatique sur les médias sociaux et les parlementaires abordent le même sujet en séance officielle, faisant ainsi en sorte que ces conversations restent des îlots isolés de démocratie.

Il y a donc une grande quantité de données, notamment de données de délibération, provenant des portails officiels, des forums en ligne ou des plateformes participatives comme Decidim, Polis, etc., mais il n’y a aucun moyen de les analyser sur l’ensemble des plateformes.

Il s’agit là d’une occasion manquée pour faire avancer la démocratie. À l’heure actuelle, les citoyens et les institutions fonctionnent en vase clos.

Nous avons donc créé le graphique de connaissances sur les délibérations, un cadre unifié qui relie les arguments entre les plateformes, les participants entre les contextes, les sujets entre les institutions et les preuves entre les sources, ainsi qu’une interface pour montrer le potentiel de cet exercice.

Nous avons basé le graphique de connaissances sur une ontologie des délibérations divisée en trois modèles. Le modèle de processus, c’est-à-dire le déroulement des délibérations, les étapes, les calendriers, les organisations, et ce, de l’établissement de l’ordre du jour à la prise de décision. Le modèle de participation, c’est-à-dire qui participe, les citoyens, les experts, les parlementaires, les organisations, et les rôles et relations dans les différents contextes. Le modèle de l’argumentation : qu’est-ce qui est dit? Les arguments, les positions, les preuves, les relations de soutien/d’attaque, qui nous aident à approfondir le niveau d’analyse en utilisant le traitement du langage naturel a posteriori.

Cette façon de faire peut aider à cartographier les arguments et à cerner les politiques afin de mesurer la qualité du discours et la relation entre les différents nœuds du réseau et la modélisation des thèmes, etc.

Ainsi, à partir de différentes sources de données, nous extrayons les données brutes, en les récoltant à partir du moissonnage Web aux connecteurs API, nous les connectons à l’ontologie et, à partir de là, à des services comme celui que je vais vous montrer maintenant.

Vous pouvez voir l’interface pour les citoyens, très simplifiée, qui comporte un moteur sémantique où vous pouvez rechercher n’importe quel sujet que vous voulez comparer aux différents plateformes et forums que vous avez ici, par exemple la plateforme de consultation Donnez votre avis de l’Europe, du Parlement européen lui-même, la plateforme Polis et celle de Decidim. Par conséquent, si vous recherchez par exemple le mot « vote », grâce à notre recherche sémantique, qui intègre toutes les plateformes et tous les processus participatifs dans un espace d’intégration à l’aide de Sentence-BERT, nous pouvons rechercher chaque mot, non pas par mots-clés, mais par sémantique, en plus de pouvoir trier dans tous les cas, de n’importe quelle manière.

Nous avons ici le score de similarité sémantique, le nombre de contributions, etc. Voici, par exemple, la réforme électorale canadienne.

Chaque nœud ici est une contribution qui est connectée à tous les autres nœuds et qui possède ses propres métadonnées : le texte, la date, le nom de l’auteur qui, dans ce cas-ci, est anonymisé et le nombre d’approbations et de désapprobations, qui est propre à cette plateforme. Nous pouvons voir ici une représentation visuelle du graphique de connaissances, et nous avons également ici une modélisation des thèmes.

Puisque nous avons cartographié la sémantique des discussions, nous pouvons cartographier sur toutes les plateformes les sujets qui font l’objet du plus grand nombre de contributions et de discussions. Vous pouvez voir ici quelques exemples.

Dans la prochaine version, nous allons mettre en place une cartographie des arguments afin d’améliorer la recherche sur la qualité du discours. Pour en revenir à la présentation, il existe de très nombreuses plateformes différentes et nous voulons établir un lien entre elles et à travers les institutions afin de mettre en correspondance les attentes des citoyens et les mesures qui seront effectivement prises.

Les applications dans le monde réel sont le suivi des arguments sur plusieurs plateformes, la surveillance démocratique de la santé, l’évaluation de la qualité des arguments et la réduction du fossé civique institutionnel. Il s’agit là, à mon avis, du principal problème de la démocratie aujourd’hui.

Nous reconnaissons aussi qu’il existe certains défis. Bien sûr, les arguments existent dans leur contexte et pas seulement dans leur structure. Les extraire de leur contexte pourrait donc conduire à des interprétations erronées. Il existe des problèmes liés à la protection de la vie privée et à l’intégrité contextuelle, mais comme les données ont été recueillies de manière légale et lisible, le lien entre les différentes plateformes soulève de nouvelles préoccupations. Il existe par exemple un risque d’hypersuasion. Plus on dispose de données, plus la manipulation peut être sophistiquée. C’est un problème auquel nous sommes confrontés aujourd’hui, en particulier avec les plateformes privées qui agissent dans leur intérêt personnel et privé, mais cela serait également le cas si nous regroupions les données. Notre approche repose sur des limites transparentes et des principes de conception éthique.

La vision d’ensemble est donc celle d’une démocratie épistémique où les citoyens voient comment leurs voix atteignent les institutions, les chercheurs suivent l’évolution démocratique, les journalistes suivent les chaînes d’argumentation et les parlementaires comprennent l’opinion publique.

Pour conclure, j’ai un appel à l’action. J’invite les chercheurs à se joindre à nous pour élargir l’ontologie et les sources de données. J’invite les praticiens à mettre en œuvre des normes de délibération dans leurs plateformes. J’invite les citoyens à exiger des processus démocratiques transparents et connectés. Et bien sûr, je vous invite à participer, faites entendre votre voix.

Merci de votre attention et restez connectés. Voici les codes QR de la plateforme et mon profil LinkedIn. Merci.

Kara Beckles, 1:42:14

Très bien. Je vous remercie. Je vais maintenant inviter à nouveau Paula à l’écran, qui posera quelques questions à Paul Brown de Permion.

Paula Rodriguez Müller, 1:42:26 Merci, Kara. Alors oui, Paul, j’aimerais maintenant en savoir un peu plus sur ce qui vous a personnellement motivé à lancer cette initiative. En particulier, nous aimerions comprendre ce qui vous a incité à participer au Grand Défi.

Paul Brown, 1:42:41

Merci, Paula, et merci également pour cette belle introduction. Chez Permion, nous avons relevé un écart important entre les politiques du G7 et les solutions disponibles. Les préoccupations des citoyens et des fonctionnaires concernant l’IA nous ont permis d’effectuer des recherches et d’adapter Permion aux besoins des nations du G7. Nous avons donc cherché à tester notre solution DSME agentive et la plateforme XVM sur laquelle elle s’exécute dans le cadre de programmes d’alignement horizontal, en tant qu’infrastructure d’assurance, système de conformité sécurisé pour l’IA et plan de contrôle de gouvernance. Nous disposons d’une solution écologique offrant des possibilités de déploiement concrètes et de collaboration internationale. Nous considérons donc le Grand Défi comme une occasion de présenter notre solution à l’échelle mondiale.

Paula Rodriguez Müller, 1:43:33

Merci, Paul, c’est très encourageant. Pour clore cette série de questions, j’en ai une dernière. Nous aimerions également en savoir un peu plus sur votre expérience dans le cadre du Grand Défi. Alors, comment les commentaires du jury ont-ils influencé votre solution?

Paul Brown, 1:43:53

Les commentaires ont été très utiles. Ils nous ont permis de mieux comprendre la complexité des outils axés sur les politiques, qui vont nécessiter à la fois une expertise humaine et des spécialistes en IA agentive pour fournir des connaissances spécialisées en matière de politiques, permettant ensuite aux analystes d’anticiper les effets ou les résultats et les impacts potentiels. Nous avons donc ajouté plusieurs fonctionnalités supplémentaires, telles que les vues basées sur les phrases déontiques et la détermination des éventuels intervenants, et nous avons intégré ces fonctionnalités à nos agents et outils d’IA existants afin de porter ces informations d’intérêt à l’attention de l’utilisateur, en les rendant accessibles aux utilisateurs, notamment les utilisateurs qui sont d’autres machines grâce à l’API.

Paula Rodriguez Müller, 1:44:39

Merci, Paul. À toi, Kara.

Kara Beckles, 1:44:42

Très bien. Je vous remercie. Merci à vous deux, Paula et Paul. Comme nous savions que Simone ne pourrait pas assister en personne, nous allons tout de même avoir une séance de questions-réponses avec lui, et nous allons lancer la vidéo immédiatement.

Dawn Hall, 1:45:03

Première question : y a-t-il quelque chose en particulier qui a inspiré votre solution?

Simone Vagnoni, 1:45:10

Merci pour la question. Tout d’abord, la frustration liée au décalage entre le discours institutionnel et les discussions qui ont lieu partout, en ligne et hors ligne. Donc, ce que les citoyens veulent réellement, je pense que nous devrions renforcer les liens et aller au-delà de la façon dont nous pratiquons la démocratie actuellement, car il existe des données publiques et les grandes entreprises technologiques privées les utilisent tous les jours. Il serait donc très utile de créer ce lien et de donner aux étudiants la possibilité de s’exprimer, en plus d’établir un lien plus direct entre la prise de décision des institutions publiques et les citoyens.

Dawn Hall, 1:26:24

Je vous remercie. Deuxième question : avec qui souhaiteriez-vous collaborer à l’avenir?

Simone Vagnoni, 1:46:31

J’aimerais collaborer avec les gouvernements du G7 qui déploient activement des plateformes de participation numérique. Le Conseil du Trésor du Canada constituera un point de départ idéal, tout comme l’AGID en Italie, et ce partenariat permettra de mener des projets pilotes. Ensuite, dans l’écosystème de la technologie civique auquel je participe déjà, j’aimerais me rapprocher davantage d’acteurs tels que la Decidim Association, vTaiwan et d’autres plateformes et associations de participation privées et publiques, et ceux de la Democratic Data Space Initiative, et également de groupes de recherche comme celui avec lequel je travaille actuellement, à l’Université de Bologne et à l’Université de Madrid, mais aussi étendre la collaboration à d’autres groupes de recherche à travers le monde pour établir un lien entre ces travaux. Et merci pour la question.

Dawn Hall, 1:48:11

Parfait. Cela offre vraiment de nombreuses possibilités de collaboration. Merci beaucoup. C’était très intéressant.

Kara Beckles, 1:48:24

Très bien. Alors, encore toutes mes félicitations à Paul et à Simone. Encore une fois, ce sont des solutions très intéressantes qui, je le pense, pourront être déployées par différents gouvernements, et j’ai hâte de voir la suite pour vos solutions. Bien sûr, merci encore à Paula pour votre expertise en tant que membre du jury, ainsi que pour le temps et l’attention que vous nous avez accordés aujourd’hui. Et merci également à tous les membres du public qui ont passé près de deux heures avec nous.

J’espère que vous avez autant que moi aimé les présentations et les rencontres avec nos bénéficiaires. Je n’ai certainement pas été déçu. Je tiens également à remercier tous les membres du jury, tant ceux qui ont pu se joindre à nous en ligne aujourd’hui que ceux qui ont passé des heures à examiner la centaine de candidatures que nous avons reçues tout au long de ce processus. Je remercie également les membres du RIAG issus des pays du G7 qui ont travaillé avec nous à ce projet pendant près d’un an afin de rendre ce processus possible, et sans leur aide, il aurait été très difficile d’en arriver là où nous en sommes aujourd’hui. Ils ont apporté leur expertise, leurs avis d’experts, nous ont aidés à définir les priorités parmi les défis à relever et ont, dans de nombreux cas, fourni des ensembles de données gouvernementales uniques que les participants ont pu utiliser dans certaines des solutions proposées.

Merci également à tous ceux qui ont soumis des solutions. Nous n’aurions pas pu y parvenir sans la participation de personnes provenant de partout dans le monde, et quel que soit le résultat, nous vous sommes sincèrement reconnaissants de vos contributions et espérons que vous poursuivrez vos efforts pour faire progresser une IA responsable dans le secteur public et au-delà. Pour ceux qui souhaitent en savoir plus sur nos bénéficiaires, les mentions honorables et les finalistes, veuillez consulter le site Web du Grand Défi, qui contient toutes ces informations.

Enfin, et surtout, merci à l’équipe du Secrétariat du Conseil du Trésor du Canada. Vous avez tous vu Dawn à l’écran à maintes reprises. Elle a dirigé ce projet de bout en bout et a, j’en suis sûr, sué sang et eau pour mener à bien ce travail au cours de l’année écoulée. Mais je tiens également à saluer les efforts des autres membres de l’équipe : Jonathan Macdonald, Mark Levene, Alison Kinsman, Dana Kenny et Jelane Julien.

Merci à vous tous pour votre travail acharné et vos efforts au cours de cette dernière année. Je vous tire mon chapeau. Voilà qui conclut notre présentation du Grand Défi aujourd’hui. Je vous souhaite à tous une excellente journée ou soirée, selon l’endroit où vous vous trouvez dans le monde, et j’espère vous revoir bientôt. Merci à tous.

Haftungsausschluss: Dieser Text wurde automatisch aus dem Englischen mit KI übersetzt. Es können Fehler oder Ungenauigkeiten enthalten sein.

Disclaimer: This text was automatically translated from English using AI. It may contain errors.

Kara Beckles, 0:01

Hallo, willkommen alle zusammen und vielen Dank, dass Sie alle gekommen sind. Wir freuen uns, heute unsere ausgewählten Preisträger der G7 GovAI Grand Challenge bekannt zu geben. Wir werden in Kürze von allen unseren Preisträgern hören, aber ich freue mich, dass Sie heute dabei sind, um von ihnen zu hören. Ich weiß, dass ich diesen Tag schon seit vielen Monaten erwartet habe, und genau wie Sie habe ich einige der wunderbaren Präsentationen, die kommen werden, noch nicht gesehen. Daher werde ich genauso gespannt sein wie Sie, sie zum ersten Mal zu sehen.

Mein Name ist Kara Beckles. Ich bin Executive Director für Datenschutz und verantwortungsvolle Datennutzung beim Treasury Board Secretariat of Canada, und ich werde heute Ihre Moderatorin sein und uns durch die nächsten Stunden führen, während wir mehr erfahren. Bevor wir beginnen, möchte ich anerkennen, dass ich mich auf dem unceded traditionellen Gebiet des Algonquin Anishinaabe-Volkes befinde, das dieses Land seit unvordenklicher Zeit gepflegt hat. Für diejenigen von uns, die virtuell teilnehmen, laden wir Sie ein, sich einen Moment Zeit zu nehmen, um über das Land nachzudenken, auf dem Sie leben, arbeiten und sich aufhalten.

Und mehr über die traditionellen Hüter dieser Gebiete zu erfahren – das Verständnis der Geschichte und der Verantwortung, die mit den Orten verbunden sind, die wir unser Zuhause nennen, ist ein wichtiger Schritt zur Versöhnung.

Damit Sie Bescheid wissen, noch ein paar organisatorische Hinweise. Mikrofon- und Videozugriff werden für alle außer den Vortragenden in diesem Call deaktiviert sein. Die Frage-und-Antwort-Funktion wird für Teilnehmende verfügbar sein, jedoch nur für Fragen zu technischen Problemen. Wenn Sie also Schwierigkeiten haben, lassen Sie es uns bitte wissen, aber Ihre Nachrichten werden nicht veröffentlicht. Wenn es ein häufiges Problem gibt, wird unser Team Sie möglicherweise ebenfalls darüber informieren und dies über die Q&A-Funktion kommunizieren.

Die heutige Sitzung wird hauptsächlich auf Englisch stattfinden. Die Videos der ausgewählten Preisträger sind online mit Transkripten in beiden Amtssprachen verfügbar. Das Video der heutigen Veranstaltung wird später in dieser Woche veröffentlicht. Bitte wenden Sie sich an das Team, wenn Sie die Präsentation auch auf Französisch sehen möchten.

[Aus dem Französischen übersetzt]

Die heutige Sitzung wird hauptsächlich auf Englisch stattfinden. Die Videos der ausgewählten Preisträger sind online mit Transkripten in beiden Amtssprachen verfügbar. Das Video der heutigen Veranstaltung wird später in dieser Woche veröffentlicht. Bitte wenden Sie sich an das Team, wenn Sie die Präsentation auch auf Französisch sehen möchten.

[Englisch]

Gut. Nun wenden wir uns an den Präsidenten des Treasury Board, Minister Shafqat Ali, für einige einleitende Worte, bevor wir dieses besondere Ereignis starten.

Shafqat Ali, 2:59

[Aus dem Französischen übersetzt]

Hallo zusammen!

[Englisch]

Und willkommen zum Showcase Day der G7 Gov AI Grand Challenge. Kanada hat als Präsident der G7 im Jahr 2025 den Weg geebnet, das Potenzial von KI im öffentlichen Sektor zu erforschen, indem es die erste Grand Challenge zur KI ausgerichtet hat. Wir erkennen an, dass KI erheblich verbessern könnte, wie wir unseren Bürgerinnen und Bürgern dienen und wie wir als Regierungen arbeiten. Während wir diese neuen Möglichkeiten erkunden, müssen wir einen verantwortungsvollen und ethischen Ansatz verfolgen. Ziel der Challenge ist es, das Potenzial von KI zu erschließen, um zentrale Probleme anzugehen, mit denen Regierungen heute konfrontiert sind, und mögliche Lösungen für eine bessere Zukunft zu finden. Wir verstehen den Wert, der aus Zusammenarbeit entsteht. Diese Challenge hat unterschiedliche Köpfe zusammengebracht, damit wir die bestmöglichen Ergebnisse erzielen können. Dieser Wettbewerb wird Brücken bauen und Inspiration wecken.

Durch diese Challenge haben Innovatoren und Forschende aus den G7-Ländern und der Europäischen Union Vorschläge eingebracht, um eines von vier dringenden Problemen anzugehen, mit denen der öffentliche Sektor derzeit konfrontiert ist. Ich bin stolz auf diese brillanten Köpfe für ihre außergewöhnliche Arbeit und gratuliere ihnen zu ihrer Entschlossenheit. Ich möchte auch die mehr als 100 Teams würdigen, die teilgenommen und zu dieser wichtigen Initiative beigetragen haben. Sie haben mit großer Leidenschaft und inspirierender Arbeit präsentiert, und heute werden wir die besten Lösungen aus diesen beeindruckenden Ideen hervorheben.

Vielen Dank an alle für Ihre Zeit, Zusammenarbeit und Kreativität bei dieser Challenge. Und abschließend möchte ich Frankreich zu seiner Führungsrolle gratulieren, da es im Jahr 2026 die G7-Präsidentschaft übernimmt. Kanada freut sich darauf, weiterhin in diesem wichtigen internationalen Forum zusammenzuarbeiten. Vielen Dank.

[Aus dem Französischen übersetzt]

Vielen Dank.

[Englisch]

Kara Beckles, 5:35

Gut, vielen Dank an den Minister für diese Worte. Für diejenigen unter Ihnen, die vielleicht nicht vertraut sind: Die Grand Challenge wurde vom G7 AI Network ins Leben gerufen, auch bekannt als GAIN. Es handelt sich um eine gemeinsame Initiative der G7-Länder und der EU im Rahmen ihres Mandats, die verantwortungsvolle und effektive Einführung von künstlicher Intelligenz im öffentlichen Sektor voranzutreiben.

Wir haben das Glück, mit Impact Canada zusammenzuarbeiten, um die Challenge durchzuführen. Diese verfügen über umfangreiche Erfahrung in der Durchführung solcher Prozesse und haben uns enorm dabei geholfen, diese Challenge umzusetzen. Die Challenge wurde in vier Rapid Solution Labs durchgeführt, die vom 17. November 2025 bis zum 1. Dezember stattfanden, um skalierbare und verantwortungsvolle KI-Lösungen von berechtigten Teilnehmenden aus den G7 und der EU zu begleiten. Bis zu 10.000 kanadische Dollar konnten für die beste Lösung aus jedem G7-Land und aus der EU vergeben werden. Außerdem hatten wir zwei Jugendkategorien, eine für 13- bis 17-Jährige und eine für 18- bis 29-Jährige. Nach dem Bewertungsprozess und den Beratungen der Jury zur Bestimmung der Preisträger, lobenden Erwähnungen und Finalisten haben wir nun sieben Preisträger, wobei in drei dieser Kategorien kein Gewinner ausgewählt wurde. Insgesamt hat das Interesse der Öffentlichkeit und von GAIN gezeigt, dass die Challenge ein wirkungsvoller Weg war, potenzielle KI-Lösungen aus Kanada und den G7-Ländern zu sammeln.

Die Challenge basierte auf vier Problemstellungen, die wir zunächst mit einem Netzwerk kanadischer Kolleginnen und Kollegen aus Provinzen, Territorien und Kommunen entwickelt und dann gemeinsam mit unseren Partnern aus den G7 finalisiert haben. Vielen Dank an alle, die an diesen GAIN-Treffen teilgenommen haben, die zu diesen Challenge-Themen geführt haben. Die Herausforderungen reichten vom Informationsmanagement über die Navigation komplexer Regelwerke in Gesetzen, Richtlinien und Vorschriften bis hin zur Bestimmung der Ressourcenallokation in komplexen Regierungsprozessen und schließlich zu Kommunikationsbarrieren bei der Interaktion mit der Regierung.

Was unsere Jury betrifft, so hatten wir ein breites Spektrum internationaler Expertise aus den G7-Ländern, die als Juroren fungierten, Beiträge bewerteten und unsere besten Lösungen empfahlen. Diese Expertise umfasst Branchenführer, Regierungsvertreter, Akademiker und Fachleute mit Fachgebieten von der Umsetzung von KI im öffentlichen Sektor bis hin zu Governance und Ethik von KI und neuen Technologien. Unsere Juroren spielten eine zentrale Rolle bei der Steuerung dieses Prozesses. Die heute präsentierten Lösungen und Preisträger wurden anhand mehrerer Kriterien bewertet, darunter, ob sie einen positiven Nutzen für Bürgerinnen und Bürger und die Gesellschaft zeigen, ob die Lösungen interoperabel sind und ein klares Potenzial für systemübergreifende Integration aufweisen, ob der Ansatz klar erklärbar ist und ob die Lösung skalierbar ist. Außerdem wurde bewertet, inwieweit die Lösung skalierbar ist, um mehr Nutzende zu bedienen oder mit zusätzlichen Funktionen erweitert zu werden, ob sie für Menschen mit Behinderungen oder unterschiedlichen Bildungsniveaus zugänglich ist und ob sie eine gute Nutzbarkeit aufweist und Vorteile bei ihrer Implementierung zeigt. Wir freuen uns, heute mehrere dieser Juroren bei uns zu haben, und wir werden sehr bald von ihnen hören.

Nun machen wir weiter. Ein kurzer Überblick über die Agenda heute: Wir werden drei verschiedene Panels haben, und in jedem Panel werden Juroren die Preisträger der jeweiligen Kategorien vorstellen. Im ersten Panel haben wir Kanada, Japan und das Vereinigte Königreich. Nachdem alle diese Lösungen vorgestellt wurden, gibt es jeweils ein kurzes Video, damit Sie sehen können, was die Lösung ist und wie sie funktioniert. Danach folgt eine Diskussionsrunde mit Fragen und Antworten zwischen Juroren und Preisträgern. Anschließend gehen wir zu Panel zwei über, das die Alterskategorie 18 bis 29 sowie Deutschland umfasst, im gleichen Format. Und in Panel drei haben wir die Vereinigten Staaten und Italien, bevor wir die Sitzung abschließen. Ohne weitere Umschweife gehen wir nun zum Kern der Agenda über und zu dem, worauf alle heute gewartet haben. Für das japanische Jurorenteam und zur Vorstellung unseres Preisträgers aus Japan haben wir Kyoko Yoshinaga bei uns.

Kyoko ist Project Associate Professor an der Graduate School of Media and Governance der Keio University und Affiliate Scholar am Institute for Technology Law and Policy der Georgetown Law. Wir freuen uns sehr, sie hier begrüßen zu dürfen. Also, Kyoko, bitte.

Dawn, vielleicht übergebe ich an dich, damit du das Video ankündigst, sodass wir zumindest damit beginnen können, während wir die technischen Dinge klären.

Dawn Hall, 11:19

Hallo. Absolut. Ich beginne mit Japan, wie vorgeschlagen. Es freut mich sehr, heute Team 1902 vorzustellen, den ausgewählten Preisträger aus Japan, mit den Teammitgliedern Satoko Watanabe, Jinosuke Yamada, Yuzua Takeuchi und Noyuri Iizuka. Heute bei uns ist Satoko Watanabe.

Team 1902 wird für seine Lösung ausgezeichnet: Nutzung von Regierungsdaten zur Bekämpfung von Fehlinformationen. Die Lösung adressiert finanzielle Fehlinformationen, indem Diskussionen in sozialen Medien direkt mit offiziellen offenen Regierungsdaten verknüpft werden. Sie nutzt Retrieval-Augmented Generation, also RAG, und Vertex AI, um vertrauenswürdige Antworten auf Basis von Regierungsdokumenten bereitzustellen. Die Jury hielt das behandelte Thema für gesellschaftlich sehr wichtig und schätzte besonders, wie die Lösung mit autoritativen Regierungsquellen verbunden ist. Außerdem wurden die verantwortungsvollen KI-Maßnahmen gewürdigt – von der Verankerung in offiziellen Dokumenten über das Nicht-Speichern von Nutzerprofildaten bis hin dazu, dass die Lösung Antworten verweigert. Lassen Sie uns mehr über die Lösung erfahren.Team 1902 - Video Demonstration, 12:44

[Satoko Watanabe]

Hallo, wir sind Team 1902. Heute möchten wir unseren Vorschlag vorstellen: GovGov, Government Data Utilization for Combating Misinformation. Hier ist unser Team. Wir sind Studierende der Waseda University in Japan. Wir gehören alle dem Debattierclub der Waseda an, und als neue Herausforderung haben wir beschlossen, an einem Hackathon teilzunehmen.

Die Herausforderung, die wir angehen möchten, ist Problem Nummer vier. Bürgerinnen und Bürger haben sehr unterschiedliche Kommunikationsbedürfnisse, und Interaktionen mit der Regierung können schwierig und frustrierend sein und bestehende Barrieren verstärken. In der heutigen digitalen Landschaft sind Fehlinformationen allgegenwärtig. Wir haben ein kritisches Problem identifiziert: die Verbreitung unkorrigierter falscher Informationen, die faktenbasierte Diskussionen behindert. Um eine gesunde Demokratie zu schützen, müssen wir zwei Säulen etablieren: einen Mechanismus für Echtzeit-Faktenprüfung in sozialen Medien und einen vereinfachten Zugang zu autoritativen Daten.

Zum Beispiel kursieren Gerüchte wie: „Was sollen wir tun, wenn das Problem der illegalen Einwanderung wegen Zika zunimmt?“ oder „Offenbar ist es für Ausländer einfacher, Sozialleistungen zu erhalten.“ häufig auf X. Nutzer versuchen oft, diese Behauptungen mithilfe von KI-Tools zu überprüfen. Doch diese Systeme liefern häufig ungenaue Ergebnisse. Dies führt zu polarisierten, unproduktiven Debatten, die von der Realität losgelöst sind. Außerdem verlassen sich immer mehr Nutzer auf generative KI als primäre Suchmaschine. Diese Modelle greifen jedoch häufig auf unzuverlässige Quellen wie persönliche Blogs oder KI-generierte Inhalte zurück, was die Integrität des öffentlichen Diskurses beeinträchtigt.

Wie stellen wir also einen konstruktiven Dialog wieder her? Die Antwort liegt in der Bereitstellung von Informationen mit hoher Integrität. Die Regierung muss eine proaktive Rolle bei der direkten Kommunikation mit der Öffentlichkeit übernehmen. Ein echtes Government-to-Citizen-Kommunikationsmodell. Damit diese Informationen wirksam sind, müssen sie sowohl umfassend als auch präzise sein. Japans administrative Programmprüfungsblätter stellen die einzige offizielle ministerienübergreifende Datenbank dar, die alle budgetierten Projekte abdeckt. Aufgrund ihrer Vollständigkeit und Verlässlichkeit haben sie ein enormes Potenzial als Plattform zur Bekämpfung von Fehlinformationen.

Um diese Ressource zu nutzen, haben wir zwei Produkte entwickelt, die in die Prüfungsblätter integriert sind: GovGov, ein in X integrierter Bot, und GovGov Web, eine webbasierte KI-Chat-Oberfläche.

Zunächst stelle ich GovGov vor, den offiziellen Faktenprüfungs-Bot der Regierung. Wenn ein Nutzer auf verdächtige Informationen in sozialen Medien stößt, erwähnt er einfach @GovJapan, um eine Überprüfung anzufordern. Der Bot identifiziert die relevantesten administrativen Projekte aus den Prüfungsblättern und speist deren spezifische Daten in ein LLM ein. Dieses RAG-System stellt sicher, dass die Ausgabe strikt auf offiziellen Fakten basiert. Als Nächstes kommt GovGov Web. Derzeit stehen Bürgerinnen und Bürger vor einem Dilemma: Manuelle Websuchen sind mühsam, während generative KI-Antworten nicht vertrauenswürdig sind. GovGov Web löst dieses Problem, indem es eine Vorschlagsfunktion für vage Anfragen bietet und seine Wissensbasis ausschließlich auf Regierungsdokumente beschränkt, was maximale Zuverlässigkeit gewährleistet. Bitte sehen Sie sich diese einminütige Demonstration an.

Hier stellt der Nutzer eine Frage zu Besuchen des Ministry of Economy and Trade und die KI beantwortet die Frage. Das ist GovGov Web, und der Nutzer fragt nach dem Budget der Digital Agency in Japan. Während wir GovGov und GovGov Web als erste Prototypen gestartet haben, glauben wir, dass zwei weitere Schritte notwendig sind, um die Regierungs-kommunikation zu modernisieren. Erstens: KI-SEO-Optimierung und Implementierung eines MCP-Servers, um Regierungsdaten maschinenlesbar zu machen. Zweitens: Zentralisierung öffentlicher Aufzeichnungen, indem Gesetze und Sitzungsprotokolle in einer einzigen Quelle der Wahrheit für Chat-Antworten integriert werden.

Unsere Vision ist letztlich eine Gesellschaft, in der Bürgerinnen und Bürger gemeinsam effektive Politiken unterstützen und konstruktiv jene kritisieren können, die Verbesserungen benötigen.

Durch die Nutzung der Prüfungsblätter als Grundlage für faktenbasierte Diskussionen möchten wir eine Konsensbildung fördern, die soziale Spaltungen überwindet. Vielen Dank fürs Zuhören bei unserer Präsentation.

Kara Beckles, 18:29

Vielen Dank für das Video. Wir gehen jetzt weiter, und entschuldigen Sie die technischen Probleme, aber wir gehen nun zu Kyoko für einige Kommentare.

Dawn Hall, 18:38

Ich möchte Kyoko Yoshinaga wieder begrüßen, um einige Anmerkungen zum Preisträger aus Japan, Team 1902, für ihre Lösung Government Data Utilization for Combating Misinformation zu geben. Kyoko, bitte.

Kyoko Yoshinaga, 18:54
Vielen Dank, Dawn. Es war mir eine Freude, als Jurorin bei dieser Veranstaltung mitzuwirken. Im Namen der Jury freue ich mich, die vom Preisträger aus Japan vorgeschlagene Lösung vorzustellen – Team 1902, vertreten durch Miss Satoko Watanabe – und einige Kommentare zu teilen.

Die Lösung von Team 1902, GovGov, verfolgt einen praxisnahen Ansatz zur Bekämpfung von Fehlinformationen im Zusammenhang mit öffentlichen Haushalten, indem Diskussionen in sozialen Medien direkt über einen KI-Agenten mit offiziellen Regierungsdaten verknüpft werden. Durch einfaches Markieren eines Bots können Nutzer Behauptungen auf eine intuitive und zugängliche Weise überprüfen. Was die Jury besonders beeindruckt hat, war genau diese Benutzerfreundlichkeit. Während verschiedene Ansätze zur Bekämpfung von Fehlinformation und Desinformation wie digitales Watermarking, Herkunftsverifikation und Blockchain-basierte Lösungen erforscht werden, konzentriert sich dieser Vorschlag auf ein nutzerzentriertes Design, das die Verifizierung für Bürgerinnen und Bürger einfach macht.
Insgesamt betrachtete die Jury dies als eine starke Anwendung zur Bewältigung einer wichtigen gesellschaftlichen Herausforderung. Das Modell ist durchdacht auf offiziellen Regierungsinformationen aufgebaut, und das Konzept ist sowohl innovativ als auch gut ausgearbeitet, mit klarem Potenzial für globale Anwendbarkeit. Gleichzeitig könnte eine weitere Entwicklung die Lösung stärken, zum Beispiel durch detailliertere Angaben dazu, wie unterschiedliche Datenformate wie PDFs, Tabellen oder strukturierte Datenbanken in der Praxis verarbeitet werden würden. Wichtig ist, dass der Kernansatz – potenziell irreführende Behauptungen zu identifizieren und sie mit staatlich validierten Daten zu überprüfen – robust ist und die Einfachheit der Nutzerinteraktion eine klare Stärke darstellt. Auch in Bezug auf die GovGov Web-Oberfläche hilft sie Nutzern, vage Fragen zu präzisieren, während gleichzeitig sichergestellt wird, dass die Antworten auf offiziellen Regierungsinformationen basieren, und stellt einen hilfreichen Schritt dar, um das Tool noch zugänglicher zu machen.

Es war auch besonders beeindruckend zu erfahren, dass dieser Vorschlag nach der Bewertung von nicht-technischen Studierenden entwickelt wurde. Das zeigt, dass auch Personen ohne technischen Hintergrund sinnvoll mit KI arbeiten und in diesem Bereich Initiative ergreifen können. Mit zusätzlicher technischer Expertise könnte diese Lösung weiter verfeinert und skaliert werden, auch in einer Weise, die eine breitere globale Nutzung unterstützt. Natürlich hängt ein solches System letztlich davon ab, dass Regierungen genaue, transparente und gut gepflegte öffentliche Daten bereitstellen. Wo diese Grundlage vorhanden ist, können Werkzeuge wie dieses eine wichtige Rolle bei der Unterstützung eines informierten öffentlichen Diskurses spielen. Herzlichen Glückwunsch noch einmal an Team 1902! Wir freuen uns darauf zu sehen, wie sich diese Lösung weiterentwickelt. Vielen Dank.

Dawn Hall, 22:28
Großartig. Vielen Dank. Ich freue mich nun, das Loganberry Team vorzustellen, den ausgewählten Preisträger aus dem Vereinigten Königreich, mit den Teammitgliedern Qian Huang, Nigel Cullumbine, Tor Gisvold und Ana Ohde. Heute bei uns ist Qian Huang. Das Loganberry Team wird für seine Lösung „The Future of Resource Planning“ ausgezeichnet. Die Lösung nutzt Process Mining, um routinemäßige administrative Krankenhausdaten in umsetzbare Erkenntnisse zu verwandeln.
Diese Erkenntnisse können von Krankenhausmanagern und politischen Entscheidungsträgern genutzt werden, um die Ressourcenallokation zu verbessern und Wartezeiten in Krankenhäusern zu reduzieren. Die Jury konnte erkennen, wie wertvoll das Tool sein könnte, und hielt es für nützlich, um ein sehr wichtiges aktuelles Problem mithilfe von Data Science anzugehen. Die Jury hob auch die Qualität der technischen Architektur hervor und zeigte Interesse daran, mehr über die Skalierbarkeit über verschiedene Zuständigkeitsbereiche hinweg zu erfahren. Herzlichen Glückwunsch an das Loganberry Team! Lassen Sie uns nun mehr über die Lösung erfahren.

Loganberry Team - Video Demonstration, 23:38

[Ana Ohde] Ich bin Ana Ohde, Gesundheitsökonomin. Ich stelle sicher, dass unsere Lösung messbaren wirtschaftlichen Nutzen und nachhaltige Wirkung auf Bevölkerungsebene liefert.
[Nigel Cullumbine] Ich bin Nigel Cullumbine, Chief Operating Officer. Mit über 20 Jahren Erfahrung in Führung im Gesundheits- und Pflegebereich, einschließlich Rollen als CIO und COO, spezialisiere ich mich darauf, operative Herausforderungen in praktische digitale Lösungen zu übersetzen.
[Tor Gisvold] Hallo, ich bin Tor Gisvold, CTO. Ich leite unsere Technologiestrategie, und meine Aufgabe ist es, sichere, skalierbare AI-first- und cloud-first-Plattformen zu entwickeln.
[ZhiQian Huang] Ich bin ZhiQian Huang, CEO und Mitgründer. Mein Hintergrund liegt im operativen Krisenmanagement im NHS, und ich habe den Einsatz von Process Mining vorangetrieben, um Einblicke in Patientenflüsse über Gesundheitssysteme hinweg zu gewinnen.
[Text on screen that is not spoken]
Gemeinsam vereinen wir operative, technische und wirtschaftliche Expertise, um eine Operational-Intelligence-Schicht aufzubauen, die Regierungen hilft, Ressourcen effektiver zuzuweisen.
[Unnamed narrator] Die G7-Challenge erkennt die Schwierigkeit an, vor der Regierungen stehen, wenn sie Bedürfnisse vorhersagen und Ressourcen in komplexen Systemen effektiv zuweisen müssen. Im Notfall-Gesundheitswesen ist diese Herausforderung täglich sichtbar.
Krankenhäuser müssen begrenztes Personal, Raum und Ausstattung in Echtzeit einsetzen. Dennoch bleiben Entscheidungen weitgehend reaktiv und basieren oft auf individueller Erfahrung statt auf nachfragebasierter operativer Intelligenz, die mit messbaren Ergebnissen verknüpft ist. Unsere Lösung zielt darauf ab, dieses Problem zu lösen.
[Text on screen that is not spoken]
Process Mining /Substantivphrase/ Eine datengetriebene analytische Methode zur Entdeckung, Überwachung und Verbesserung von Geschäftsprozessen durch Extraktion und Analyse von Wissen aus Ereignisprotokollen in IT-Systemen.
[Unnamed narrator] Mit Process Mining können wir jeden Patientenfluss innerhalb von Sekunden individuell analysieren – etwas, womit traditionelle Analytik Schwierigkeiten hat. Unser proprietärer Ansatz zur Kategorisierung dieser Flüsse in strukturierte Routen bildet die Grundlage für intelligente Ressourcenplanung. Als Beispiel konnten wir einer Notaufnahme helfen zu erkennen, dass Verzögerungen bei der Blutverarbeitung tatsächlich auf die Verfügbarkeit von Transportdiensten zurückzuführen waren und nicht auf Laborkapazitäten.
[Text on screen that is not spoken]
Wie können alle Krankenhäuser auf diese Erkenntnisse zugreifen?
[Unnamed narrator] Loganberry, unser KI-Begleiter, ermöglicht es operativen Teams, diese Erkenntnisse in natürlicher Sprache abzufragen. Loganberry ist auf jedes Krankenhaus und seine Nutzer zugeschnitten. Es ist benutzerfreundlich, unabhängig von deren digitalem Reifegrad und Analysefähigkeiten. Es kombiniert strukturierte Flussdaten, Standardarbeitsverfahren der Krankenhäuser, nationale Richtlinien und lokale Kontextinformationen, ohne dass Nutzer Dashboards interpretieren müssen.
Wir haben außerdem Feedback der Jury integriert, indem wir die Erklärbarkeit und verantwortungsvolle KI-Leitplanken gestärkt haben. Zudem haben wir Sprachbarrieren für die weltweite Einführung entfernt.
Die KI-Antworten sind nun kontextbewusst und können ihre Begründung klar darstellen. Unsere KI ist so konfiguriert, dass sie innerhalb ihres Anwendungsbereichs antwortet; wenn eine Frage außerhalb dieses Bereichs oder der Wissensbasis liegt, antwortet sie nicht. Sie ersetzt nicht menschliches Urteilsvermögen – sie unterstützt es. Process-Mining-Daten werden vom Krankenhaus vor der Verarbeitung anonymisiert, sodass Patientenidentitäten verborgen bleiben. Und unser Intelligence-Modul sammelt oder verarbeitet keine identifizierbaren Patientendaten.
Wir haben mit einem Enterprise-Technologieanbieter zusammengearbeitet, der uns vollständige Kontrolle über unseren Software-Stack und die Datenresidenz gibt und so die Einhaltung nationaler Gesetzgebung einschließlich GDPR und des EU AI Act ermöglicht. Die Architektur ist sicher und cloud-native und arbeitet derzeit in großem Maßstab in einer regulierten Branche. Das gibt uns die Zuversicht, von einem einzelnen Krankenhaus auf eine nationale Implementierung zu skalieren, während Governance, Sicherheit und Compliance gewährleistet bleiben.
[Text on screen that is not spoken]
Wie können Krankenhäuser Erkenntnisse nutzen, um die Ressourcenallokation zu verbessern?
[Unnamed narrator] Seit unserer ursprünglichen Einreichung haben wir einen Prototyp für operative Echtzeit-Intelligenz entwickelt.
Dieses Modul ermöglicht es Mitarbeitenden, operative Probleme in Echtzeit zu erfassen, mit KI-Unterstützung, um Kontext konsistent festzuhalten, statt sich auf fragmentierte Nachrichten oder informelle Übergaben zu verlassen. Unsere Lösung verknüpft jedes Problem mit seinen potenziellen Auswirkungen auf den Patientenfluss. Dies ist das erste Mal, dass erprobtes operatives Wissen darüber, wie Krankenhäuser im Alltag tatsächlich geführt werden, in strukturierter Form für Führungsteams erfasst wird. Unsere Lösung gibt Vorschläge dazu, was vor der Mobilisierung zusätzlicher Ressourcen berücksichtigt werden sollte. Das schafft Transparenz und reduziert die kognitive Belastung beim Management komplexer Echtzeit-Betriebsabläufe.
Die KI schlägt einen Status für die Krankenhäuser vor, der hinterfragt werden kann, sodass die Führungskräfte die Kontrolle behalten.
Dies ist die Prototyp-Architektur für den Produktionseinsatz. Enterprise-Kontrollen und eine Intelligence-Schicht werden hinzugefügt, einschließlich Authentifizierung, Governance, Process-Mining-Modelle, Wissensintegration und erklärbarer KI. Diese operative Intelligenz ist darauf ausgelegt, in die Loganberry-Intelligence-Schicht einzufließen und Erkenntnisse mit realem Kontext zu stärken. Da sie auf zeitgestempelten Betriebsdaten und konfigurierbaren Datenresidenzmodellen basiert, kann sie sicher über verschiedene Zuständigkeitsbereiche hinweg eingesetzt werden. Sie wird nun widerspiegeln, wie jedes Krankenhaus lokal tatsächlich funktioniert.
[Text on screen that is not spoken]
Erfasst operativen Kontext
Verknüpft Probleme mit Auswirkungen auf den Ablauf
Verfolgt wahrgenommene vs. tatsächliche Auswirkungen
Reduziert kognitive Belastung auf Vorstandsebene
Kodifiziert implizites operatives Wissen
Vielen Dank, Canada!
Merci, Canada!

30:05 Hervorragend. Vielen Dank. Und entschuldigen Sie bitte, wir haben derzeit einige Schwierigkeiten mit einigen unserer Juroren und arbeiten daran, sie wieder auf den Bildschirm zu bringen. Aber fürs Erste werde ich wieder an Dawn übergeben, die das Video für Canada ankündigen wird.

Dawn Hall, 30:28
Hallo, danke noch einmal Kara. Ich freue mich, Innervation vorzustellen, den ausgewählten Preisträger aus Canada, mit den Teammitgliedern Jameson Jones Doyle, Tyler Kolody und Jonathan Nuss. Heute bei uns ist hoffentlich Jameson Jones Doyle. Innervation wird für seine Lösung ausgezeichnet, ein Multi-Agenten-KI-System zur Erkennung von Bias für zugängliche Regierungs-kommunikation, das Bias in Regierungs-kommunikation in Echtzeit erkennt und entfernt.
Es nutzt KI, um Texte wie Dokumente oder KI-Ausgaben zu entbiasen und kann auf jede Art von Bias erweitert werden. Die Jury schätzte besonders die technische Entwicklung des Tools und wie ausgereift es bereits ist. Sie sah großes Wirkungspotenzial und lobte den verantwortungsvollen KI-Ansatz, insbesondere den Fokus auf Transparenz und Bias. Herzlichen Glückwunsch an Team Innervation, den ausgewählten Preisträger für Canada. Lassen Sie uns mehr über die Lösung erfahren.
Sophie Fallaha, 31:41
Guten Morgen, guten Tag oder guten Abend an alle. Mein Name ist Sophie Fallaha. Ich bin CEO von CEIMIA, dem internationalen Kompetenzzentrum für KI in Montreal. Es war mir eine Ehre und ein Privileg, als Jurorin bei der G7 Gov AI Grand Challenge für Canada mitzuwirken.
Ein Privileg, so viele Talente zu sehen, die sich mit dringenden Problemen auseinandersetzen und die Einführung von KI im öffentlichen Sektor verbessern wollen. Heute freue ich mich sehr, die Preisträger aus Canada, Innervation, vorzustellen und im Namen meiner Mitjuroren einige Worte zu sagen. Innervation ist ein Multi-Agenten-KI-System, das Bias in Regierungs-kommunikation in Echtzeit erkennt und entfernt. Es ist derzeit für Bias im Zusammenhang mit Behinderungen konfiguriert und nutzt Best-Practice-Leitfäden zur Bias-Erkennung. Es arbeitet an drei Interventionspunkten. Erstens: Analyse und Entbiasing von von Nutzern eingereichten Dokumenten. Dann: Prüfung von Nutzeranfragen an KI-Systeme vor der Verarbeitung. Und schließlich: Entbiasing von KI-generierten Antworten vor der Auslieferung. Es verfügt über spezialisierte Kritik-Agenten, die problematische Sprache identifizieren und entbiaste Alternativen mit detaillierten Erklärungen bereitstellen.
Es hat Potenzial für reale Anwendungen, einschließlich Entbiasing von öffentlich zugänglicher KI, inklusiver Kommunikation, kulturell sensibler Servicebeschreibungen und barrierefreier Korrespondenz. Zu beachten ist, dass detaillierte Definitionen für jede Änderung und jede Entbiasing-Maßnahme mit allen entbiasierten KI-Ausgaben, Dokumenten und Nutzeranfragen bereitgestellt werden. Einige wichtige Erfolgsfaktoren und Differenzierungsmerkmale von Innervation waren, dass es erstens ein praktisches und technisches Werkzeug für eine wichtige Herausforderung bereitstellt – die Verbesserung von Inklusion durch die Bekämpfung von Bias in Modellen und Ausgaben. Wir haben die sehr starke technische Reife im Umgang mit Multi-Agenten-KI-Systemen sowie einen klaren und überzeugenden Dokumentationsansatz festgestellt. Diese Transparenz bildet die Grundlage für einen durchdachten Umgang mit Bias sowie für Prinzipien verantwortungsvoller und vertrauenswürdiger KI.
Mit Blick auf die nächsten Schritte würden wir uns wünschen, dass Innervation in folgenden Bereichen weiter wächst. Erstens: Klarstellung des Interoperabilitätspotenzials, also eine stärkere Demonstration, wie die Lösung mit bestehenden Systemen und Technologien zusammenarbeiten kann, einschließlich der Ausrichtung an politischen und rechtlichen Rahmenbedingungen. Dies würde zu einem stärkeren Skalierungspotenzial in anderen G7-Jurisdiktionen führen. Zweitens: Klärung der Metriken und Prozesse zur Bewertung der Ergebnisse und der Wirksamkeit der Lösung. Dies würde ein klareres Bild der Bewertungsmethode liefern und das Vertrauen sowie die Sicherheit in die Ergebnisse erhöhen und Innervation besser für eine Skalierung im Markt positionieren. Abschließend: Herzlichen Glückwunsch an Innervation für seine ausgereifte und gut dokumentierte Lösung mit starkem Fokus auf Transparenz und Bias.
Wir freuen uns sehr auf die nächsten Schritte und darauf, Ihr weiteres Wachstum zu sehen. Vielen Dank.

Innervation - Video Demonstration, 34:51
Mein Name ist Jameson Jones-Doyle. Ich bin CEO von Axon Technologies und seit über einem Jahrzehnt Unternehmer und spezialisiert auf fortschrittliche Technologien, die Menschen und den Gemeinschaften, denen sie angehören, helfen, bessere Ergebnisse zu erzielen.
[Jonathan] Hallo, mein Name ist Jonathan Nuss. Ich bin Mitgründer von Axon Technologies, dem Unternehmen hinter Innervation, und war von Anfang an zusammen mit Tyler und Jameson an der rechtlichen und unternehmerischen Strategie dieses Vorhabens beteiligt. Was mich von Anfang an am meisten begeistert hat, war der Fokus von Innervation auf Multi-Agenten-Systeme und die Möglichkeit, diese Technologie so einzusetzen, dass Systeme transparenter, fairer und letztlich besser für unsere Gesellschaft werden.
[Tyler] Hallo, mein Name ist Tyler Kolody. Ich bin Gründer und CTO von Axon Technologies, den Entwicklern des Innervation Multi-Agent-Frameworks, das wir hier sehen. Für die GovAI Grand Challenge haben wir uns auf Problem 4 konzentriert, nämlich dass Bürgerinnen und Bürger sehr unterschiedliche Kommunikationsbedürfnisse haben und Interaktionen mit der Regierung bestehende Barrieren verstärken können. Entwickeln Sie eine Lösung, um mit Menschen so zu kommunizieren, dass sie für eine breite Palette von Sprachen, Kulturen und Fähigkeiten zugänglich ist.
Als überwiegend von Menschen mit Behinderung geführte Organisation war das etwas, das wir sehr gerne angehen wollten. Wir konzentrieren uns auf ableistische Sprache und das Entfernen von Bias in Regierungsmaterialien. Wir hoffen, es für Regierungsstellen einfacher und effektiver zu machen, Materialien zu erstellen, die inklusiv sind, und dies so zu gestalten, dass es überprüfbar und transparent ist, sodass es im Laufe der Zeit angepasst, korrigiert und verbessert werden kann, ohne die Behörden übermäßig zu belasten.
Um zu beginnen, machen wir jetzt einen kleinen Testlauf. Derzeit gibt es drei verschiedene Konfigurationen bzw. Standards, anhand derer gemessen wird, aber diese können gegen andere Sprachen, andere Standards oder sogar gegen einen Fokus auf Rassismus statt Ableismus oder jede andere Art von Bias ausgetauscht werden.
Dies wird auf vier verschiedene Agenten verteilt, die wir hier sehen können, wobei jeder für einen der Standards verantwortlich ist oder für den Framing-Agenten, der keinen spezifischen Standard hat, sondern sich die übergeordnete Darstellung und die Annahmen im Text ansieht, die auf hoher Ebene ableistisch sein könnten. All dies wird dann in diesem Agenten zusammengeführt, der auch programmatische Validierungsschritte enthält. Diese können zwar Ableismus nicht direkt erkennen, aber sie können überprüfen, ob die Ausgabe die richtige Struktur hat und passende Inhalte enthält. Dadurch wird sichergestellt, dass die vorherigen Eingaben der oberen Agenten in die Ausgabe einfließen oder daran angehängt werden und dass die Ausgabe ein bestimmtes Format und eine Struktur hat, die leicht zu analysieren und zu verstehen ist.
Wir sehen, dass der Prozess gerade läuft. Derzeit werden die vorherigen Ausgaben an die finale Ausgabe angehängt, bevor in ein oder zwei Minuten die endgültige Antwort gegeben wird. Jeder Schritt dieses Prozesses ist vollständig überprüfbar, vollständig transparent. Es gibt keine Abstraktion oder Verschleierung, und das ist im Grunde der Kern dessen, was Innervation einzigartig macht. Wir sind der festen Überzeugung, dass KI nicht überall eingesetzt werden sollte. Sie sollte dort eingesetzt werden, wo sie sinnvoll ist, und sie sollte den Nutzer stärken. Selbst wenn sie viel Arbeit übernimmt und sehr automatisiert ist, müssen der Nutzer und diejenigen, über die der Nutzer Entscheidungen trifft, im Design an erster Stelle stehen.
Wir sehen jetzt, dass der Prozess abgeschlossen ist, und er ist beim ersten Versuch tatsächlich an der Validierung gescheitert. Wir können sehen, dass eine Validierungsfehlermeldung auftrat und sich das System dann korrigiert hat und beim nächsten Versuch erfolgreich war, was genau das ist, was wir sehen wollen.
Aus technischer Sicht verwenden wir Django, Docker und Kubernetes für unser Backend, und React ist unser Frontend. Nutzer oder Kunden müssen jedoch nicht unser Frontend verwenden. Wir verfügen über eine umfassende REST API und Dokumentation, die in unserem eigenen Frontend genutzt wird, aber auch für Kunden offen zugänglich ist. Während wir also Funktionen wie große Schrift oder Farbblind-Modi anbieten, die sehr hilfreich sind, kann die Lösung auch problemlos in bestehende Schnittstellen integriert werden. Wir holen den Kunden und den Nutzer dort ab, wo sie stehen – wir verlangen nicht, dass sie zu uns kommen.
Die Lösung ist vollständig interoperabel. Sie können auch jedes gewünschte Modell oder jeden Anbieter auswählen oder Open-Source-Modelle verwenden, was eine vollständige Anpassung ermöglicht. Das ist besonders wichtig für datenschutzorientierte Anwendungen. Auch wenn diese Anwendung nicht unbedingt darauf ausgerichtet ist, muss die Regierung oft Nutzerdaten schützen, und wir können dem gerecht werden.
Wir hoffen, dass dies die Arbeit der Regierung effizienter macht, denn Effizienz hat viele Dimensionen in einer demokratischen Institution. Für die kanadische Regierung ist es entscheidend, alle Bürgerinnen und Bürger zu erreichen. Es darf keine Bevölkerungsgruppe geben, mit der die Kommunikation erschwert wird. Wir hoffen, dass dies dazu beiträgt, standardmäßig inklusivere Sprache zu verwenden und inklusiver zu arbeiten. Was die nächsten Schritte betrifft: Auch wenn es vielleicht ehrgeizig klingt – vor drei Jahren war auch das noch eine Vision, und jetzt sind wir hier.
Es wäre ein Traum, wenn diese Lösung auf der Ebene von MPs und ihren Wählerinnen und Wählern eingesetzt würde, um es MPs zu erleichtern, sowohl zu verstehen, was die Anliegen ihrer Gemeinschaften sind, als auch die individuellen Probleme einzelner Personen herauszufiltern. Natürlich anonymisiert, aber so, dass sowohl die Gesamtperspektive als auch individuelle Perspektiven in einer demokratischen Institution sichtbar werden. Um das zusammenzufassen, sehen wir hier, dass die Ausgabe genau so ist, wie wir es wollen. Wir haben den Originaltext, eine detaillierte Analyse und Risikobewertung jeder vorgenommenen Änderung und schließlich den entbiasierten Inhalt, der nach menschlicher Überprüfung verwendet werden kann. Vielen Dank fürs Zuhören, und ich hoffe, Sie sind genauso gespannt wie wir, diese Zusammenarbeit fortzusetzen.

Kara Beckles, 42:35
Gut, großartig. Ich denke, wir werden nun zu Kyoko übergehen, um ein paar Fragen an unsere Finalisten zu stellen.
Kyoko Yoshinaga, 42:42
Ja. Also, Satoko, noch einmal herzlichen Glückwunsch. Ich würde Sie gerne fragen, was Sie dazu motiviert hat, an dieser Grand Challenge teilzunehmen?
Satoko Watanabe, 42:58
Vielen Dank für die Frage. Wir haben uns entschieden, an der Grand Challenge teilzunehmen, weil wir glauben, dass derzeit ein Paradigmenwechsel in der Produktentwicklung stattfindet. Unser Team besteht aus Mitgliedern eines universitären Debattierclubs, also offensichtlich keine Ingenieure. Allerdings haben der Aufstieg von KI-Coding-Tools und die weit verbreitete Nutzung intuitiver GUI-basierter Cloud-Dienste die Einstiegshürden so weit gesenkt, dass auch Menschen wie wir ohne spezielles technisches Wissen in die Produktentwicklung einsteigen können. Durch die Teilnahme an der Grand Challenge wollten wir zeigen, dass die Zeit der Ausreden wie „Ich bin nicht technisch“ oder „Ich bin kein Experte“ vorbei ist. Wir hatten das Gefühl, dass diese Challenge die perfekte Bühne ist, um der Welt diese Möglichkeit zu zeigen.

Kyoko Yoshinaga, 43:44

Das ist großartig und sehr beeindruckend. Vielen Dank fürs Teilen. Ich wollte auch Jameson dieselbe Frage stellen. Dawn, hast du seine Antwort?
Dawn Hall, 44:00
Jameson, mit wem würdest du in Zukunft gerne zusammenarbeiten?
Jameson Jones Doyle, 44:10

Wir würden gerne mit großen Organisationen zusammenarbeiten, die einen breiten Einfluss auf Gemeinschaften und die Menschen haben, die sie bedienen. Dazu gehören die Regierungen der G7 sowie regionale und kommunale Verwaltungen, aber auch Banken, Medien, Universitäten und große Arbeitgeber. Wir glauben, dass wir durch die Reduzierung von ableistischem Bias – und künftig von Bias jeder Art – dazu beitragen können, übergreifende Barrieren zu verringern, die einen bedeutenden Teil der Bevölkerung betreffen.
Dawn Hall, 45:03

Zweite Frage: Was hat dich dazu bewegt, an der Grand Challenge teilzunehmen?

Jameson Jones Doyle, 45:09

In den letzten drei Jahren haben wir das entwickelt, was unseres Wissens nach Kanadas fortschrittlichstes Multi-Agent-Framework ist. Diese Anwendung der Technologie war besonders wirkungsvoll, weil sie das Potenzial hat, eine entscheidende und allgegenwärtige Barriere zu beseitigen, die einen großen Teil der Bevölkerung betrifft. Konkret geben 27 % der Kanadier an, eine Behinderung zu haben, und statistisch gesehen wird jeder Mensch irgendwann in seinem Leben eine Form von Behinderung erleben. Die Grand Challenge war die perfekte Plattform, um zu zeigen, wie Multi-Agent-Systeme tiefgreifende Probleme lösen können, und wir sind unglaublich stolz darauf, als Gewinner dieses Wettbewerbs ausgewählt worden zu sein.
Dies wird hoffentlich die notwendige Bestätigung und Dynamik liefern, um sicherzustellen, dass diese Technologie die Wirkung entfaltet, für die sie entwickelt wurde. Vielen Dank für Ihr Vertrauen in uns und dafür, dass Sie helfen, ableistischen Bias in der Regierung und darüber hinaus zu reduzieren.

Dawn Hall, 46:57
Großartige Antwort. Vielen Dank, Jameson. Danke. Gut.
Kara Beckles, 47:01
Ja, vielen Dank an Jameson. Und jetzt gehen wir zu Mallory, ob Sie noch etwas ergänzen möchten, da Sie nicht die Gelegenheit hatten, Qians Video vorzustellen, bevor Sie ein paar eigene Fragen stellen.
Mallory Durran 47:18

Sehr gerne. Qian und das Team von Loganberry haben ein wirklich beeindruckendes Tool entwickelt, und ich denke, was sie für die Jury besonders hervorgehoben hat, ist, dass sie dies gemeinsam mit den tatsächlichen Entscheidungsträgern und dem operativen Personal an der Front umgesetzt haben, die es nutzen werden. Viele Anwendungen, die wir uns vorstellen können, klingen in der Theorie großartig, aber erst wenn sie tatsächlich in Systeme integriert werden – was aus Sicht von Sicherheit und Compliance schwierig ist – erkennen wir, was wirklich erforderlich ist. Daher ist es unglaublich beeindruckend, all diese noch in Entwicklung befindlichen Arbeiten zu sehen. Ich habe noch eine letzte Frage, glaube ich: Das sind offensichtlich Projekte, in die viel Zeit und Aufwand geflossen ist, aber sie sind dennoch noch in Entwicklung. Qian, wenn ich mit Ihnen beginnen darf: Was möchten Sie mit dem, was Sie aufgebaut haben, noch erreichen, das Sie vielleicht noch nicht gelöst haben oder das sich noch in Entwicklung befindet?
Qian Huang, 48:21
Ich habe über ein Jahrzehnt lang als Managementberater NHS-Organisationen in Krisensituationen unterstützt, und in dieser Zeit wurde ich in Organisationen geholt, um Turnaround-Programme durchzuführen, aber innerhalb eines Jahres wurde ich wieder zurückgerufen. Mir wurde klar, dass es nicht an mangelndem Engagement des Personals oder der Führung lag. Es wurde deutlich, dass das System einfach nicht in der Lage war, aus seinen eigenen operativen Erfahrungen zu lernen. Seitdem habe ich die Beratung verlassen und mir selbst eine Herausforderung gestellt: Datenanalyse und Technologie zu nutzen, um Gesundheitsorganisationen zu helfen.
Erstens: ihre Abläufe grundlegend anders zu verstehen, und zweitens: Verbesserungen nachhaltig zu sichern. Ich hatte großes Glück, denn meine Reise begann mit großartigen Menschen. Wir haben den Einsatz von Process Mining im NHS vorangetrieben und Einblicke in Patientenflüsse über verschiedene Versorgungsbereiche hinweg gewonnen, darunter Notfallversorgung, elektive Versorgung, psychische Gesundheit und Bevölkerungsmedizin. Wir konnten unseren Ansatz bei verschiedenen NHS-Organisationen validieren, und unser nächster Schritt war die Skalierung. Dabei wurde mir klar, dass Gesundheitssysteme oft nicht die Möglichkeit haben, spezialisierte Technologien einzuführen, da diese lange Implementierungszeiten und hohe Kosten erfordern. Daher haben wir uns ein neues Ziel gesetzt: Wir wollten, dass medizinische Teams schnell und kosteneffizient über natürliche Sprache auf Einblicke in Patientenflüsse zugreifen können.
Das haben wir nun erreicht. Wir haben die Zeit von Daten zu Erkenntnissen von sechs Monaten auf sechs Wochen reduziert. Nach der Implementierung kann nun jedes Personalmitglied, ob klinisch oder nicht-klinisch, unsere Lösung nutzen, um ohne Schulung spezifische Erkenntnisse für seine Rolle zu gewinnen. Aber wir wissen, dass es hier nicht endet. Wenn unser Ziel nachhaltige Verbesserungen sind, brauchen wir etwas, das aus operativen Entscheidungen lernt. Deshalb wurde unser neuester Prototyp so entwickelt, dass er das operative Wissen erfasst, analysiert und übersetzt, das Mitarbeitende täglich nutzen, um ihre Abteilungen zu steuern. Zum Beispiel die Auswirkungen von Abläufen auf Störungen, Patientenankünfte und Personalbesetzung. Solches Wissen wird selten dokumentiert oder analysiert, ist aber entscheidend für Entscheidungen.
Stellen Sie sich vor, Sie hätten alle operativen Signale und deren Auswirkungen auf den Patientenfluss in Ihrer Organisation jederzeit zur Hand. Wir glauben, dass KI heute – wie Satoko gesagt hat – die Fähigkeit hat, bessere Entscheidungen in Echtzeit zu unterstützen, insbesondere bei der Optimierung der Ressourcenallokation. Wir sind jetzt bereit, den Prototyp zu testen, benötigen jedoch Unterstützung, um erstens komplexe staatliche Umgebungen wie den NHS zu navigieren und zweitens unsere Lösung über das Vereinigte Königreich hinaus zu übertragen. Unser Ziel ist es letztlich, Gesundheitssystemen weltweit zu helfen, sich von reaktiven Krisensystemen zu lösen und stattdessen Systeme zu werden, die sich an operative Signale anpassen können, um die bestmögliche Versorgung für Patienten und den besten Wert für Steuerzahler zu liefern. Vielen Dank.

Mallory Durran, 52:05
Super. Satoko, ich wollte dir dieselbe Frage stellen. Gab es oder gibt es noch Herausforderungen, an denen ihr arbeitet oder die ihr als Team noch klärt, während ihr euer Produkt weiterentwickelt?
Satoko Watanabe, 52:15

Vielen Dank für die Frage. Eine Herausforderung, die wir noch nicht vollständig gelöst haben, ist, ob unser Faktenprüfungs-Bot tatsächlich die Menschen erreicht, die ihn am meisten brauchen. Also insbesondere Menschen, die dazu neigen, falsche Informationen unkritisch zu akzeptieren oder solche, die unbeabsichtigt Verschwörungstheorien verbreiten. Hier liegt eine gewisse Ironie: Die Menschen, die ein Faktenprüfungs-Tool am ehesten aktiv nutzen, sind oft diejenigen, die bereits skeptisch und informationskompetent sind, während diejenigen, die am meisten davon profitieren würden, möglicherweise gar nicht das Bedürfnis verspüren, Informationen zu überprüfen. Daher hätten wir unserer Meinung nach mehr Zeit darauf verwenden sollen, zu überlegen, wie diese Lücke überbrückt werden kann – etwa durch proaktive Benachrichtigungsmechanismen oder Partnerschaften mit Plattformen, um den Bot genau in den Momenten sichtbar zu machen, in denen sich Fehlinformationen am wahrscheinlichsten verbreiten.
Mallory Durran, 52:05
Brillant. Vielen Dank euch beiden.
Kara Beckles, 53:19
Ja. Vielen Dank noch einmal an all unsere Juroren für Ihre Zeit heute, aber auch für all die Unterstützung, die Sie uns während des gesamten Bewertungsprozesses gegeben haben, sowie für Ihre Energie und Ihren Enthusiasmus für die Grand Challenge. Ohne Sie hätten wir das definitiv nicht geschafft. Und an unsere Preisträger: Herzlichen Glückwunsch zu Ihren Lösungen und dazu, dass Sie sich an die Spitze gesetzt haben und diese heute mit uns geteilt haben. Es ist sehr spannend zu sehen, was Sie in so kurzer Zeit erreicht haben und heute präsentieren konnten. Vielen Dank nochmals und bitte bleiben Sie gern dabei – es kommt noch mehr.
Gut, wir gehen jetzt zu unserem zweiten Panel über, das unsere Jugendkategorie sowie unseren deutschen Preisträger umfasst. Für Deutschland haben wir Dr. Sirko Straube bei uns. Dr. Straube ist stellvertretender Direktor und administrativer Forschungsmanager am Robotics Innovation Center des Deutschen Forschungszentrums für Künstliche Intelligenz. Dr. Straube, bitte stellen Sie die nächsten beiden Preisträger vor.

Sirko Straube, 54:53
Ja, vielen Dank, Kara, und vielen Dank. Es ist mir eine große Ehre, hier zu sein und als Juror an diesem Wettbewerb teilzunehmen, und ich möchte den ausgewählten Preisträger in der Jugendkategorie vorstellen, ReadyForm AI.
ReadyForm AI wurde aus Kanada eingereicht und umfasst die Teammitglieder Akemi Izuko – ich sehe dich bereits hier – sowie Youdong Chen und Steven Tang. Ich denke, mit eurem Beitrag habt ihr ein Problem adressiert, das wir alle kennen, denn wir alle haben schon Formulare für Regierungen oder öffentliche Dienste ausgefüllt. Ihr habt ReadyForm AI entwickelt, um Menschen beim Ausfüllen digitaler Formulare zu unterstützen. Dafür nutzt ihr KI, insbesondere eine Voice-to-Voice-generative KI-Pipeline, kombiniert mit einer für Screenreader geeigneten Benutzeroberfläche.
Ich glaube, irgendwo in eurem Video habt ihr den Begriff erwähnt: Eure Vision war, dass das Formular zu einem Gespräch wird, und ich denke, genau das habt ihr erreicht. Jeder kann sehr leicht erkennen, dass es sich um einen sehr intuitiven Ansatz handelt, mit einem offiziellen Formular zu interagieren, was normalerweise nicht sehr intuitiv ist. Aber hier führt die KI wirklich durch den Prozess. Die Jury war auch sehr beeindruckt davon, dass ihr Wege gefunden habt, mit mehrdeutigen Eingaben der Nutzer umzugehen. Wenn der Nutzer sich bei bestimmten Angaben unsicher ist, versucht die KI, eine Einschätzung vorzunehmen – das war wirklich sehr beeindruckend.
Wir sind der Meinung, dass diese Lösung – zunächst einmal war diese Alterskategorie sehr wettbewerbsintensiv. Es gab viele Einreichungen, und wir mussten intensiv diskutieren. Als eure Einreichung besprochen wurde, waren wir uns alle einig, dass ihr wirklich etwas Besonderes erreicht habt, und wir glauben, dass dies einen großen gesellschaftlichen Nutzen hat. Ehrlich gesagt würde ich ReadyForm AI gerne in allen G7-Ländern im Einsatz sehen. Es ist also eine wohlverdiente Auszeichnung. Wir freuen uns auf eure weitere Entwicklung, und ich übergebe nun an eure Präsentation.

ReadyForm AI - Video Demonstration, 57:45
[Steven] Hallo zusammen. Wir sind Steven, Akemi und Oliver, ein Team von Studierenden der University of Alberta in Edmonton, Canada.
Ich bin Steven, und bei diesem Projekt habe ich an der Verbesserung der Nutzererfahrung und am agentischen Engineering gearbeitet.
[Akemi] Ich bin Akemi, und ich habe mich auf Design und Projektplanung konzentriert und gleichzeitig sichergestellt, dass unser Projekt den höchsten Datenschutzstandards entspricht.
[Steven] Was uns drei wirklich für dieses Projekt zusammengebracht hat, ist eine gemeinsame Frustration. Während staatliche Dienstleistungen online verlagert werden, müssen Bürgerinnen und Bürger eine komplexe digitale Landschaft navigieren, um darauf zuzugreifen.
Während viele diesen Wandel begrüßen, weil er den Prozess vereinfacht und es ermöglicht, Formulare von zu Hause aus auszufüllen, stellt er eine erhebliche Barriere für Menschen mit Zugänglichkeitsbedürfnissen dar. Die digitale Welt ist von Natur aus visuell und stark von Bildschirmen und Text abhängig. Das ist ein großes Problem. Eine aktuelle Studie von Statistics Canada ergab, dass 75 % der Kanadier über 55 Jahre ohne Korrektur schlecht sehen.
[Akemi] Genau. Wir wollen die Zugänglichkeitsprobleme angehen, mit denen Menschen bei der Interaktion mit der Regierung konfrontiert sind. Wir alle kennen, wie frustrierend es ist, staatliche PDF-Formulare auszufüllen. Die kleinen Kästchen und winzigen Schriftarten verursachen enorme Reibung. Das ist nicht unbedingt die Schuld der Formular-Designer – sie müssen viele Informationen auf begrenztem Raum unterbringen – aber es erschwert vielen Bürgerinnen und Bürgern den Zugang zu öffentlichen Dienstleistungen. Das steht in direktem Zusammenhang mit der G7 Gov AI Challenge. In der Challenge heißt es, dass Bürgerinnen und Bürger sehr unterschiedliche Kommunikationsbedürfnisse haben und Interaktionen mit der Regierung schwierig und frustrierend sein können und bestehende Barrieren verstärken. Unsere Aufgabe war es, eine Lösung zu entwickeln, die Menschen in einer Weise anspricht, die für eine breite Palette von Sprachen, Kulturen und/oder Fähigkeiten zugänglich ist. Um darauf zu antworten, haben wir uns auf ein weit verbreitetes Problem konzentriert: Sehbeeinträchtigungen.
Dies ist eine kritische Barriere, da das Ausfüllen eines PDFs oft Voraussetzung ist, um staatliche Dienstleistungen in Anspruch zu nehmen. Mit ReadyFormAI verschwindet die visuelle Oberfläche praktisch, und das Formular selbst wird zu einem Gespräch. Man spricht einfach, das System hört zu, versteht und antwortet mit absoluter Klarheit.
Das ist eine nahtlose Integration von Sprache und Daten, die eine Erfahrung schafft, die nicht nur zugänglich, sondern wirklich mühelos ist. Sehen wir es uns in Aktion an.
[ReadyformAI] Hallo. Willkommen bei ReadyFormAI.
[Aus dem Französischen übersetzt]
Hallo. Willkommen bei ReadyFormAI. Ich bin hier, um Ihnen beim Ausfüllen Ihres Getreinelieferscheins zu helfen. Ich kann Ihnen auf Französisch und in mehr als 40 weiteren Sprachen helfen. Um zu beginnen, benötige ich einige Informationen zu Ihrer Getreidetransaktion. Können Sie mir Ihren Namen und Ihre Adresse als Produzent nennen?
[Oliver] Ja, mein Name ist Oliver Chen.
[ReadyformAI] Perfekt Oliver, ich habe Ihren Namen notiert. Wie lautet Ihre vollständige Adresse, und welche Getreidearten liefern Sie heute?
[Englisch]
[Oliver] Äh, wechseln wir zurück zu Englisch.
[ReadyformAI] Verstanden. Wechsel zurück zu Englisch. Ich habe Ihren Namen als Oliver Chen. Wie lautet Ihre vollständige Adresse und welche Getreideart liefern Sie heute?
[Oliver] Äh, 123 Farm Lane und ich liefere Weizen.
[ReadyformAI] Perfekt. Ich habe Ihre Adresse hinzugefügt und die Getreideart auf Weizen gesetzt. Äh, was ist das Lieferdatum und der Lieferort? Und haben Sie eine Vertragsreferenznummer?
[Oliver] Äh, gehen wir zum Abschnitt Gewicht.
[ReadyformAI] Wir befinden uns jetzt im Abschnitt Waagenprotokolle. Ich benötige die Gewichtsdaten für Ihre Weizenlieferung.
Wie hoch sind Ihr Bruttogewicht, Fahrzeuggewicht und Entladegewicht? Bitte alles in Tonnen.
[Oliver] Das wären 5, 10 und 20.
[ReadyformAI] Ich habe diese Gewichte eingetragen, möchte aber noch einmal nachfragen. In der Regel sollte das Bruttogewicht die größte Zahl sein – Gesamtgewicht von Fahrzeug plus Getreide – und das Fahrzeuggewicht die kleinste – das Gewicht des leeren Fahrzeugs. Sie haben 5, 10 und 20 Tonnen genannt. Können Sie klären, welches welches ist? Ist das Bruttogewicht 20 Tonnen, das Fahrzeuggewicht 5 Tonnen und das Entladegewicht 10 Tonnen?
[Oliver] Oh, ja. Richtig.
[ReadyformAI] Perfekt. Ich habe die Gewichte korrigiert.
Bruttogewicht 20 Tonnen, Fahrzeuggewicht 5 Tonnen und Entladegewicht 10 Tonnen. Das System hat Ihr Nettogewicht automatisch berechnet. Wie hoch ist der Abzug? Und haben Sie eine Waagenscheinnummer?
[Oliver] Während der Nutzer spricht, navigiert die KI durch komplexe Tabellen, scrollt automatisch zum entsprechenden Feld und aktualisiert den Text sofort. Nutzer können die Eingaben leicht überprüfen, da die Schaltflächen groß sind, und die KI liest auf Anfrage jedes Feld vor.
Sobald alles erledigt ist, klickt der Nutzer auf die Schaltfläche, und das ausgefüllte Formular wird digital als Standard-PDF exportiert, bereit für die Regierung.
Zurück zu dir, Akemi und Steven.
[Akemi] Wie Sie in der Demo gesehen haben, ist das Besondere an ReadyFormAI, wie wir komplexe PDFs und mehrsprachige Sprachsteuerung handhaben und dabei alles vollständig privat halten.
Da Regierungsformulare viele PII (personenbezogene Daten) enthalten, haben wir in unserer ursprünglichen Einreichung Standard-Open-Weight-Modelle verwendet, die nicht vollständig isoliert waren. Heute läuft unser MVP vollständig auf SOC 2-konformer Infrastruktur. Wir nutzen Modal als Proof of Concept und zeigen damit, dass diese gesamte Pipeline einfach und sicher direkt auf Regierungsservern bereitgestellt werden kann.
Auf technischer Seite war es eine spannende Herausforderung, dies schnell, privat und leistungsfähig zu machen. Wir haben unsere selbst gehostete Pipeline mit Pipecat aufgebaut, einem anbieterunabhängigen Framework für mehrstufige LM-Pipelines.
Für Speech-to-Text haben wir den Parakeet-Modus von NVIDIA gewählt. Er benötigt sehr wenig Rechenleistung, hat die niedrigste Fehlerquote unter Open-Weight-Modellen und versteht 25 Sprachen. Für Text-to-Speech verwenden wir Quen 3TS, das Ausgaben in 10 Sprachen unterstützt, einschließlich aller offiziellen G7-Sprachen.
[Steven] Stellen Sie sich ein Onboarding-Erlebnis vor, bei dem Sprachbarrieren einfach verschwinden. Sie haben uns herausgefordert, ein Tool für alle zu entwickeln, um eine wirklich globale Zielgruppe zu erreichen, und wir haben das ernst genommen. Heute bietet ReadyFormAI Ihren Nutzern ein nahtloses, zutiefst menschliches Erlebnis.
Jetzt, da alle offiziellen G7-Sprachen und viele EU-Sprachen unterstützt werden, fühlt sich die Erfahrung fast magisch an. Unser Sprachagent begrüßt den Nutzer freundlich und wechselt zwischen den G7-Sprachen. Sobald der Nutzer antwortet, erkennt er sofort dessen Muttersprache und schafft ein natürliches, reibungsloses Gespräch.
Er passt sich sogar dynamisch an, wenn der Nutzer mitten im Satz die Sprache wechselt. Die KI folgt mühelos und bleibt perfekt synchron. Während der Nutzer ein fehlerfreies, lokal angepasstes Erlebnis genießt, übernimmt unser Backend im Hintergrund die schwere Arbeit.
Es übersetzt und formatiert gesprochene Inhalte sofort in standardisierte PDF-Felder. Es ist wirklich eine globale Lösung – so einfach wie ein Gespräch. Abschließend möchten wir zwei zentrale Fragen beantworten. Akemi, wie macht unsere Lösung die Arbeit der Regierung effizienter?
[Akemi] Letztlich wollen Regierungen einen gleichberechtigten Zugang zu ihren Dienstleistungen gewährleisten. Ohne ReadyFormAI stehen sehbehinderte Bürgerinnen und Bürger vor einer unfairen Wahl:
Entweder sie geben ihre Unabhängigkeit auf und bitten einen Mitarbeitenden, das Formular für sie auszufüllen, oder sie verzichten ganz auf die Nutzung der Dienstleistung.
Da PDF-Formulare das Tor zu fast allen öffentlichen Dienstleistungen sind, verbessert unsere Lösung den Zugang erheblich, stärkt die Bürgerinnen und Bürger und entlastet staatliche Servicekräfte. Das führt zur zweiten Frage. Steven, wie sieht der ideale Endzustand unserer Lösung aus?
[Steven] Ja. Während unsere Browser-Erweiterung bereits viele Hürden beseitigt, muss der Nutzer sie immer noch aktiv aufsuchen.
Unser idealer nächster Schritt ist, dass Regierungen ReadyFormAI direkt in ihre Web-Infrastruktur integrieren. Wenn ein Bürger auf einer Regierungswebsite auf ein PDF-Formular klickt, sollte er die Möglichkeit haben, es direkt in ReadyFormAI zu öffnen. Außerdem nutzen wir für unseren MVP zwar eine sichere Cloud, um absolute Privatsphäre zu gewährleisten, aber unser Code ist vollständig offen und so optimiert, dass er auf kleinen, kostengünstigen GPU-Servern innerhalb staatlicher Infrastruktur betrieben werden kann.
[Akemi] Wir glauben, dass KI nicht nur ein Chatfenster auf einer Website sein sollte. Sie sollte ein Werkzeug sein, das menschliche Tätigkeiten aktiv unterstützt. Vielen Dank für Ihre Zeit, und wir freuen uns darauf, dass die G7 Lösungen wie ReadyFormAI übernehmen.

Kara Beckles, 1:06:11
Gut. Und wir gehen direkt zurück zu Ihnen, Dr. Straube, um die Lösung aus Deutschland vorzustellen.
Sirko Straube, 1:06:18
Ja, danke Kara. Ich freue mich auch sehr und bin stolz, ResiliAlloc vorzustellen, den Gewinner aus Deutschland. Die Lösung wurde von Wolfram Bopp eingereicht, und ResiliAlloc ist etwas, das, denke ich, alle G7-Regierungen betrifft: Es geht um Infrastruktur und die Frage, wann es angemessen ist, Infrastruktur zu reparieren und zu warten. Das ist ein wirklich wichtiges Thema, und ResiliAlloc nutzt offene Daten. Es verwendet eine physik-informierte KI und versucht, Regierungen dabei zu helfen zu entscheiden, in welche Straßen und Brücken investiert werden sollte und wo Infrastruktur gefährdet ist.
Was ich an dieser Einreichung besonders bemerkenswert fand, ist, dass hier ebenfalls viele Datenquellen in einen Kontext zusammengeführt wurden und dass auch weitere Faktoren wie medizinische Kritikalität, Frost oder Belastungsdesign in den Ansatz integriert wurden. Also zum Beispiel zu sehen: Wenn ich diese Brücke repariere, erreicht der Krankenwagen dann noch rechtzeitig das Krankenhaus in bestimmten Regionen? Ich denke, das ist eine sehr wertvolle Einreichung. Auch hier herzlichen Glückwunsch, und ich freue mich auf die nächsten Schritte. Und ich denke, hier ist das Video.
ResiliAlloc - Video Demonstration, 1:08:18
[Wolfram] Hallo zusammen, mein Name ist Wolfram Bopp. Tagsüber arbeite ich bei BMW als KI-Experte. Als Hobby und zum Lernen nehme ich an KI-Hackathons und gemeinnützigen Projekten teil. Ich habe große Freude daran, mich in neue komplexe Probleme zu vertiefen, und es ist sehr schön, Lösungen zu entwickeln, die einen echten messbaren Mehrwert für die Allgemeinheit liefern.
Wir haben uns entschieden, die Herausforderung anzugehen: eine Lösung zu entwickeln, die zukünftige Bedürfnisse und Ressourcenallokation antizipiert, um Verschwendung zu reduzieren und den Service zu verbessern, indem sichergestellt wird, dass Ressourcen zur richtigen Zeit am richtigen Ort verfügbar sind – anhand von Infrastrukturdaten. Werfen wir einen Blick darauf.
[Unnamed narrator] Jedes Jahr geben Regierungen Milliarden für die Verwaltung von Straßen und Brücken aus. Und jedes Jahr werden Milliarden verschwendet. Wir reparieren Infrastruktur zu früh und verschwenden Geld – oder zu spät und sind gezwungen, Notfallreparaturen durchzuführen, die zehnmal so teuer sind. Die meisten Regierungen verwalten Milliardenportfolios mithilfe statischer altersbasierter Abschreibungskurven, die lediglich schätzen, wann eine Brücke versagen könnte. Was wäre, wenn wir strukturelles Versagen vor dem Auftreten von Rissen vorhersagen könnten? Was wäre, wenn wir jeden einzelnen Steuergroschen optimieren könnten? Wir präsentieren ResiliAlloc, die erste souveräne Infrastruktur-Intelligenzplattform der G7.
ResiliAlloc ist nicht nur ein Dashboard – es ist eine dynamische Physik-Engine. Wir haben den Branchenstandard statischer Tabellen verworfen. Stattdessen haben wir eine moderne Lakehouse-Architektur aufgebaut. Unsere Swarm-Engine verarbeitet Echtzeitsignale aus sieben globalen APIs. Wir kombinieren das statische Asset-Grundgerüst von Odin mit dynamischen Belastungen. Wir beziehen historische Frost-Tau-Zyklen von Open Meteo, um thermische Belastungen zu modellieren. Wir beziehen Live-Verkehrsdaten von TomTom, um strukturelle Ermüdung zu messen, und entscheidend ist, dass wir medizinische Kritikalität berechnen, indem wir Brücken identifizieren, deren Sperrung verhindern würde, dass Krankenwagen ein Krankenhaus erreichen. Doch hier liegt der entscheidende Vorteil von ResiliAlloc.
Wettbewerber sagen: „Wir können Risiken nicht vorhersagen, weil offene Daten keine Zustandsbewertungen enthalten.“ Wir haben das Gegenteil bewiesen. Wir haben eine föderierte Ground-Truth-Strategie verwendet. Wir haben unsere KI mit über 6.000 validierten Ingenieursdatensätzen aus den USA, dem Vereinigten Königreich und Quebec trainiert.
Mit einem auf Kaggle ausgezeichneten Stacking-Ensemble haben wir dieses Wissen auf lokale Assets übertragen. Wir haben Pseudo-Labeling implementiert, sodass das Modell selbst die Feinheiten der lokalen Umgebung lernen kann.
Das Ergebnis: Wir haben das Standardmodell der Regierung um 26 % übertroffen. Wir sind vom Schätzen zur Präzision übergegangen. Werfen wir einen Blick auf das Mission-Control-Dashboard. Das System analysiert fast 5.000 regionale Assets. Auf dem Bildschirm sehen Sie ein Meer aus Rot. Unsere KI hat 140 kritische Assets identifiziert, die aufgrund hoher Verkehrsbelastung und thermischer Einflüsse unmittelbar vom Ausfall bedroht sind.
Beobachten Sie, was passiert, wenn wir ein Notfallbudget von 25 Millionen Dollar anwenden. Die KI wählt nicht zufällig Brücken aus. Sie verwendet einen NEPSE-Optimierungsalgorithmus, um die Projekte mit dem höchsten Nutzen für die öffentliche Sicherheit innerhalb des Budgets auszuwählen. Nehmen wir Asset 4594.
Die KI hat dieses nicht nur wegen seines Alters markiert, sondern weil die Kombination aus Schwerlastverkehr und starken Frostzyklen es zu einer tickenden Zeitbombe macht. ResiliAlloc sorgt dafür, dass wir es heute reparieren. Präzise Politikgestaltung.
Das ist die Stärke von ResiliAlloc. Mit einem einzigen Klick hat die Optimierungs-Engine fast 5.000 Assets analysiert und 99 % davon verworfen, um die wichtigsten Projekte innerhalb eines Beispielbudgets von 25 Millionen zu identifizieren. Diese Projekte sind keine zufälligen Entscheidungen. Sie stellen das mathematische Optimum dar – die größtmögliche Reduktion des Sicherheitsrisikos pro investiertem Dollar.
Wir nutzen 96 % des verfügbaren Budgets mit chirurgischer Präzision. Und im Gegensatz zu anderen Plattformen ist ResiliAlloc keine Black Box, denn wir verwenden rigoroses maschinelles Lernen mit explizitem Feature Engineering. Wir können jede einzelne Vorhersage exakt auf ihre Ursache zurückführen. Das bedeutet vollständige Transparenz für Stakeholder und stellt sicher, dass jeder ausgegebene Dollar zu 100 % nachvollziehbar ist.
Doch das Dashboard geht noch weiter. Es gibt politischen Entscheidungsträgern die Möglichkeit, „Was-wäre-wenn“-Analysen direkt durchzuführen. Sie können Risikotoleranzschwellen in Echtzeit anpassen und sofort visualisieren, wie sich veränderte Sicherheitsstandards auf das Budget auswirken.
ResiliAlloc verwandelt komplexe Ingenieurphysik in klare, umsetzbare Politik. Es stellt sicher, dass – egal ob 25 Millionen oder 1 Milliarde – jeder Cent dort eingesetzt wird, wo er am meisten zählt. So bauen wir eine widerstandsfähige Zukunft. [Wolfram] Um Ihre weiteren Fragen zu beantworten: Wir schätzen das konstruktive Feedback und haben die Verbesserungsbereiche sowie nächste Schritte hinsichtlich Erklärbarkeit, Datenskalierung und Nutzerakzeptanz berücksichtigt.
Zur Erklärbarkeit: Wir haben unseren Code und unsere Demonstrationsvideos aktualisiert, sodass Nutzer nun die Ursachen jeder Risikoanalyse explizit sehen können, zum Beispiel: der Einfluss von Frost-Tau-Zyklen beträgt 61 % und Verkehrsbelastung 23 %.
Zur Verfügbarkeit: Während eine sofortige Erweiterung durch die kurzfristige Verfügbarkeit von G7-Datensätzen eingeschränkt war, ist unsere Plattformarchitektur vollständig darauf vorbereitet, neue länderspezifische Daten zu integrieren und zu validieren, sobald diese verfügbar sind.
Zur Nutzerakzeptanz: Eine sinnvolle Integration in reale Regierungsprozesse erfordert ein tiefes Verständnis der Bedürfnisse der Stakeholder. Aufgrund des engen Zeitrahmens war dies noch nicht möglich, aber der nächste Entwicklungsschritt ist der direkte Austausch mit Endnutzern, um dieses wichtige Feedback zu sammeln.
Unsere Vision ist es letztlich, diese KI-Engine nahtlos in G7-Systeme zu integrieren, um Regierungen dabei zu unterstützen, sicherere, widerstandsfähigere und gerechter finanzierte Infrastruktur aufzubauen.

Kara Beckles. 1:16:51
Gut. Wir gehen nun in die Fragerunde über. Dazu laden wir Dr. Straube ein, Fragen an unsere Preisträgerin Akemi sowie leider auch an Wolfram zu stellen, der heute Morgen nicht teilnehmen konnte. Dawn hat jedoch schriftliche Antworten von ihm, die sie stellvertretend vortragen wird. Also bitte, Sirko.
Sirko Straube, 1:17:17
Okay. Akemi, die erste Frage geht an dich: Was sind die nächsten Schritte und mit wem würdest du in Zukunft gerne zusammenarbeiten?

Akemi Izuko, 1:17:32
Ja. Wir glauben, dass wir eng mit unseren Endnutzern zusammenarbeiten müssen. Es gibt verschiedene Gruppen, die von ReadyForm AI profitieren könnten, aber sie benötigen jeweils unterschiedliche Anpassungen. Zum Beispiel glauben wir, dass ältere Menschen besonders profitieren könnten. Ihre Bedürfnisse unterscheiden sich jedoch stark von denen einer Person mit starker Sehbeeinträchtigung, die täglich einen Screenreader nutzt. Beide Gruppen profitieren von einer nicht-visuellen Art, ein Formular auszufüllen, aber jemand mit viel Screenreader-Erfahrung möchte wahrscheinlich eine schnellere Sprachausgabe, während ältere Menschen eher eine langsamere und klarere Sprache bevorzugen.
Die Version, die wir im Video gezeigt haben, liegt irgendwo in der Mitte – schnell, aber nicht zu schnell. Durch die direkte Zusammenarbeit mit diesen Gruppen können wir besser verstehen, was sie genau benötigen, und unser Tool entsprechend anpassen.
Sirko Straube, 1:18:36
Okay. Ich bin gespannt, wie sich das entwickelt. Manchmal ist die Realität schwieriger als das Labor, aber ich bin zuversichtlich, dass es funktioniert. Danke, Akemi. Dawn, hast du auch eine Antwort von Wolfram?
Dawn Hall, 1:18:57
Ja, absolut. Zunächst einmal Glückwunsch und vielen Dank an Wolfram für die kurzfristige Zusendung seiner Antworten. Obwohl Wolfram tagsüber als KI-Experte in der Industrie arbeitet, ist sein Hobby die Teilnahme an KI-Hackathons und gemeinnützigen Projekten. Er hat seine bisherigen Arbeiten mit der G7 und der kanadischen Regierung sehr genossen. Er nutzt solche Herausforderungen, um schwierige Probleme zu lösen und neue Lösungen zu entwickeln, die einen messbaren Mehrwert für die Allgemeinheit liefern. Vielen Dank.
Sirko Straube, 1:19:32
Okay, perfekt. Im Video haben wir gesehen, dass du bereits einige Punkte umgesetzt hast, die dir genannt wurden. Trotzdem würde ich dich gerne fragen: Wie hat das Feedback der Jury das System beeinflusst, und was hast du konkret verändert?
Akemi Izuko, 1:20:04
Ja, wir haben im Grunde zwei Arten von Feedback erhalten. Das erste betraf mehrsprachige Unterstützung, das zweite die Benutzerfreundlichkeit. Bei der Mehrsprachigkeit unterstützte unser Tool zunächst nur Englisch, da es sich um ein MVP handelte. In der überarbeiteten Version unterstützen wir nun alle G7-Sprachen sowie fünf weitere – insgesamt also zehn Sprachen. Mit Übersetzung könnte dies theoretisch auf jede Sprache ausgeweitet werden.
Beim zweiten Punkt, der Benutzerfreundlichkeit, musste man anfangs das Formular manuell in unsere Oberfläche laden, was nicht ideal war. Wir wollten, dass Nutzer direkt von Regierungswebsites aus darauf zugreifen können. Deshalb haben wir eine Chrome-Erweiterung entwickelt, die sich nahtlos integriert: Man lädt das Formular herunter und es öffnet sich sofort in einem zweiten Tab im Browser, bereit zum Ausfüllen. Diese kleine Reduzierung von Reibung kann die Nutzung erheblich fördern.
Sirko Straube, 1:21:11
Okay, danke. Und vielleicht die letzte Frage: Dawn, was hat Wolfram motiviert, an der Challenge teilzunehmen?
Dawn Hall, 1:21:26
Ja. Wolfram ist der Ansicht, dass KI ein entscheidender Gamechanger ist, aber viele Organisationen scheitern, weil sie generische LLMs auf komplexe Probleme anwenden, ohne die notwendige Expertise. Während große Technologieunternehmen durch stark angepasste Systeme erfolgreich sind, haben viele andere Schwierigkeiten, einen Return on Investment zu erzielen.
Wolfram wollte mit dieser Challenge diese Lücke schließen. Seine Motivation ist es, maßgeschneiderte, erklärbare und präzise KI-Lösungen zu entwickeln, die tatsächlich funktionieren und echten Mehrwert liefern.

Sirko Straube, 1:22:08
Ja, vielen Dank und nochmals herzlichen Glückwunsch an euch beide.
Ja, danke. Herzlichen Glückwunsch an Akemi und auch an Wolfram. Sehr nützliche Lösungen, die alltägliche Probleme lösen, die wir in Regierungen ständig sehen. Ich freue mich darauf zu sehen, wie diese Lösungen in den G7 eingesetzt werden könnten. Und Dr. Straube, vielen Dank auch an Sie für Ihre Zeit als Juror und dafür, dass Sie heute hier sind.

Sirko Straube, 1:22:48
Ja, danke für die Einladung.
Kara Beckles, 1:22:51
Vielen Dank. Gut, wir gehen nun zu unserem nächsten Panel über, das die Vereinigten Staaten und Italien umfasst. Für die EU und zur Vorstellung der US-Preisträger haben wir Paula Rodriguez Müller bei uns. Paula ist wissenschaftliche Projektbeauftragte am Joint Research Centre der Europäischen Kommission und Research Fellow an der KU Leuven. Paula, bitte.
Paula Rodriguez Muller, 1:23:23
Vielen Dank. Wie bereits erwähnt, freue ich mich, die Preisträger aus den Vereinigten Staaten vorzustellen. Hier haben wir Permion Inc. mit der Lösung Digital Subject Matter Expert, kurz DSME, und das Team hinter dieser Arbeit besteht aus Paul Brown, Arun Majumdar, Barry Evans und Paulo Moura. DSME wurde entwickelt, um Policy-Analysten zu unterstützen, indem es Dokumentenanalyse ermöglicht und Erkenntnisse aus einer Sammlung von vom Nutzer ausgewählten Dokumenten gewinnt. Diese Lösung nutzt mehrere KI-Modelle, darunter große Graph- und Sprachmodelle, um Analyse und Informationsherkunft zu unterstützen.
Insgesamt hielten wir die Lösung für sehr innovativ, mit einer robusten technischen Architektur und Methodik. Besonders bemerkenswert fanden wir den Fokus auf Erklärbarkeit, Auditierbarkeit und die Einhaltung von Standards. Wir sehen darin eine starke Anwendung mit hohem Potenzial und solider technischer Grundlage. Für die Weiterentwicklung empfehlen wir, die Insight-Ebene weiter auszubauen, um sie für Policy-Analysten im Alltag noch nutzbarer zu machen. Herzlichen Glückwunsch an das Team – und lassen Sie uns nun einen Blick auf die Lösung werfen.

[Paul Brown] Wir sind von Permion und präsentieren DSME. Arun Majumdar ist unser CEO und Experte für KI. Paulo Moura ist der Autor von Logtalk, das DSME zum Laufen bringt. Barry Evans sorgt dafür, dass die neuro-symbolische KI funktioniert, und ich bin Paul Brown, der Chief Architect. Der öffentliche Dienst muss große Mengen an Informationen verwalten, oft manuell. Es werden Werkzeuge benötigt, um unstrukturierte Dokumente zu erfassen, zu erkunden und zu verstehen. Permions Digital Subject Matter Expert, kurz DSME, ist eine mehrsprachige, agentische und vertrauenswürdige KI-Anwendung zur schnellen Analyse von Dokumentkorpora. Als kanadischer Policy-Analyst kann ich DSME nutzen, um zu einer erstklassigen regulatorischen Sandbox beizutragen, die souveräne Zielsetzungen, wirtschaftliche Umsicht und gesetzgeberische Integrität stärkt.

Heute enthält unser Korpus politische Dokumente zu zwei Themen: Energie und Künstliche Intelligenz. Hin zu einer nationalen KI-Energie-Testumgebung und Mindestenergieeffizienzstandards für KI zur Erfüllung von Net-Zero-Emissionszielen. Mit geladenem Korpus bietet DSME zwei Ansichten, die hilfreich sind, um interessante Dokumente zu finden. Wenn ich mich beispielsweise für nationale Politik im Vergleich zu globaler Politik interessiere, kann ich die Dokumente finden, die diese Themen häufiger behandeln als andere.

Wir haben auch eine ähnliche Ansicht für Entitäten. Hier sehen wir alle Themen, die in den Dokumenten häufig vorkommen – potenzielle Stakeholder. Wir können auch alle hinzufügen, die mit einem einzelnen Quelldokument verbunden sind, um eine explorative Ansicht möglicher Stakeholder über einen gesamten Politikkorpus hinweg zu erhalten. Um Analysten zu helfen, Politiken über viele Dokumente hinweg zu verstehen, extrahiert DSME alle deontischen Imperativsätze und reduziert sie auf einen Akteur wie „models“ oder „power“, eine Handlung wie „require“ oder „process“ und ein Objekt wie „laptops“ oder „inputs“.

Um zu sehen, woher die Informationen stammen, können Sie mit der Maus über eine Handlung fahren – dann werden das Dokument und der entsprechende Satz angezeigt. Die Handlungen sind farbcodiert: Rot für Verpflichtungen, Orange für Empfehlungen und Schwarz für Verbote.

Außerdem können Akteure beliebig hinzugefügt oder entfernt werden, um die Exploration zu erleichtern. Politische Dokumente können sehr lang sein, daher bietet DSME zusammenfassende Informationen, darunter Schlüsselwörter, Schlüsselbegriffe (mehrere Wörter), längere Schlüsselentitäten sowie Zusammenfassungen. Die erste Zusammenfassung basiert auf einer strukturellen Analyse des Textes, die zweite auf semantischer Ähnlichkeit zu den Schlüsselwörtern. Wenn wir eigene Schlüsselwörter wie „AI“, „energy“ und „Canada“ angeben, können wir eine themenspezifische Zusammenfassung erstellen.

Diese wird mit unserem LGM erstellt, das Informationen auf einer niedrigen Abstraktionsebene extrahiert. Diese kann an ein LLM übergeben werden, das den Text lesbarer formuliert – allerdings kann dies Halluzinationen erzeugen. Deshalb bieten wir die Trace-Scores-Ansicht, die zeigt, wo sich der generierte Text mit dem Originaltext überschneidet. Sie sehen die semantische Ähnlichkeit zwischen den Sätzen. Dieser Satz hier scheint keine Übereinstimmung zu haben und könnte daher eine Halluzination sein.

Ähnlich wie bei Zusammenfassungen können Sie auch direkt Fragen an das Dokument stellen. Wir fragen beispielsweise, ob KI helfen kann, den Energieverbrauch zu senken, und erhalten eine Antwort. Diese basiert auf dem LGM, das Text direkt aus dem Dokument extrahiert. Sie können diese Sätze zurückverfolgen, indem Sie die markierten Stellen im Dokument anzeigen.

Alle diese Inhalte stammen direkt aus dem Dokument im Kontext. Wenn wir ein LLM hinzufügen, gibt es verschiedene Abstraktionsstufen, die unterschiedliche Antworten liefern. Auch hier können Sie Halluzinationen überprüfen, wie bei den Zusammenfassungen.

Die zentrale Frage für Policy-Analysten lautet: Welche Politiken enthält ein Dokument? Deshalb extrahiert DSME die deontischen Imperativklauseln und identifiziert Akteur, Handlung und Objekt. Es zeigt die Modalität sowie den Satztext an und erkennt, ob dieser negiert ist oder Bedingungen enthält. Sie können den Ursprungssatz im Dokument nachvollziehen. Zusätzlich gibt es Filter, um beispielsweise alle Verbote oder alle verpflichtenden Aussagen mit Bedingungen zu finden. Dies hilft Analysten, Politiken schnell zu erfassen.

Um Analysten beim Verständnis des Themenbereichs eines Dokuments zu unterstützen, bietet DSME strukturierte Analysewerkzeuge. Dieses zeigt beispielsweise, wie stark Schlüsselbegriffe miteinander verbunden sind. So ist AI mit high impact, technology, energy, use, eligibility und Canada verbunden.

Diese Darstellung zeigt die Stärke der Beziehungen, aber nicht deren Art. Dafür gibt es die Proto-Ontologie. So sehen wir, dass Beiträge der kanadischen Regierung aus provinziellen und territorialen Komponenten bestehen. Auch hier kann man zur Quelle zurückverfolgen. Dies hilft, den Diskursraum eines Dokuments zu erkunden.

DSME bietet eine HTTP-API zur Automatisierung von Aufgaben und eine Python-Bibliothek zur Interaktion. In diesem Beispiel nutzen wir die Python-Bibliothek für automatisierte Voranalyse. Wir erstellen ein temporäres Projekt, laden einen KI- und Energie-Korpus mit 90 Quellen hoch und filtern diese anhand relevanter Orte und Themen auf 35 Quellen. Anschließend bestimmen wir deren Standort, löschen das temporäre Projekt und erstellen ein neues Projekt namens „North America AI and Energy“ mit diesen Quellen. Analysten können anschließend im GUI weiterarbeiten.

Vielen Dank fürs Zuschauen. Wir freuen uns auf weitere Zusammenarbeit mit Auftragnehmern, Institutionen und G7-Regierungen. DSME ist eine mehrsprachige, agentische und vertrauenswürdige KI-Anwendung zur Stärkung souveräner Ziele, wirtschaftlicher Umsicht und gesetzgeberischer Integrität. Für weitere Informationen kontaktieren Sie uns unter permion.ai.

Kara Beckles, 1:32:19

Gut, sehr schön. Wir gehen nun zurück zu Dawn, die unsere italienischen Preisträger vorstellt, bevor wir zur Fragerunde übergehen. Dawn, bitte.

Dawn Hall, 1:32:34

Wunderbar, vielen Dank. Für den Preisträger aus Italien freue ich mich sehr, Simone Vagnoni vorzustellen. Simone wird für seine Einreichung eines KI-gestützten deliberativen Wissensgraphen für demokratische Politikanalyse ausgezeichnet.
Leider ist Simone heute nicht bei uns, daher stelle ich ihn stellvertretend vor. Die Lösung nutzt einen Wissensgraphen, um zentrale Themen zu identifizieren, die in verschiedenen öffentlichen Deliberationsdatenquellen diskutiert werden. Diese Analyse hilft politischen Entscheidungsträgern, Bürgerperspektiven besser zu verstehen.

Die Jury war der Meinung, dass dies ein starker technologischer Ansatz ist, und schätzte die eingesetzten Technologien. Außerdem wurde die Anwendung auf öffentliche Diskussionsplattformen der Europäischen Union als sehr relevant angesehen. Es wurde angeregt, die Darstellung des konkreten Nutzens für Nutzer und Regierungen weiter zu stärken. Lassen Sie uns nun mehr über die Lösung im Video erfahren.

Simone Vanioni, 1:33:52

Guten Morgen an alle. Ich bin Simone Vagnoni, Doktorand am CIRSFID-ALMA-AI der University of Bologna und der Ontology Engineering Group der Universidad Politécnica de Madrid. Ich danke meinen Betreuern Monica Palmirani und Victor Rodriguez Doncel sowie der G7 GovAI Grand Challenge für die Möglichkeit, meine Arbeit vorzustellen: einen deliberativen Wissensgraphen, der institutionellen und zivilgesellschaftlichen demokratischen Diskurs über Zeit und Raum hinweg verbindet, unter Einsatz verschiedener KI-Tools.

Wir wollten Problemstellung eins angehen – die Verwaltung großer Informationsmengen – ausgehend von der demokratischen Datenlücke. Das Problem ist, dass Diskussionen von Bürgern in sozialen Medien und parlamentarische Debatten isoliert bleiben.

Es gibt viele Datenquellen – von offiziellen Portalen bis zu Plattformen wie Decidim oder Polis –, aber keine Möglichkeit, diese plattformübergreifend zu analysieren. Dadurch geht wertvolles Wissen verloren. Bürger und Institutionen arbeiten derzeit in Silos.

Wir haben daher einen deliberativen Wissensgraphen entwickelt – ein einheitliches Framework, das Argumente, Teilnehmer, Themen und Belege über Plattformen hinweg verbindet – sowie eine Benutzeroberfläche zur Demonstration.

Der Wissensgraph basiert auf drei Modellen: Prozessmodell (Abläufe, Zeitlinien, Organisationen), Teilnehmermodell (Bürger, Experten, Rollen) und Argumentmodell (Aussagen, Positionen, Beziehungen).

Dies ermöglicht Argument-Mapping, Themenmodellierung und Diskursanalyse mittels NLP. Wir extrahieren Daten aus verschiedenen Quellen, verbinden sie mit der Ontologie und bieten darauf aufbauend Dienste.

In der Benutzeroberfläche können Nutzer Themen suchen und plattformübergreifend vergleichen. Mithilfe semantischer Suche (z. B. sentence-BERT) werden Inhalte nicht nur über Schlüsselwörter, sondern über Bedeutung gefunden.

Hier sehen Sie beispielsweise Daten zur kanadischen Wahlreform. Jeder Knoten repräsentiert einen Beitrag mit Metadaten. Zusätzlich gibt es Visualisierungen und Themenmodelle.

Da wir Diskussionen semantisch verknüpfen, können wir plattformübergreifend analysieren, welche Themen dominieren.

Die Anwendungsmöglichkeiten umfassen Argumentverfolgung, Analyse der demokratischen Qualität und Überbrückung der Kluft zwischen Bürgern und Institutionen.

Es gibt jedoch Herausforderungen: Kontextverlust, Datenschutz und potenzielle Manipulation. Unser Ansatz berücksichtigt transparente Grenzen und ethische Prinzipien.

Unsere Vision ist eine epistemische Demokratie, in der Bürger sehen, wie ihre Stimmen wirken, und Institutionen besser informiert entscheiden.

Abschließend ein Aufruf: Forscher sollen die Ontologie erweitern, Praktiker Standards implementieren und Bürger transparente Prozesse einfordern. Vielen Dank für Ihre Aufmerksamkeit.

Kara Beckles, 1:42:14
Gut. Vielen Dank. Ich werde nun Paula wieder auf den Bildschirm bitten, und sie wird Paul Brown von Permion einige Fragen stellen.

Paula Rodriguez Müller, 1:42:26
Vielen Dank, Kara. Paul, ich würde jetzt gerne etwas mehr darüber hören, was dich persönlich zu dieser Initiative gebracht hat. Insbesondere interessiert uns, was dich zur Teilnahme an der Grand Challenge motiviert hat.

Paul Brown, 1:42:41

Vielen Dank, Paula, und vielen Dank auch für die nette Einführung. Bei Permion haben wir eine entscheidende Lücke zwischen den G7-Politiken und den verfügbaren Lösungen identifiziert. Die Bedenken von Bürgern und öffentlichen Bediensteten hinsichtlich KI boten eine Gelegenheit, Permion stärker an den Bedürfnissen der G7-Staaten auszurichten. Unser Ziel war es, unser agentisches DSME und die XVM-Plattform, auf der DSME läuft, in bereichsübergreifenden Programmen zu pilotieren – als Absicherungsinfrastruktur, als System zur sicheren KI-Konformität und als Governance-Kontrollplattform. Wir haben eine nachhaltige Lösung mit realen Einsatzmöglichkeiten und internationalem Kooperationspotenzial. Daher sehen wir die Grand Challenge als Gelegenheit, unsere Lösung mit globaler Sichtbarkeit zu präsentieren.

Paula Rodriguez Müller, 1:43:33

Danke, Paul, das ist sehr interessant zu hören. Zum Abschluss habe ich noch eine letzte Frage: Wie hat das Feedback der Jury eure Lösung beeinflusst?

Paul Brown, 1:43:53

Das Feedback war sehr hilfreich. Es hat uns geholfen, die Komplexität von politikbezogenen Werkzeugen besser zu verstehen, die sowohl Fachwissen als auch agentische KI-Expertise erfordern, um Analysten zu unterstützen, mögliche Auswirkungen und Ergebnisse besser zu erkennen. Wir haben mehrere zusätzliche Funktionen hinzugefügt, wie Ansichten basierend auf deontischen Sätzen und die Identifikation potenzieller Stakeholder. Diese Funktionen wurden auf unseren bestehenden Agenten und KI-Tools aufgebaut, um relevante Informationen für Nutzer sichtbar und zugänglich zu machen – auch für andere Systeme über die API.

Paula Rodriguez Müller, 1:44:39

Vielen Dank, Paul. Zurück zu dir, Kara.

Kara Beckles, 1:44:42

Gut, vielen Dank euch beiden, Paula und Paul. Da wir wussten, dass Simone nicht persönlich teilnehmen kann, haben wir dennoch eine Q&A mit ihm vorbereitet, die wir jetzt abspielen werden.

Dawn Hall, 1:45:03

Erste Frage: Gab es etwas Bestimmtes, das deine Lösung inspiriert hat?

Simone Vagnoni, 1:45:10

Vielen Dank für die Frage. Zunächst einmal die Frustration über die Trennung zwischen institutionellem Diskurs und den Diskussionen, die online und offline überall stattfinden. Was Bürger tatsächlich wollen, sollte stärker verbunden werden. Wir müssen über die aktuelle Form der Demokratie hinausgehen, denn es gibt öffentliche Daten, die von privaten Big-Tech-Unternehmen täglich genutzt werden. Es wäre sehr hilfreich, diese zu verknüpfen und den Bürgern die Möglichkeit zu geben, sich einzubringen und die Entscheidungsprozesse öffentlicher Institutionen direkter mit den Bürgern zu verbinden.

Dawn Hall, 1:26:24

Vielen Dank. Zweite Frage: Mit wem würdest du in Zukunft gerne zusammenarbeiten?

Simone Vagnoni, 1:46:31

Ich würde gerne mit G7-Regierungen zusammenarbeiten, die digitale Beteiligungsplattformen aktiv einsetzen. Das Canadian Treasury Board wäre ein idealer Ausgangspunkt, ebenso Italy's AGID, da solche Partnerschaften Pilotprojekte ermöglichen würden. Außerdem möchte ich im Civic-Tech-Ökosystem, in dem ich bereits tätig bin, stärker mit Akteuren wie der CDM Association, VTaiwan und anderen öffentlichen und privaten Beteiligungsplattformen sowie mit der Democratic Data Space Initiative zusammenarbeiten. Ebenso möchte ich die Zusammenarbeit mit Forschungsgruppen wie der University of Bologna und der Universidad Politécnica de Madrid ausweiten und weltweit vernetzen. Vielen Dank für die Frage.

Dawn Hall, 1:48:11

Sehr gut. Das klingt nach vielen Kooperationsmöglichkeiten. Vielen Dank, das war sehr interessant.

Kara Beckles, 1:48:24
Gut. Nochmals herzlichen Glückwunsch an Paul und Simone. Sehr interessante Lösungen, die ich mir gut in Regierungen im Einsatz vorstellen kann. Ich freue mich darauf zu sehen, wie sie sich weiterentwickeln. Vielen Dank auch an Paula für Ihre Expertise und Ihre Zeit heute sowie an alle Teilnehmenden, die fast zwei Stunden mit uns verbracht haben.

Ich hoffe, Ihnen haben die Präsentationen genauso gut gefallen wie mir. Ich bin definitiv nicht enttäuscht worden. Vielen Dank auch an alle Juroren – sowohl an diejenigen, die heute dabei waren, als auch an diejenigen, die viele Stunden damit verbracht haben, über 100 Einreichungen zu prüfen. Ebenso danke ich den Mitgliedern von GAIN aus den G7, die uns im vergangenen Jahr unterstützt haben, diese Challenge möglich zu machen. Sie haben Fachwissen eingebracht, uns bei der Priorisierung der Herausforderungen geholfen und in vielen Fällen einzigartige Datensätze bereitgestellt, die in den Lösungen genutzt wurden.

Ein großer Dank auch an alle Teilnehmenden weltweit. Unabhängig vom Ergebnis schätzen wir Ihre Beiträge sehr und hoffen, dass Sie Ihre Arbeit zur Förderung verantwortungsvoller KI im öffentlichen Sektor fortsetzen. Wenn Sie mehr über die Preisträger, lobenden Erwähnungen und Finalisten erfahren möchten, besuchen Sie bitte unsere Grand-Challenge-Website.

Und nicht zuletzt ein großer Dank an das Team des Treasury Board of Canada Secretariat. Sie haben Dawn bereits mehrfach gesehen, die dieses Projekt geleitet hat und sicherlich viel Arbeit hineingesteckt hat. Ebenso danke ich den weiteren Teammitgliedern: Jonathan Macdonald, Mark Levene, Alison Kinsman, Dana Kenny, Jelane Julien.

Vielen Dank an Sie alle für Ihre harte Arbeit im vergangenen Jahr. Ich ziehe meinen Hut vor Ihnen. Damit endet unser Grand Challenge Showcase. Ich wünsche Ihnen allen einen schönen Tag oder Abend, je nachdem, wo Sie sich befinden, und hoffe, Sie bald wiederzusehen. Vielen Dank!

Avvertenza: Questo testo è stato tradotto automaticamente dall’inglese mediante IA. Potrebbero esserci errori.

Disclaimer: This text was automatically translated from English using AI. It may contain errors.

Questo testo è stato trascritto con l’AI ed è stato revisionato da un essere umano.

Kara Beckles, 0:01

Ciao, benvenuti a tutti e grazie a tutti per essere qui. Siamo entusiasti di annunciare oggi i destinatari selezionati del G7 GovAI Grand Challenge. Tra poco ascolteremo tutti i nostri destinatari, ma sono felice che vi siate uniti a noi oggi per ascoltarli. So che aspettavo questo giorno da molti mesi e, proprio come voi, non ho ancora visto alcune delle meravigliose presentazioni che stanno arrivando. Quindi sarò entusiasta quanto voi nel vederle per la prima volta.

Mi chiamo Kara Beckles. Sono Executive Director for Privacy and Responsible Data presso il Treasury Board Secretariat of Canada, e sarò la vostra moderatrice oggi, guidandoci nelle prossime ore mentre impariamo di più. Prima di iniziare, vorrei riconoscere che mi sto collegando dal territorio tradizionale non ceduto del popolo Algonquin Anishinaabe, che si prende cura di questa terra da tempo immemorabile. Per coloro che partecipano virtualmente, vi invitiamo a prendervi un momento per riflettere sulla terra in cui vivete, lavorate e trascorrete il tempo libero.

E per conoscere i custodi tradizionali di quei territori, comprendere le storie e le responsabilità connesse ai luoghi che chiamiamo casa è un passo importante verso la riconciliazione.

Per vostra informazione, alcuni avvisi organizzativi. L’accesso al microfono e al video sarà disabilitato per tutti, ad eccezione dei relatori presenti in questa chiamata. La funzione di domande e risposte sarà disponibile per i partecipanti, ma solo per domande relative a problemi tecnici. Quindi, se avete difficoltà con qualcosa, fatecelo sapere, ma i vostri messaggi non verranno pubblicati. Se c’è un problema comune, il nostro team potrebbe informarvi e comunicarlo tramite la funzione Q&A.

La sessione di oggi sarà principalmente in inglese. I video dei destinatari selezionati sono pubblicati online con trascrizioni in entrambe le lingue ufficiali. Il video dell’evento di oggi sarà pubblicato più tardi questa settimana. Contattate il team se desiderate vedere la presentazione anche in francese.

[Tradotto dal francese]

La sessione di oggi sarà principalmente in inglese. I video dei destinatari selezionati sono pubblicati online con trascrizioni in entrambe le lingue ufficiali. Il video dell’evento di oggi sarà pubblicato più tardi questa settimana. Contattate il team se desiderate vedere la presentazione anche in francese.

[Inglese]

Bene. Ora passeremo al Presidente del Treasury Board, Ministro Shafqat Ali, per alcune osservazioni introduttive prima di iniziare questa occasione speciale.

Shafqat Ali, 2:59

[Tradotto dal francese]

Ciao a tutti!

[Inglese]

E benvenuti alla giornata di presentazione del G7 Gov AI Grand Challenge. Il Canada, come Presidente del G7 nel 2025, ha guidato l’esplorazione del potenziale dell’AI nel settore pubblico ospitando il primo Grand Challenge sull’AI. Riconosciamo che l’AI potrebbe migliorare notevolmente il modo in cui serviamo i nostri cittadini e il modo in cui operiamo come governi. Mentre esploriamo queste nuove opportunità, dobbiamo adottare un approccio responsabile ed etico. L’obiettivo della sfida è sbloccare il potenziale dell’AI per affrontare le questioni chiave che i governi si trovano ad affrontare oggi e trovare possibili soluzioni per un futuro migliore. Comprendiamo il valore che deriva dalla collaborazione. Questa sfida ha riunito menti diverse affinché potessimo ottenere i migliori risultati possibili. Questa competizione costruirà ponti e stimolerà l’ispirazione.

Attraverso questa sfida, innovatori e ricercatori dei paesi del G7 e dell’Unione Europea hanno presentato proposte per affrontare uno dei quattro problemi urgenti che i settori pubblici stanno attualmente affrontando. Sono orgoglioso di queste menti brillanti per il loro lavoro eccezionale e mi congratulo con loro per la loro determinazione. Vorrei anche riconoscere i più di 100 team che hanno partecipato e contribuito a questa importante iniziativa. Hanno presentato con una passione straordinaria e un lavoro ispiratore, e oggi metteremo in evidenza le migliori soluzioni tra queste idee impressionanti.

Grazie a tutti per il vostro tempo, la collaborazione e la creatività in questa sfida. Infine, vorrei congratularmi con la Francia per la sua leadership mentre assume la presidenza del G7 nel 2026. Il Canada non vede l’ora di continuare a lavorare insieme in questo importante forum internazionale. Grazie.

[Tradotto dal francese]

Grazie mille.

[Inglese]

Kara Beckles, 5:35

Bene, grazie al Ministro per queste osservazioni. Per coloro che potrebbero non essere familiari, il Grand Challenge è stato lanciato dal G7 AI Network, noto anche come GAIN. È un’iniziativa collaborativa tra i paesi del G7 e l’UE come parte del suo mandato per promuovere un’adozione responsabile ed efficace dell’intelligenza artificiale nel settore pubblico.

Siamo fortunati a collaborare con Impact Canada per realizzare la sfida, che possiede una vasta esperienza nella gestione di questo tipo di processi e ci ha aiutato enormemente nella realizzazione di questa sfida. La sfida è stata condotta attraverso quattro laboratori rapidi di soluzioni, tenuti dal 17 novembre 2025 al 1° dicembre, per guidare soluzioni AI scalabili e responsabili da parte di partecipanti idonei provenienti dal G7 e dall’UE. Fino a 10.000 dollari canadesi erano disponibili per essere assegnati alla migliore soluzione di ciascun paese del G7 e dell’UE. Abbiamo inoltre avuto due categorie giovanili, una per età 13-17 e una per età 18-29. Dopo il processo di valutazione e le riunioni di deliberazione tra i giudici per determinare i destinatari, le menzioni d’onore e i finalisti, ora abbiamo sette destinatari, con tre categorie senza vincitore selezionato. Nel complesso, l’interesse mostrato dal pubblico e dal GAIN ha rivelato che la sfida è stata un modo potente per raccogliere soluzioni AI potenziali da tutto il Canada e dai paesi del G7.

La sfida è stata strutturata attorno a quattro dichiarazioni di problema che abbiamo sviluppato inizialmente con una rete di colleghi canadesi provinciali, territoriali e municipali e poi finalizzate con i nostri partner del G7. E grazie a coloro che hanno partecipato a quegli incontri GAIN che hanno portato a queste dichiarazioni di sfida. Le sfide spaziavano dalla gestione delle informazioni alla navigazione di insiemi complessi di regole all’interno di leggi, politiche e regolamenti, alla determinazione dell’allocazione delle risorse nei complessi processi governativi e infine alle barriere comunicative durante l’interazione con il governo.

Per quanto riguarda la nostra giuria, abbiamo avuto una vasta esperienza internazionale proveniente dai paesi del G7 che ha agito come giudici valutando le proposte e raccomandando le migliori soluzioni presenti oggi. Questa esperienza include leader del settore, funzionari pubblici, accademici ed esperti con competenze che spaziano dall’implementazione dell’AI nel settore pubblico fino alla governance e all’etica dell’AI e delle tecnologie emergenti. I nostri giudici hanno svolto un ruolo centrale nel guidare questo processo. Le soluzioni e i destinatari presentati oggi sono stati valutati sulla base di diversi criteri, tra cui se dimostravano un beneficio positivo per i cittadini e per la società, se le soluzioni erano interoperabili, mostrando un chiaro potenziale di integrazione tra sistemi, se il risultato era chiaramente spiegabile nel suo approccio, e anche se la soluzione era scalabile. Dimostrando fino a che punto la soluzione potesse scalare per servire più utenti o essere aggiornata con più funzionalità, se la soluzione fosse accessibile alle persone con disabilità o con diversi livelli di alfabetizzazione, e anche la sua usabilità, dimostrando i benefici derivanti dalla sua implementazione. Siamo quindi fortunati ad avere diversi di questi giudici con noi oggi e li ascolteremo molto presto.

Ora andremo avanti. Un breve programma per oggi. Avremo tre diversi panel e in ciascun panel avremo giudici che presenteranno i destinatari per ciascuna categoria. Nel panel uno avremo Canada, Giappone e Regno Unito. Una volta presentate tutte le soluzioni, ci sarà un breve video per ciascuna così potrete vedere qual era la soluzione e come funziona. Avremo poi un panel con alcune domande e risposte tra i giudici e i destinatari. Passeremo quindi al panel due, che include la categoria di età 18-29 così come la Germania, seguendo lo stesso formato. E nel panel tre avremo gli Stati Uniti e l’Italia prima di chiudere la sessione. Quindi, senza ulteriori indugi, entriamo nel vivo dell’agenda e in ciò che tutti stavano aspettando oggi. Con noi a rappresentare la giuria giapponese e a introdurre il nostro destinatario dal Giappone abbiamo Kyoko Yoshinaga.

Kyoko è Project Associate Professor presso la Graduate School of Media and Governance della Keio University e affiliate scholar presso il Georgetown Law's Institute for Technology Law and Policy. Siamo lieti di darle il benvenuto qui. Quindi a te, Kyoko.

Dawn, forse passo a te per introdurre il video così possiamo almeno iniziare mentre sistemiamo il testo per tutti.

Dawn Hall, 11:19

Ciao. Certamente. Inizierò con il Giappone come suggerito. Sono molto lieta oggi di presentare Team 1902, il destinatario selezionato dal Giappone, con i membri del team Satoko Watanabe, Jinosuke Yamada, Yuzua Takeuchi e Noyuri Iizuka. Oggi è con noi Satoko Watanabe.

Team 1902 è stato riconosciuto per la sua soluzione, utilizzo dei dati governativi per combattere la disinformazione. La soluzione affronta la disinformazione finanziaria collegando direttamente le discussioni sui social media ai dati aperti ufficiali del governo. Utilizza retrieval-augmented generation, o RAG, e Vertex AI per fornire risposte affidabili basate su documenti governativi. I giudici hanno ritenuto che il problema affrontato fosse molto importante dal punto di vista sociale e hanno apprezzato molto il modo in cui la soluzione si collegava a fonti governative autorevoli. Hanno inoltre apprezzato le misure di AI responsabile, dal radicamento nei documenti ufficiali al fatto di non memorizzare i dati del profilo utente e di far sì che la soluzione si astenga dal rispondere in certi casi. Quindi impariamo di più sulla soluzione.

Team 1902 - Video Demonstration, 12:44

[Satoko Watanabe]

Ciao, siamo Team 1902. Oggi vorremmo presentare la nostra proposta, GovGov, Government Data Utilization for Combating Misinformation. Ecco il nostro team. Eravamo studenti della Waseda University, Giappone. Apparteniamo tutti al club di dibattito della Waseda e, come nuova sfida, abbiamo deciso di provare a partecipare a un hackathon.

La sfida che intendiamo affrontare è il problema numero quattro. I cittadini hanno un’ampia varietà di esigenze comunicative e le interazioni con il governo possono essere difficili e frustranti e aggravare le barriere esistenti. Nel panorama digitale odierno, la disinformazione è onnipresente. Abbiamo identificato un problema critico: la proliferazione di informazioni false non corrette, che ostacola un dibattito basato sui fatti. Per salvaguardare una democrazia sana, dobbiamo stabilire due pilastri: un meccanismo per il fact-checking in tempo reale sui social media e un percorso semplificato verso dati autorevoli.

Ad esempio, voci come “Cosa faremo se il problema dell’immigrazione illegale aumenta a causa di Zika?” A quanto pare è più facile per gli stranieri ricevere benefici di welfare. Circolano frequentemente su X. Gli utenti spesso cercano di verificare queste affermazioni utilizzando strumenti AI. Tuttavia, questi sistemi spesso producono risultati inaccurati. Questo porta a dibattiti polarizzati e improduttivi distaccati dalla realtà. Inoltre, un numero crescente di utenti si affida all’AI generativa come principale motore di ricerca. Tuttavia, questi modelli spesso assimilano fonti inaffidabili come blog personali o contenuti AI di bassa qualità, compromettendo l’integrità del dibattito pubblico.

Quindi, come possiamo ripristinare un dialogo costruttivo? La risposta risiede nella fornitura di informazioni ad alta integrità. Il governo deve assumere un ruolo proattivo nella comunicazione diretta con il pubblico. Un vero modello di comunicazione government-to-citizen. Per essere efficace, questa informazione deve essere sia completa sia precisa. I fogli di revisione dei programmi amministrativi del Giappone rappresentano l’unico database ufficiale interministeriale che copre tutti i progetti finanziati. Data la loro natura esaustiva e verificata, hanno un enorme potenziale come piattaforma per contrastare la disinformazione. Per sfruttare questa risorsa, abbiamo sviluppato due prodotti integrati con questi fogli: GovGov, un bot integrato con X, e GovGov Web, un’interfaccia di chat AI basata sul web.

Per prima cosa, lasciatemi presentare GovGov, il bot ufficiale di fact-checking governativo. Quando un utente incontra informazioni sospette sui social media, deve semplicemente menzionare @GovJapan per richiedere una verifica. Il bot identifica i progetti amministrativi più rilevanti dai fogli di revisione e inserisce i dati specifici in un LLM. Questo sistema RAG garantisce che l’output sia basato esclusivamente su fatti ufficiali. Il prossimo è GovGov Web. Attualmente i cittadini affrontano un dilemma. Le ricerche manuali sul web sono macchinose mentre le risposte dell’AI generativa sono inaffidabili. GovGov Web affronta questo problema offrendo una funzione di suggerimento per richieste vaghe e limitando la sua base di conoscenza esclusivamente ai documenti governativi, garantendo la massima affidabilità. Per favore guardate questa dimostrazione di un minuto.

Qui l’utente chiede informazioni sulle visite del Ministero dell’Economia e del Commercio e l’AI risponde alla domanda. Questo è GovGov Web e l’utente chiede informazioni sul budget della Digital Agency in Giappone. Sebbene abbiamo lanciato GovGov e GovGov Web come prove iniziali di concetto, riteniamo che due ulteriori passaggi siano fondamentali per modernizzare la comunicazione governativa. Prima di tutto, l’ottimizzazione AI SEO e l’implementazione del server MCP, rendendo i dati governativi leggibili dalle macchine. In secondo luogo, la centralizzazione dei registri pubblici, integrando leggi e verbali dei consigli in un’unica fonte di verità per le risposte della chat. La nostra visione finale è una società in cui i cittadini possano sostenere collettivamente politiche efficaci e criticare in modo costruttivo quelle che necessitano miglioramenti.

Utilizzando i fogli di revisione come base per discussioni basate su evidenze, miriamo a favorire la costruzione del consenso che trascenda le divisioni sociali. Grazie mille per aver ascoltato la nostra presentazione.

Kara Beckles, 18:29

Grazie mille per il video. Ora passeremo, e ci scusiamo per i problemi tecnici, ma passeremo a Kyoko per alcuni commenti.

Dawn Hall, 18:38

Vorrei dare nuovamente il benvenuto a Kyoko Yoshinaga per fornire alcune osservazioni sul destinatario dal Giappone, Team 1902, per la loro soluzione, utilizzo dei dati governativi per combattere la disinformazione. A te la parola, Kyoko.

Kyoko Yoshinaga, 18:54
Grazie, Dawn. È stato un piacere partecipare come giudice a questo evento. A nome della giuria, sono lieta di presentare la soluzione proposta dal destinatario dal Giappone, Team 1902, rappresentato dalla signorina Satoko Watanabe, e di condividere alcuni commenti.

La soluzione di Team 1902, GovGov, adotta un approccio pratico per affrontare la disinformazione relativa ai bilanci pubblici collegando direttamente le discussioni sui social media ai dati ufficiali del governo attraverso un agente AI. Semplicemente taggando un bot, gli utenti possono verificare le affermazioni in modo intuitivo e accessibile. Ciò che ha colpito la giuria è stata proprio questa usabilità. Mentre vengono esplorati diversi approcci alla misinformazione e alla disinformazione come il watermarking digitale, la verifica della provenienza e soluzioni basate su blockchain, questa proposta si concentra su un design centrato sull’utente che rende la verifica facile per i cittadini.
Nel complesso, la giuria ha considerato questa una solida applicazione che affronta una sfida sociale importante. Il modello è ben fondato sulle informazioni ufficiali del governo e il concetto è sia innovativo sia ben concepito, con un chiaro potenziale di applicazione globale. Allo stesso tempo, ulteriori sviluppi potrebbero rafforzare la soluzione, ad esempio fornendo maggiori dettagli su come diversi formati di dati come PDF, fogli di calcolo o database strutturati verrebbero gestiti nella pratica. È importante sottolineare che l’approccio di base, identificare affermazioni potenzialmente fuorvianti e verificarle rispetto a dati validati dal governo, è solido e la semplicità dell’interazione utente è un chiaro punto di forza. Inoltre, per quanto riguarda l’interfaccia GovGov Web, aiuta gli utenti a perfezionare domande vaghe garantendo al contempo che le risposte rimangano basate su informazioni ufficiali del governo e rappresenta un passo utile per rendere lo strumento ancora più accessibile.

È stato inoltre particolarmente impressionante scoprire dopo la valutazione che questa proposta è stata sviluppata da studenti non tecnici. Questo dimostra che anche persone senza un background tecnico possono impegnarsi in modo significativo con l’AI e prendere iniziativa in questo ambito. Con l’aggiunta di ulteriori competenze tecniche, questa soluzione potrebbe essere ulteriormente perfezionata e scalata, anche in modi che supportino un uso globale più ampio. Naturalmente, un sistema del genere dipende in ultima analisi dal fatto che i governi forniscano dati pubblici accurati, trasparenti e ben mantenuti. Dove questa base esiste, strumenti come questo possono svolgere un ruolo importante nel sostenere un dibattito pubblico informato. Congratulazioni ancora una volta a Team 1902! Non vediamo l’ora di vedere come questa soluzione continuerà a evolversi. Grazie.

Dawn Hall, 22:28
Ottimo. Grazie mille. Ora sono lieta di presentare Loganberry Team, il destinatario selezionato dal Regno Unito, con i membri del team Qian Huang, Nigel Cullumbine, Tor Gisvold e Ana Ohde. Oggi è con noi Qian Huang. Il Loganberry team è stato riconosciuto per la sua soluzione, il futuro della pianificazione delle risorse. La soluzione sfrutta il process mining per trasformare i dati amministrativi routinari degli ospedali in informazioni utilizzabili.
Queste informazioni possono essere utilizzate dai responsabili ospedalieri e dai decisori politici per orientare l’allocazione delle risorse e contribuire ad affrontare i tempi di attesa negli ospedali. I giudici hanno potuto vedere come lo strumento potrebbe essere molto utile e hanno ritenuto che sarebbe efficace per affrontare una questione molto importante che stiamo vivendo oggi utilizzando la data science. I giudici hanno inoltre notato la qualità dell’architettura tecnica ed erano interessati a saperne di più sulla scalabilità tra le diverse giurisdizioni. Congratulazioni al Loganberry team! Ora scopriamo di più sulla soluzione.

Loganberry Team - Video Demonstration, 23:38

[Ana Ohde] Sono Ana Ohde, economista sanitaria. Mi assicuro che la nostra soluzione offra un valore economico misurabile e un impatto sostenibile a livello di popolazione.
[Nigel Cullumbine] Sono Nigel Cullumbine, Chief Operating Officer. Con oltre 20 anni di esperienza nella leadership sanitaria e assistenziale, inclusi ruoli come CIO e COO, sono specializzato nel tradurre le sfide operative in soluzioni digitali pratiche.
[Tor Gisvold] Ciao, sono Tor Gisvold, CTO. Guido la nostra strategia tecnologica e il mio compito è costruire piattaforme sicure, scalabili, AI-first e cloud-first.
[ZhiQian Huang] Sono ZhiQian Huang, CEO e cofondatore. Il mio background è nella gestione operativa delle crisi del NHS e ho introdotto l’uso del process mining per ottenere informazioni sui flussi dei pazienti nei sistemi sanitari.
[Testo sullo schermo non parlato]
Insieme, uniamo competenze operative, tecniche ed economiche per costruire un livello di intelligenza operativa che aiuta i governi ad allocare le risorse in modo più efficace.
[Narratore non identificato] La sfida del G7 riconosce la difficoltà che i governi affrontano nel prevedere i bisogni e allocare le risorse in modo efficace all’interno di sistemi complessi. Nell’assistenza sanitaria di emergenza, questa sfida è visibile ogni giorno.
Gli ospedali devono distribuire personale, spazi e attrezzature limitati in tempo reale. Tuttavia, le decisioni rimangono in gran parte reattive, spesso basate sull’esperienza individuale piuttosto che su un’intelligenza operativa basata sulla domanda e collegata a risultati misurabili. La nostra soluzione mira ad affrontare questo problema.
[Testo sullo schermo non parlato]
Process Mining /sostantivo/ Una metodologia analitica basata sui dati utilizzata per scoprire, monitorare e migliorare i processi aziendali estraendo e analizzando conoscenze dai registri degli eventi nei sistemi IT.
[Narratore non identificato] Con il process mining possiamo analizzare ogni flusso di pazienti individualmente in pochi secondi. Qualcosa che l’analisi tradizionale fatica a fare. Il nostro approccio proprietario per categorizzare questi flussi in percorsi strutturati è la base per una pianificazione intelligente delle risorse. Ad esempio, abbiamo aiutato un pronto soccorso a capire che i ritardi nell’elaborazione del sangue erano in realtà dovuti alla disponibilità dei porter, non alla capacità del laboratorio.
[Testo sullo schermo non parlato]
Come possono tutti gli ospedali accedere a queste informazioni?
[Narratore non identificato] Loganberry, il nostro compagno AI, consente ai team operativi di interrogare queste informazioni in linguaggio naturale. Loganberry è adattato a ogni ospedale e ai suoi utenti. È facile da usare indipendentemente dal livello di maturità digitale e dalle capacità analitiche. Integra dati strutturati sui flussi, procedure operative standard degli ospedali, linee guida nazionali e informazioni contestuali locali senza che gli utenti debbano interpretare dashboard.
Abbiamo inoltre incorporato il feedback della giuria rafforzando la spiegabilità e le linee guida di AI responsabile. Abbiamo anche rimosso le barriere linguistiche per l’adozione a livello globale.
Le risposte dell’AI sono ora consapevoli del contesto e sono in grado di mostrare chiaramente il proprio ragionamento. La nostra AI è configurata per rispondere entro l’ambito; quando viene posta una domanda fuori ambito e dalla base di conoscenza, non risponde. Non sostituisce il giudizio umano. Lo supporta. I dati di process mining sono forniti con le identità dei pazienti oscurate dall’ospedale prima dell’elaborazione. E il nostro modulo di intelligence non raccoglie né elabora dati identificabili dei pazienti.
Abbiamo collaborato con un fornitore di tecnologia enterprise che ci consente il pieno controllo dello stack software e della residenza dei dati, permettendo l’allineamento con la legislazione nazionale, inclusi GDPR e EU AI act. La sua architettura è sicura e cloud native, attualmente operativa su larga scala in un settore regolamentato. Questo ci dà fiducia nel poter scalare da un singolo ospedale a un’implementazione nazionale mantenendo governance, sicurezza e conformità.
[Testo sullo schermo non parlato]
Come possono gli ospedali utilizzare queste informazioni per migliorare l’allocazione delle risorse?
[Narratore non identificato] Abbiamo sviluppato un prototipo di intelligenza operativa in tempo reale dalla nostra proposta iniziale.
Questo modulo consente al personale di registrare i problemi operativi mentre si verificano, con assistenza AI per acquisire il contesto in modo coerente invece di affidarsi a messaggi frammentati o passaggi informali di consegne. La nostra soluzione collega ogni problema al suo potenziale impatto sul flusso dei pazienti. Questa sarà la prima volta che la conoscenza operativa testata su come gli ospedali vengono realmente gestiti quotidianamente viene catturata in forma strutturata per i team di leadership. La nostra soluzione fornisce suggerimenti su cosa considerare prima di mobilitare risorse aggiuntive. Questo crea visibilità e riduce il carico cognitivo nella gestione di pressioni operative complesse in tempo reale.
L’AI propone uno stato per gli ospedali che può essere contestato mantenendo i dirigenti saldamente al controllo.
Questa è l’architettura prototipale per la distribuzione in produzione; vengono aggiunti controlli enterprise e un livello di intelligence, inclusi autenticazione, governance, modelli di process mining, integrazione della conoscenza e AI spiegabile. Questa intelligenza operativa è progettata per alimentare il livello di intelligence Loganberry, rafforzando le informazioni con il contesto reale. Poiché opera su dati operativi con timestamp e modelli configurabili di residenza dei dati, può essere distribuita in modo sicuro tra le giurisdizioni. Rifletterà ora il funzionamento reale di ciascun ospedale a livello locale.
[Testo sullo schermo non parlato]
Acquisisce il contesto operativo
Collega i problemi all’impatto sui flussi
Monitora l’impatto percepito rispetto a quello reale
Riduce il carico cognitivo a livello di direzione
Codifica la conoscenza operativa implicita
Grazie, Canada!
Merci, Canada!

30:05 Eccellente. Grazie mille. E ci scusiamo, ma stiamo avendo qualche difficoltà con alcuni dei nostri giudici e stiamo lavorando per riportarli sullo schermo. Ma per ora, tornerò da Dawn, che introdurrà il video per il Canada.

Dawn Hall, 30:28
Ciao, grazie ancora Kara. Sono lieta di presentare Innervation, il destinatario selezionato dal Canada, con i membri del team Jameson Jones Doyle, Tyler Kolody e Jonathan Nuss. Oggi è con noi, speriamo, Jameson Jones Doyle. Innervation è stato riconosciuto per la sua soluzione, sistema AI multi-agente per il rilevamento dei bias nelle comunicazioni governative accessibili, che rileva e rimuove i bias dalle comunicazioni governative in tempo reale.
Sfrutta l’AI per eliminare i bias da testi come documenti o output AI e può essere esteso a qualsiasi tipo di bias. I giudici hanno molto apprezzato lo sviluppo tecnico dello strumento e quanto fosse già maturo. Hanno visto che il potenziale impatto era forte e hanno apprezzato l’approccio di AI responsabile, in particolare l’attenzione alla trasparenza e ai bias. Congratulazioni a Team Innovation, il destinatario selezionato per il Canada. Scopriamo ora di più sulla soluzione.
Sophie Fallaha, 31:41
Buongiorno, pomeriggio o sera a tutti. Mi chiamo Sophie Fallaha. Sono la CEO di CEIMIA, il centro internazionale di competenza a Montreal sull’AI. È stato un onore e un privilegio partecipare come giudice al G7 Gov AI Grand Challenge per il Canada.
Un privilegio vedere così tanti talenti affrontare problemi urgenti e voler migliorare l’adozione dell’AI nel settore pubblico. Oggi sono molto felice di presentare i destinatari dal Canada, Innervation, e di condividere alcune parole a nome dei miei colleghi giudici. Innervation è un sistema AI multi-agente che rileva e rimuove i bias dalle comunicazioni governative in tempo reale. Attualmente è configurato per il bias relativo alla disabilità utilizzando linee guida di identificazione dei bias basate sulle migliori pratiche. Opera in tre punti di intervento. Primo, analisi e rimozione dei bias nei documenti inviati dagli utenti. Poi, screening dei prompt degli utenti ai sistemi AI prima dell’elaborazione. E infine, rimozione dei bias dalle risposte generate dall’AI prima della consegna. Ha agenti critici specializzati che identificano il linguaggio problematico e forniscono alternative prive di bias con spiegazioni dettagliate.
Ha un potenziale di applicazione nel mondo reale, inclusa la rimozione dei bias dall’AI rivolta al pubblico, comunicazioni inclusive, descrizioni di servizi culturalmente sensibili e corrispondenza senza barriere. Da notare che definizioni dettagliate per ogni modifica e azione di rimozione del bias sono fornite con tutti gli output AI, documenti e prompt utente privi di bias. Alcuni fattori chiave di successo e elementi distintivi per Innervation sono stati, direi, innanzitutto il fatto che porta concretamente alla realtà uno strumento pratico e tecnico per affrontare una sfida importante, migliorare l’inclusione affrontando il problema dei bias nei modelli e negli output. Abbiamo notato una forte maturità tecnica nella gestione dei sistemi AI multi-agente così come un approccio documentale chiaro e solido. Questa trasparenza pone le basi per un approccio ponderato ai bias e ai principi di AI responsabile e affidabile.
Guardando avanti ai prossimi passi per Innervation, ci piacerebbe vederli crescere nelle seguenti aree di miglioramento. Primo, chiarire il potenziale di interoperabilità. Quindi dimostrare più chiaramente la capacità di lavorare con sistemi e tecnologie esistenti, inclusa l’allineamento con quadri normativi e legali. Questo porterà a un maggiore potenziale di scalabilità in altre giurisdizioni del G7. Secondo, chiarire le metriche e i processi per valutare i risultati e l’efficacia della soluzione. Questo fornirà una visione più chiara del metodo di valutazione, migliorando la fiducia e il livello di certezza degli output e posizionando Innervation più fortemente per il potenziale di scalabilità sul mercato. Infine, congratulazioni a Innervation per la sua soluzione matura e ben documentata con un forte focus su trasparenza e bias.
Attendiamo con grande interesse i prossimi passi e di vedervi crescere. Grazie mille.

Innervation - Video Demonstration, 34:51
Mi chiamo Jameson Jones-Doyle. Sono il CEO di Axon Technologies e sono un imprenditore da oltre un decennio e mi specializzo in tecnologie avanzate che aiutano le persone e le comunità di cui fanno parte a ottenere risultati migliori.
[Jonathan] Ciao, mi chiamo Jonathan Nuss. Sono cofondatore di Axon Technologies, l’azienda dietro Innervation, e sono stato coinvolto fin dai primi giorni lavorando con Tyler e con Jameson sulla strategia legale e aziendale alla base di questa iniziativa. Ciò che mi ha entusiasmato di più fin dall’inizio è stato il focus di Innervation sui sistemi multi agent e l’opportunità di applicare quella tecnologia in modi che rendano i sistemi più trasparenti, più equi e in definitiva migliori per la nostra società.
[Tyler] Ciao, mi chiamo Tyler Kolody. Sono fondatore e CTO di Axon Technologies, i creatori del framework Multiagent di Innervation che stiamo osservando proprio qui. Per il GovAI Grand Challenge, ci siamo concentrati sul problema 4, ovvero i cittadini hanno un’ampia varietà di esigenze comunicative e le interazioni con il governo possono aggravare le barriere esistenti. Progettare una soluzione per comunicare con le persone in un modo che sia accessibile a un’ampia gamma di lingue, culture e abilità.
Come organizzazione posseduta in prevalenza da persone con disabilità, questa era una sfida che eravamo molto entusiasti di affrontare. Concentrandoci sul linguaggio abilista e sulla rimozione dei bias dal materiale governativo. Speriamo di rendere più facile ed efficace per chi lavora nel governo creare materiali inclusivi e farlo in un modo che possa essere validato e sia trasparente così da poter essere adattato, corretto e migliorato nel tempo senza gravare eccessivamente su chi lavora nel governo durante il processo.
Quindi, per iniziare, faremo solo una piccola prova qui. In questo momento, ci sono tre diverse configurazioni, standard rispetto ai quali viene effettuata la misurazione, ma questi possono essere sostituiti con lingue diverse, standard diversi, persino concentrandosi sul razzismo invece che sull’abilismo o su qualsiasi altro tipo di bias desideriate.
Questo viene distribuito in quattro diversi agenti che possiamo vedere qui, ciascuno responsabile di uno degli standard o dell’agente di framing, che non ha uno standard specifico, ma osserva il framing di alto livello e il modo in cui le assunzioni che il testo fa a un livello elevato potrebbero essere abiliste. Tutto questo viene poi aggregato all’interno di questo agente, che ha anche fasi di validazione programmatica che, pur non potendo rilevare l’abilismo da sole, possono validare che l’output abbia la struttura corretta e contenuti corrispondenti. Quindi questo garantisce che l’input precedente di questi agenti superiori sia incluso o in qualche modo allegato come parte dell’output, oltre al fatto che l’output abbia un formato e una struttura particolari che lo rendono facile da analizzare e da comprendere.
Quindi possiamo vedere che è in esecuzione proprio ora. Attualmente sta salvando gli allegati degli output precedenti nell’output finale prima di dare la sua risposta finale tra uno o due minuti. Ma ogni fase del processo è completamente verificabile, completamente trasparente. Non c’è alcuna astrazione o offuscamento, e questo è in un certo senso il cuore di ciò che rende Innervation unico. Crediamo fermamente che l’AI non debba andare ovunque. Dovrebbe andare nei luoghi in cui deve andare, dove ha senso per l’utente, e dovrebbe servire all’empowerment dell’utente. Anche se sta svolgendo molto lavoro, anche se è molto automatizzata, l’utente e coloro sui quali l’utente prende decisioni devono essere al primo posto nella progettazione.
Quindi vediamo che qui ha completato il processo e in realtà ha fallito la fase di validazione al primo tentativo. Possiamo vedere che ha ricevuto un errore di validazione e poi si è corretto ottenendo un successo al tentativo successivo, che è esattamente ciò che vogliamo vedere.
Quindi da una prospettiva tecnica, stiamo usando Django, Docker e Kubernetes per costruire il nostro back end e React è il nostro front end, ma gli utenti non devono, o i clienti non devono usare il nostro front end. Abbiamo una REST API completa e documentazione che viene utilizzata nel nostro front end ma è esposta ai clienti come desiderano. Quindi, anche se abbiamo elementi come testo grande e modalità per daltonici che sono molto validi e molto utili, se la situazione richiede che venga integrato in un’interfaccia esistente, questo è del tutto fattibile. Incontriamo il cliente e incontriamo l’utente dove si trovano. Non chiediamo loro di venire da noi.
Quindi è completamente interoperabile. Potete anche, naturalmente, scegliere qualsiasi modello desideriate, qualsiasi fornitore vogliate usare o usare modelli open consentendo una sorta di personalizzazione completa, che è particolarmente importante per usi incentrati sulla privacy, che questo non è necessariamente, ma il governo spesso ha bisogno e deve proteggere i dati degli utenti e noi possiamo in un certo senso arrivare a questo livello.
Quindi speriamo che questo renda il lavoro del governo più efficiente in quanto, ci sono molte dimensioni dell’efficacia o dell’efficienza come istituzione democratica, ed è fondamentale che il governo canadese sia in grado di ascoltare tutti i cittadini. E che non ci sia alcun segmento della popolazione con cui sia stato reso più difficile parlare e speriamo che questo renda più facile usare in modo predefinito un linguaggio inclusivo, lavorare in modi inclusivi. E per quanto riguarda i prossimi passi, anche se è un po’ un sogno ambizioso, lo era anche questo tre anni fa ed eccoci qui.
Sarebbe un sogno vedere questo realmente usato al livello dei MPs e dei loro cittadini per rendere più facile ai MPs comprendere sia ciò che le loro comunità nel complesso considerano importante, quali problemi e questioni hanno e vogliono vedere affrontati. Oltre a poter poi estrarre gli elementi specifici che gli individui hanno fornito riguardo ai loro problemi individuali. Ovviamente anonimizzati, ma sostanzialmente per offrire il meglio della scala generale e di quella individuale di un’istituzione democratica. Quindi, per concludere, possiamo vedere qui che l’output è esattamente come lo vogliamo. Abbiamo il testo originale. Abbiamo un’analisi dettagliata e una valutazione del rischio di ciascuna delle modifiche apportate. E infine abbiamo il contenuto effettivamente privo di bias, che può poi essere fornito e utilizzato dopo essere stato controllato e aver ricevuto, per così dire, il via libera da un essere umano. Quindi, grazie mille per aver ascoltato e spero che siate entusiasti quanto noi di continuare questa partnership.

Kara Beckles, 42:35
Bene, ottimo. Credo che ora passeremo a Kyoko per porre un paio di domande ai nostri finalisti.
Kyoko Yoshinaga, 42:42
Sì. Dunque, Satoko, ancora una volta congratulazioni. Vorrei chiederti che cosa ti ha attratta a partecipare a questo Grand Challenge?
Satoko Watanabe, 42:58
Grazie mille per la domanda. Abbiamo deciso di partecipare al Grand Challenge perché crediamo che sia in corso un cambiamento di paradigma nello sviluppo dei prodotti. Quindi il nostro team è composto da membri di un club universitario di dibattito, apparentemente un gruppo non ingegneristico. Tuttavia, l’ascesa degli strumenti di AI per il coding e l’adozione diffusa di servizi cloud intuitivi basati su GUI hanno abbassato abbastanza le barriere da permettere a persone come noi, senza conoscenze tecniche specialistiche, di tuffarsi nello sviluppo di prodotti. Quindi, partecipando al grand challenge, volevamo dimostrare che l’epoca delle scuse come non sono tecnico o non sono un esperto è finita. Quindi sentivamo che questa sfida fosse il palcoscenico perfetto per mostrare al mondo questa possibilità.

Kyoko Yoshinaga, 43:44

È fantastico e molto impressionante. Sì, grazie mille per averlo condiviso. Volevo fare la stessa domanda anche a Jameson. Dawn, hai la sua risposta?
Dawn Hall, 44:00
Jameson, con chi vorresti collaborare in futuro?
Jameson Jones Doyle, 44:10

Vorremmo collaborare con grandi organizzazioni che hanno un ampio impatto sulle comunità e sulle persone che servono. Questo si estende ai governi del G7 così come ai governi regionali e municipali, ma include anche banche, media, università e grandi datori di lavoro. Crediamo che riducendo la presenza del bias abilista e presto del bias di qualsiasi tipo, possiamo contribuire a ridurre barriere trasversali che colpiscono una parte significativa della popolazione.
Dawn Hall, 45:03

Seconda domanda, cosa ti ha spinto a partecipare al Grand Challenge?

Jameson Jones Doyle, 45:09

Beh, negli ultimi tre anni abbiamo sviluppato quello che, per quanto ne sappiamo, è il framework multi-agent più avanzato del Canada. Questa applicazione della tecnologia è stata particolarmente d’impatto perché ha il potenziale di rimuovere una barriera cruciale e onnipresente che colpisce una parte considerevole della popolazione. Nello specifico, il 27% dei canadesi si identifica come persona con disabilità e statisticamente ogni individuo sperimenterà una disabilità a un certo punto della propria vita. Il Grand Challenge è stato la piattaforma perfetta per mostrare come i sistemi multi-agent possano risolvere problemi profondi e siamo incredibilmente orgogliosi di essere stati scelti come vincitori di questa competizione.
Questo, si spera, fornirà la validazione e lo slancio necessari per garantire che questa tecnologia abbia l’impatto per cui è stata progettata. Grazie per aver creduto in noi e per aver contribuito a ridurre il bias abilista nel governo e oltre.

Dawn Hall, 46:57
Ottima risposta. Grazie mille, Jameson. Grazie. Bene.
Kara Beckles, 47:01
Sì. Grazie a Jameson. E ora passeremo a Mallory per vedere se c’è qualcosa che vorresti aggiungere, dato che non hai avuto l’opportunità di introdurre il video di Qian prima di porre un paio di tue domande.
Mallory Durran 47:18

Oh, mi piacerebbe molto. Qian e il team di Loganberry hanno prodotto uno strumento davvero impressionante e penso che ciò che li ha davvero distinti agli occhi dei giudici sia il fatto che lo abbiano implementato con i veri decisori umani e con il personale operativo in prima linea che lo utilizzerà. Molte delle applicazioni che possiamo immaginare sembrano davvero fantastiche in teoria, ma è solo quando si passa alla pratica e si inseriscono davvero le cose nei sistemi, cosa difficile da fare da una prospettiva di sicurezza e conformità, che capiamo davvero cosa deve accadere. Quindi davvero impressionante, come tutti questi lavori ancora in corso. Credo di avere ancora una domanda, che è questa: si tratta ovviamente di lavori a cui sono stati dedicati molto tempo e impegno, ma che restano comunque lavori in corso. Qian, se posso iniziare da te, cosa stai cercando di realizzare con ciò che hai costruito che forse non hai ancora capito del tutto o che è ancora una funzionalità o una sfida in fase di sviluppo?
Qian Huang, 48:21
Ho supportato le organizzazioni del NHS in situazioni di crisi come management consultant per oltre un decennio e in quel periodo venivo chiamata nelle organizzazioni per condurre programmi di turnaround, ma nel giro di un anno mi richiamavano di nuovo. Mi sono resa conto che non si trattava di una mancanza di impegno da parte del personale in prima linea o dei team dirigenziali. È diventato chiaro che il sistema semplicemente non era in grado di imparare dalla propria esperienza operativa. Da allora ho lasciato la consulenza manageriale e mi sono posta una sfida, e l’obiettivo era usare analisi dei dati e tecnologia per aiutare le organizzazioni sanitarie.
Primo, a comprendere le loro operazioni in un modo fondamentalmente diverso e secondo, a rendere sostenibili eventuali miglioramenti. Direi che nel mio percorso sono stata molto fortunata, perché è iniziato con persone straordinarie. Abbiamo aperto la strada all’uso del process mining nel NHS, facendo emergere informazioni sui flussi dei pazienti in molteplici percorsi, inclusi emergenza, cure elettive, salute mentale e salute della popolazione. Siamo riusciti a validare il nostro approccio con varie organizzazioni del NHS, e il passo successivo era ampliare l’adozione. È stato allora che mi sono resa conto che i sistemi sanitari non hanno sempre il lusso di implementare tecnologie specialistiche perché richiedono tempi lunghi e budget costosi. Ci siamo quindi posti il nostro obiettivo successivo. Volevamo che i team sanitari arrivassero rapidamente e in modo economicamente efficiente alle informazioni sui flussi dei pazienti usando il linguaggio naturale.
Cosa che ora abbiamo raggiunto. Siamo riusciti a ridurre il tempo di implementazione dal dato all’insight da sei mesi a sei settimane. E una volta implementata, qualsiasi persona del personale in prima linea, clinica o non clinica, può ora usare la nostra soluzione per identificare insight specifici per il proprio ruolo senza alcuna formazione. Ma sappiamo che non finisce qui. Se il nostro obiettivo è portare miglioramenti sostenibili, allora ci serve qualcosa che impari dalle decisioni operative. Ed è per questo che il nostro ultimo prototipo è progettato per catturare, analizzare e tradurre la conoscenza operativa che il personale usa ogni giorno per gestire i propri reparti. Per esempio, l’impatto del flusso sulle interruzioni, sull’arrivo dei pazienti e sui livelli di personale. Una conoscenza operativa di questo tipo viene raramente registrata o analizzata, ma è in realtà fondamentale per il processo decisionale.
Quindi immaginate di avere a portata di mano i segnali operativi collettivi e l’impatto che hanno sul flusso dei pazienti nella vostra organizzazione. Crediamo che l’AI oggi, proprio come ha detto Satoko, abbia la capacità di supportare un miglior processo decisionale in tempo reale quando si tratta di ottimizzare l’allocazione delle risorse. Ora siamo pronti a testare il prototipo, ma abbiamo davvero bisogno di aiuto per, primo, orientarci in ambienti governativi complessi come il NHS e, secondo, trasferire la nostra soluzione oltre il Regno Unito. In definitiva, l’obiettivo è aiutare i sistemi sanitari, indipendentemente da dove si trovino, ad allontanarsi dalla reazione alla crisi, diventando invece sistemi che possono adattarsi ai segnali operativi per offrire meglio la migliore assistenza possibile ai pazienti e il miglior valore ai contribuenti. Grazie.

Mallory Durran, 52:05

Ottimo. Satoko, volevo farti la stessa domanda. Ci sono state o ci sono ancora sfide che state cercando di affrontare o che state ancora cercando di risolvere come team mentre sviluppate il vostro prodotto?

Satoko Watanabe, 52:15

Grazie per la domanda. Una sfida che non abbiamo ancora completamente risolto è se il nostro bot di fact-checking raggiungerà effettivamente le persone che ne hanno più bisogno. In particolare, persone che tendono ad accettare informazioni false senza spirito critico o coloro che diffondono inconsapevolmente teorie del complotto. C’è un’ironia intrinseca qui. Le persone più propense a utilizzare attivamente uno strumento di fact-checking sono spesso quelle che sono già scettiche e alfabetizzate in materia di informazione, mentre coloro che ne trarrebbero maggior beneficio potrebbero non sentire il bisogno di verificare le informazioni in primo luogo. Quindi riteniamo che avremmo dovuto dedicare più tempo a riflettere su come colmare questo divario, ad esempio attraverso meccanismi di notifica proattivi o collaborazioni con le piattaforme per far emergere il bot nei momenti in cui la disinformazione ha maggiori probabilità di diffondersi.

Mallory Durran, 52:05
Brillante. Grazie mille a entrambi.

Kara Beckles, 53:19
Sì. Grazie ancora a tutti i nostri giudici per il vostro tempo oggi, ma anche per tutto l’aiuto che ci avete fornito dedicando il vostro tempo durante il processo di valutazione, oltre a portare la vostra energia e il vostro entusiasmo al Grand Challenge. Non avremmo potuto farlo senza di voi. E ai nostri destinatari, congratulazioni per le vostre soluzioni, per essere arrivati al vertice e per averle condivise con noi oggi. È davvero entusiasmante vedere ciò che siete riusciti a realizzare in così poco tempo e condividere con noi oggi. Quindi grazie ancora e, se volete restare con noi, c’è ancora molto da vedere.

Bene. Ora passeremo al nostro secondo panel, che include la nostra categoria giovani così come il destinatario dalla Germania. A rappresentare la Germania abbiamo il dottor Sirko Straube. Il dottor Straube è Deputy Director e Research Administrative Manager presso il Robotics Innovation Center del German Research Center for Artificial Intelligence. Dottor Straube, a lei la parola per introdurre i prossimi due destinatari.

Sirko Straube, 54:53
Sì, grazie mille Kara e grazie. Sono molto onorato di essere qui e di partecipare come giudice a questa competizione e vorrei introdurre il destinatario selezionato per la categoria giovani, ReadyForm AI.
ReadyForm AI è stato presentato dal Canada e include i membri del team Akemi Izuko, vedo già che sei qui, e Youdong Chen e Steven Tang. E penso che con il vostro contributo abbiate affrontato un problema che tutti noi, credo, conosciamo, perché tutti abbiamo compilato moduli per governi o servizi pubblici, e avete creato ReadyForm AI per supportare le persone nella compilazione di moduli digitali. Avete utilizzato un’AI per farlo, con una pipeline generativa voice-to-voice e l’avete combinata con un’interfaccia compatibile con screen reader.
Quindi penso che da qualche parte nel vostro video abbiate menzionato questo concetto, la vostra visione era che il modulo diventasse una conversazione, e penso che questo sia davvero ciò che avete realizzato. E tutti possono facilmente vedere che si tratta di un approccio molto intuitivo per interagire con un modulo ufficiale, che non è sempre molto intuitivo, ma avete un’AI che guida davvero l’utente attraverso il processo. E la giuria è stata anche molto colpita dal fatto che, ad esempio, avete trovato modi per gestire input ambigui da parte degli utenti. Quindi l’utente non è sicuro su alcuni aspetti, l’AI cerca di ottenere una stima, ed è stato davvero molto impressionante.
Pensiamo che questa soluzione, quindi prima di tutto, questa categoria di età fosse altamente competitiva. Abbiamo ricevuto molte proposte e abbiamo dovuto discutere molto, e quando la vostra proposta è stata valutata, abbiamo tutti concordato che avete davvero realizzato qualcosa di importante e pensiamo che sia un grande beneficio per la società e mi piacerebbe vedere ReadyForm AI applicato in tutti i paesi del G7, a dire il vero. Quindi è un riconoscimento meritato. E sì, attendiamo con interesse il vostro sviluppo, e quindi passo la parola alla vostra presentazione.

ReadyForm AI - Video Demonstration, 57:45
[Steven] Ciao a tutti. Siamo Steven, Akemi e Oliver, un team di studenti della University of Alberta a Edmonton, Canada.
Sono Steven e in questo progetto ho lavorato sul miglioramento dell’esperienza utente e sull’ingegneria agentica.
[Akemi] Sono Akemi e mi sono concentrata sul design e sulla pianificazione del progetto assicurando al contempo che il nostro progetto rispettasse i più alti standard di privacy.
[Steven] Ciò che ci ha davvero uniti in questo progetto è una frustrazione condivisa. Con il passaggio dei servizi governativi online, i cittadini devono navigare in un panorama digitale complesso per accedervi.
Sebbene molti accolgano con favore questo cambiamento perché semplifica il processo, consentendo di compilare i moduli da casa, rappresenta una barriera significativa per chi ha esigenze di accessibilità. Il mondo digitale è intrinsecamente visivo, basato fortemente su schermi e testo. Questo è un problema importante. Un recente studio di Statistics Canada ha rilevato che il 75% dei canadesi sopra i 55 anni ha una vista scarsa senza correzione.
[Akemi] Esatto. Stiamo cercando di affrontare i problemi di accessibilità che le persone incontrano quando interagiscono con il proprio governo. Tutti abbiamo sperimentato quanto sia frustrante compilare moduli PDF governativi. Le caselle minuscole e i caratteri piccoli creano un’enorme frizione. Non è necessariamente colpa dei progettisti dei moduli. Devono semplicemente inserire una grande quantità di informazioni in uno spazio limitato, ma questo ostacola l’accesso ai servizi pubblici per molti cittadini. Questo è perfettamente in linea con il G7 Gov AI Challenge. La sfida afferma che i cittadini hanno un’ampia varietà di esigenze comunicative e che le interazioni con il governo possono essere difficili e frustranti, aggravando le barriere esistenti. Ci è stato chiesto di progettare una soluzione per comunicare con le persone in modo accessibile a un’ampia gamma di lingue, culture e/o abilità. Per rispondere a questa esigenza, abbiamo scelto di affrontare un problema diffuso legato alle disabilità visive.
Questa è una barriera critica perché la compilazione di un PDF è spesso un requisito obbligatorio per accedere ai servizi governativi. Con ReadyFormAI, l’interfaccia visiva scompare di fatto e il modulo stesso diventa una conversazione. Basta parlare: il sistema ascolta, comprende e risponde con assoluta chiarezza.
Si tratta di un’integrazione perfetta tra voce e dati che crea un’esperienza non solo accessibile ma davvero senza sforzo. Vediamolo in azione.
[ReadyformAI] Ciao. Benvenuto su ReadyFormAI.
[Tradotto dal francese]
Ciao. Benvenuto su ReadyFormAI. Sono qui per aiutarti a compilare la ricevuta del tuo grano. Posso aiutarti in francese e in oltre 40 altre lingue. Per iniziare, ho bisogno di alcune informazioni sulla tua transazione di grano. Puoi fornirmi il tuo nome e il tuo indirizzo di produttore?
[Oliver] Sì, mi chiamo Oliver Chen.
[ReadyformAI] Perfetto Oliver, ho annotato il tuo nome. Qual è il tuo indirizzo completo e quali tipi di grano stai consegnando oggi?
[Inglese]
[Oliver] Uh, torniamo all’inglese.
[ReadyformAI] Ricevuto. Torniamo all’inglese. Ho il tuo nome come Oliver Chen. Qual è il tuo indirizzo completo e che tipo di grano stai consegnando oggi?
[Oliver] Uh, 123 Farm Lane e sto consegnando grano.
[ReadyformAI] Perfetto. Ho aggiunto il tuo indirizzo e impostato il tipo di grano su grano. Uh, qual è la data e il luogo di consegna? E hai un numero di riferimento del contratto?
[Oliver] Uh, andiamo alla sezione del peso.
[ReadyformAI] Siamo nella sezione dei registri della bilancia. Ho bisogno delle misurazioni del peso per la tua consegna di grano.
Qual è il peso lordo, il peso del veicolo e il peso allo scarico? Tutto in tonnellate, per favore.
[Oliver] Dovrebbe essere 5, 10 e 20.
[ReadyformAI] Ho inserito questi pesi, ma voglio ricontrollare. Di solito, il peso lordo dovrebbe essere il numero più grande, cioè il peso totale del veicolo più il grano, e il peso del veicolo dovrebbe essere il più piccolo, cioè il peso del veicolo vuoto. Hai indicato 5, 10 e 20 tonnellate. Puoi chiarire quale corrisponde a cosa? È peso lordo 20 tonnellate, peso del veicolo 5 tonnellate, peso allo scarico 10 tonnellate?
[Oliver] Oh, sì. Giusto.
[ReadyformAI] Perfetto. Ho corretto i pesi.
Peso lordo 20 tonnellate, peso del veicolo 5 tonnellate e peso allo scarico 10 tonnellate. Il sistema ha calcolato automaticamente il peso netto. Qual è la percentuale di impurità? E hai un numero del biglietto della bilancia?
[Oliver] Mentre l’utente parla, l’AI naviga tabelle complesse, scorre automaticamente fino al campo esatto che sta compilando e aggiorna istantaneamente il testo. Gli utenti possono verificare facilmente gli input perché i pulsanti sono grandi e l’AI può leggere qualsiasi campo su richiesta.
Una volta terminato, l’utente clicca il pulsante e il modulo compilato viene esportato digitalmente come PDF standard pronto per il governo.
Torniamo a voi, Akemi e Steven.
[Akemi] Come avete visto nella dimostrazione, ciò che rende ReadyFormAI eccezionale è il modo in cui gestiamo PDF complessi e navigazione vocale multilingue mantenendo tutto completamente privato.
Poiché i moduli governativi contengono molte PII, informazioni personali identificabili, nella nostra proposta iniziale ci siamo affidati a modelli open weight standard che non erano completamente isolati. Oggi il nostro MVP funziona interamente su infrastruttura conforme a SOCK 2. Usiamo modal come prova di concetto, dimostrando che questa pipeline può essere facilmente e in modo sicuro distribuita direttamente sui server governativi.
Dal punto di vista tecnico, rendere tutto questo veloce, privato e potente è stata una sfida interessante. Abbiamo costruito la nostra pipeline self-hosted utilizzando Pipecat, un framework agnostico rispetto al provider per pipeline LM multi-fase.
Per lo speech to text abbiamo scelto la modalità parakeet di NVIDIA. È estremamente leggera in termini di calcolo, ha il tasso di errore più basso tra i modelli open weight e supporta 25 lingue. Per il text to speech abbiamo utilizzato Quen 3TS, che supporta output in 10 lingue, incluse tutte le lingue ufficiali del G7.
[Steven] Immaginate un’esperienza di onboarding in cui le barriere linguistiche semplicemente scompaiono. Ci avete sfidato a costruire uno strumento per tutti per raggiungere un pubblico davvero globale e abbiamo preso questa sfida sul serio. Oggi ReadyFormAI offre ai vostri utenti un’esperienza fluida e profondamente umana.
Ora parlando tutte le lingue ufficiali del G7 e molte lingue dell’UE, l’esperienza sembra quasi magica. Il nostro agente vocale accoglie calorosamente l’utente passando tra le lingue del G7. Nel momento in cui risponde, riconosce immediatamente la lingua madre e crea una conversazione naturale e senza attriti.
Si adatta persino al volo se l’utente cambia lingua a metà frase. L’AI segue senza sforzo, rimanendo perfettamente sincronizzata. Mentre l’utente gode di un’esperienza localizzata impeccabile, il nostro backend lavora silenziosamente dietro le quinte.
Traduce e formatta istantaneamente le parole pronunciate in campi PDF standardizzati. È davvero una soluzione globale ed è semplice come avere una conversazione. Per concludere, vogliamo affrontare due domande chiave. Akemi, in che modo la nostra soluzione rende il lavoro del governo più efficiente?
[Akemi] In definitiva, i governi vogliono un accesso equo ai propri servizi. Senza ReadyFormAI, i cittadini con disabilità visive si trovano di fronte a una scelta ingiusta.
O sacrificare la propria indipendenza chiedendo a un operatore del servizio pubblico di leggere e compilare un modulo per loro, oppure rinunciare del tutto ad accedere al servizio.
Poiché i moduli PDF sono la porta d’accesso a quasi tutti i servizi pubblici, la nostra soluzione migliora significativamente l’accesso, dà potere ai cittadini e libera gli operatori di supporto governativo. Questo porta alla seconda domanda. Steven, qual è lo stato ideale della nostra soluzione finale?
[Steven] Sì. Anche se la nostra estensione web elimina già molta frizione, l’utente deve comunque cercarla intenzionalmente.
Il nostro passo successivo ideale è che i governi adottino ReadyFormAI direttamente nella loro infrastruttura web. Quindi, quando un cittadino clicca su un modulo PDF su un sito governativo, dovrebbe avere la possibilità di aprirlo direttamente in ReadyFormAI. Inoltre, anche se utilizziamo il cloud sicuro per il nostro MVP per garantire la massima privacy, il nostro codice è completamente open e ottimizzato per funzionare su piccoli server GPU economici ospitati su infrastrutture governative sovrane.
[Akemi] Crediamo che l’AI non debba essere solo una chat su una homepage. Dovrebbe essere uno strumento che supporta attivamente le attività umane. Grazie per il vostro tempo e non vediamo l’ora di vedere il G7 adottare soluzioni come ReadyFormAI.

Kara Beckles, 1:06:11

Bene. E torneremo subito da lei, dottor Straube, per introdurre la soluzione dalla Germania.

Sirko Straube, 1:06:18

Sì, grazie Kara. Sono anche molto felice e orgoglioso di introdurre ResiliAlloc, che è il vincitore dalla Germania. La soluzione è stata presentata da Wolfram Bopp e ResiliAlloc è qualcosa che penso riguardi tutti i governi del G7, poiché si occupa delle infrastrutture e della questione di quando sia opportuno ripararle e mantenerle. Si tratta quindi di un tema davvero importante e ResiliAlloc utilizza open data. Utilizza un’AI informata dalla fisica e cerca di aiutare i governi a decidere su quali strade e quali ponti investire e dove le infrastrutture sono a rischio.
Ciò che ritengo sia stato molto notevole in questa proposta è che anche in questo caso sono state integrate molte fonti di dati in un unico contesto e la proposta ha anche combinato altri fattori come la criticità medica, il gelo o il carico strutturale in questo approccio. Quindi per capire, ad esempio, se riparo questo ponte, l’ambulanza riuscirà comunque a raggiungere l’ospedale in tempo per determinate regioni? Quindi penso che anche questa sia una proposta molto valida. Sì, anche qui congratulazioni, e attendo con interesse i prossimi sviluppi, e quindi penso che qui ci sia il video.

ResiliAlloc - Video Demonstration, 1:08:18

[Wolfram] Ciao a tutti, mi chiamo Wolfram Bopp. Durante il giorno lavoro in BMW come esperto di AI. Come hobby e per imparare, partecipo a hackathon di AI e progetti di beneficenza. Mi piace molto affrontare problemi complessi e nuovi ed è davvero gratificante costruire soluzioni che offrano un valore reale e misurabile per il pubblico.

Abbiamo scelto di affrontare la sfida progettando una soluzione che anticipi i bisogni futuri e l’allocazione delle risorse per ridurre gli sprechi e migliorare il servizio, garantendo che le risorse siano disponibili dove e quando sono necessarie utilizzando dati infrastrutturali. Diamo un’occhiata.

[Narratore non identificato] Ogni anno, i governi spendono miliardi per gestire strade e ponti. E ogni anno, miliardi vengono sprecati. Ripariamo le infrastrutture troppo presto, sprecando denaro, oppure troppo tardi, costringendo a riparazioni di emergenza che costano dieci volte di più. La maggior parte dei governi gestisce portafogli da miliardi utilizzando curve statiche di deprezzamento basate sull’età che stimano semplicemente quando un ponte potrebbe crollare. E se potessimo prevedere il cedimento strutturale prima che compaiano le crepe? E se potessimo ottimizzare ogni singolo euro di denaro pubblico? Presentiamo ResiliAlloc, la prima piattaforma sovrana di intelligence infrastrutturale del G7.
ResiliAlloc non è solo una dashboard. È un motore fisico dinamico. Abbiamo rifiutato lo standard del settore basato su fogli di calcolo statici. Invece, abbiamo costruito una moderna architettura Lakehouse. Il nostro swarm engine acquisisce segnali in tempo reale da sette API globali. Combiniamo la base statica degli asset da Odin con stress dinamici. Recuperiamo cicli storici di gelo e disgelo da Open Meteo per modellare gli shock termici. Recuperiamo modelli di traffico in tempo reale da TomTom per misurare la fatica strutturale e, cosa cruciale, calcoliamo la criticità medica identificando i ponti che, se chiusi, impedirebbero alle ambulanze di raggiungere un ospedale. Ma è qui che ResiliAlloc vince.
I concorrenti diranno: “Non possiamo prevedere il rischio perché gli open data non hanno valutazioni delle condizioni.” Noi abbiamo dimostrato il contrario. Abbiamo utilizzato una strategia di ground truth federata. Abbiamo addestrato la nostra AI su oltre 6.000 record ingegneristici validati provenienti da USA, Regno Unito e Quebec.
Utilizzando un ensemble stacking vincitore di Kaggle, abbiamo trasferito questa intelligenza agli asset locali. Abbiamo implementato il pseudo-labeling, consentendo al modello di insegnare a sé stesso le sfumature dell’ambiente locale.
Il risultato: abbiamo superato il modello standard governativo del 26%. Siamo passati dalla stima all’ingegneria di precisione. Diamo un’occhiata alla dashboard di mission control. Il sistema analizza quasi 5.000 asset provinciali. Sullo schermo si vede un mare di rosso. La nostra AI ha identificato 140 asset critici che stanno per cedere a causa di carichi di traffico elevati e shock termici.
Guardate cosa succede quando applichiamo un budget di emergenza di 25 milioni di dollari. L’AI non sceglie ponti a caso. Esegue un algoritmo di ottimizzazione NEPSE per selezionare i progetti con il massimo ritorno sull’investimento per la sicurezza pubblica entro il budget. Prendiamo l’asset 4594.
L’AI lo ha segnalato non solo perché è vecchio, ma perché la combinazione di traffico pesante e cicli di gelo intensi lo rende una bomba a orologeria. ResiliAlloc garantisce che venga riparato oggi. Politiche di precisione.
Questo è il potere di ResiliAlloc. Con un solo clic, il motore di ottimizzazione ha analizzato quasi 5.000 asset e ne ha scartati il 99% per trovare i progetti più importanti all’interno di un esempio di budget di emergenza di 25 milioni. Questi progetti non sono scelte casuali. Rappresentano l’ottimo matematico, la massima riduzione possibile del rischio per la sicurezza pubblica per ogni dollaro speso.
Utilizziamo il 96% del budget disponibile con precisione chirurgica. E a differenza di altre piattaforme, ResiliAlloc non è una scatola nera perché utilizziamo un machine learning rigoroso basato su feature engineering esplicito. Possiamo risalire a ogni previsione fino alla sua causa principale. Ciò significa totale trasparenza per gli stakeholder e garantisce che ogni euro speso sia completamente spiegabile.
Ma la dashboard va oltre. Mette il potere dell’analisi “what if” direttamente nelle mani dei decisori politici. È possibile regolare in tempo reale le soglie di tolleranza al rischio, visualizzando immediatamente come il cambiamento degli standard di sicurezza influisce sul budget.
ResiliAlloc trasforma la complessa fisica ingegneristica in politiche chiare e attuabili. Garantisce che, sia che si disponga di 25 milioni o di 1 miliardo, ogni centesimo venga utilizzato dove conta di più. È così che costruiamo un futuro resiliente. [Wolfram] Per rispondere alle vostre altre domande. Apprezziamo il feedback costruttivo e abbiamo affrontato le aree di miglioramento e i prossimi passi riguardanti la spiegabilità, delineando al contempo passi chiari per la scalabilità dei dati e l’adozione da parte degli utenti.
Per quanto riguarda la spiegabilità, abbiamo aggiornato il nostro codice e i video dimostrativi così che gli utenti possano ora vedere esplicitamente la causa principale di ogni valutazione del rischio. Ad esempio, l’impatto del gelo-disgelo è del 61% e il carico di traffico del 23%.
Disponibilità - mentre l’espansione immediata era limitata dalla disponibilità pubblica a breve termine di dataset più ampi del G7, la nostra architettura di piattaforma è completamente pronta per acquisire e validare nuovi dati specifici per paese non appena saranno disponibili.
Per quanto riguarda l’adozione da parte degli utenti, un’integrazione significativa nei flussi di lavoro governativi reali richiede una profonda comprensione delle esigenze degli stakeholder. Sebbene il tempo limitato non abbia ancora consentito questi cicli di feedback, il coinvolgimento diretto con gli utenti finali per raccogliere questo input critico è la prossima fase di sviluppo.
In definitiva, la nostra visione è evolvere questo motore AI per integrarsi perfettamente nei sistemi del G7, consentendo ai governi di costruire infrastrutture più sicure, resilienti ed equamente finanziate.

Kara Beckles. 1:16:51
Bene. Passeremo ora alla sessione di domande e risposte. Inviteremo il dottor Straube, che porrà domande al nostro destinatario, Akemi, così come purtroppo a Wolfram, che non è riuscito a unirsi alla chiamata questa mattina. Tuttavia Dawn ha alcune risposte scritte da parte sua, quindi risponderà a suo nome. A lei la parola, Sirko.

Sirko Straube, 1:17:17
Ok. Sì. Akemi, penso che la prima domanda sia per te, e sarei interessato ai prossimi passi e a con chi vorresti collaborare in futuro?

Akemi Izuko, 1:17:32
Sì. Pensiamo davvero di dover collaborare con i nostri utenti finali. Ad esempio, riteniamo che ci siano diversi gruppi che potrebbero trarre beneficio da ReadyForm AI, ma avranno bisogno di adattamenti leggermente diversi per ottenere il massimo. Per esempio, pensiamo che gli anziani siano una fascia demografica che potrebbe beneficiarne molto. Tuttavia, le loro esigenze saranno molto diverse da quelle di qualcuno con una grave disabilità visiva che utilizza quotidianamente uno screen reader. Entrambi i gruppi trarranno beneficio da un modo non visivo per compilare i moduli, ma qualcuno con molta esperienza con gli screen reader probabilmente vorrà una voce molto veloce, mentre un anziano potrebbe preferirla più lenta e molto chiara.
La versione che abbiamo mostrato nel video era una sorta di via di mezzo, dove pensiamo sia veloce ma non troppo per essere incomprensibile. Ma credo che collaborando direttamente con questi gruppi possiamo capire esattamente quali sono le loro esigenze e adattare il nostro strumento di conseguenza.

Sirko Straube, 1:18:36
Ok. Sì, sono molto curioso di vedere come andrà. A volte la realtà è un po’ più complessa del laboratorio, ma sono fiducioso che funzionerà. Grazie, Akemi. Dawn, per conto di Wolfram hai anche una risposta. Cosa puoi dirci?

Dawn Hall, 1:18:57
Certamente. Innanzitutto congratulazioni e grazie a Wolfram per aver inviato queste risposte con breve preavviso. Sebbene Wolfram lavori nel settore come esperto di AI durante il giorno, il suo hobby è lavorare su hackathon di AI e progetti di beneficenza. Ha apprezzato molto il suo lavoro passato con il G7 e il governo canadese. Utilizza queste sfide per risolvere problemi difficili e si diverte a costruire nuove soluzioni che offrano valore misurabile reale per il pubblico. Grazie.

Sirko Straube, 1:19:32
Ok, perfetto. Abbiamo visto nel video che hai già affrontato alcuni dei punti che ti sono stati indicati. Vorrei comunque chiederti, in che modo il feedback dei giudici ha influenzato il sistema e cosa hai fatto concretamente? Puoi spiegare di nuovo, con le tue parole, cosa hai fatto?

Akemi Izuko, 1:20:04
Sì, abbiamo ricevuto due tipi di feedback. Il primo riguardava il supporto multilingue e il secondo la facilità di accesso. Per il supporto multilingue, inizialmente il nostro strumento supportava solo l’inglese, essendo un MVP e quindi più semplice da gestire, ma nella versione migliorata abbiamo aggiunto il supporto per tutte le lingue del G7 e altre cinque, quindi ora supportiamo bene 10 lingue. Con la traduzione, penso che questo possa essere esteso praticamente a qualsiasi lingua con buone risorse di traduzione online. Per il secondo punto, cioè la facilità di accesso, inizialmente bisognava trascinare il modulo nella nostra interfaccia separata, il che non era ideale. Volevamo che gli utenti potessero accedere immediatamente allo strumento direttamente dal sito del governo.
Di solito si clicca, si scarica e poi si apre altrove. Abbiamo quindi creato un’estensione Chrome che si integra facilmente: la si scarica e si apre immediatamente nel browser in una seconda scheda pronta per essere compilata. Ridurre anche una piccola parte di frizione può fare una grande differenza per l’adozione dello strumento.

Sirko Straube, 1:21:11
Ok, grazie. E forse un’ultima domanda, Dawn: puoi dirci cosa ha motivato o attratto Wolfram a partecipare alla sfida?

Dawn Hall, 1:21:26
Certamente. Wolfram ritiene che l’AI sia un cambiamento radicale, ma molte organizzazioni falliscono perché applicano LLM generici a problemi complessi senza la competenza necessaria. Mentre le grandi aziende tecnologiche hanno successo grazie a sistemi altamente personalizzati, molti settori faticano a trovare un ritorno sull’investimento, o ROI.
Wolfram è stato attratto da questa sfida per colmare questo divario. La sua motivazione è tagliare il rumore e costruire soluzioni AI su misura, spiegabili e accurate che funzionino davvero e offrano valore reale.

Sirko Straube, 1:22:08
Sì, grazie e ancora congratulazioni a entrambi.
Sì, grazie. Congratulazioni Akemi e congratulazioni anche a Wolfram. Soluzioni molto utili che risolvono problemi quotidiani che vediamo continuamente nei governi. Non vedo l’ora di vedere come queste soluzioni potranno essere utilizzate nei governi del G7. E dottor Straube, grazie anche a lei per essere stato giudice, per il suo tempo e il suo impegno e per essersi unito a noi questa mattina.

Sirko Straube, 1:22:48
Sì, grazie per l’invito.

Kara Beckles, 1:22:51
Perfetto. Grazie. Bene. Ora passeremo al prossimo panel, che include gli Stati Uniti e l’Italia. A rappresentare l’UE e a introdurre i destinatari degli Stati Uniti è Paula Rodriguez Müller. Paula è una scientific project officer presso il Joint Research Centre della Commissione Europea, JRC, e ricercatrice presso KU Leuven. A te la parola, Paula.

Paula Rodriguez Muller, 1:23:23
Grazie a tutti. Come menzionato, sono lieta di introdurre i destinatari per gli Stati Uniti. Abbiamo Permion Inc. per la soluzione Digital Subject Matter Expert, o DSME, e il team dietro questo grande lavoro è composto da Paul Brown, Arun Majumdar, Barry Evans e Paulo Moura. DSME è progettato per supportare gli analisti di policy fornendo capacità di analisi documentale, traendo insight da una raccolta di documenti identificati dagli utenti. E questa soluzione utilizza più modelli AI come large graph e language models per supportare l’analisi e la provenienza delle informazioni.
Nel complesso, abbiamo ritenuto che la soluzione fosse molto innovativa e avesse un’architettura tecnica e una metodologia solide. E ciò che abbiamo trovato particolarmente degno di nota è l’attenzione alla spiegabilità, all’audit e alla conformità agli standard. Consideriamo questa una forte applicazione con un elevato valore potenziale e una solida architettura tecnica. Guardando al futuro, il nostro suggerimento per lo sviluppo è stato quello di migliorare il livello degli insight, rendendolo più immediatamente utilizzabile per gli analisti di policy nel loro lavoro quotidiano. Quindi congratulazioni al team e ora diamo un’occhiata alla soluzione.

Permion - Video Demonstration, 1:24:57

[Paul Brown] Siamo di Permion e presentiamo DSME. Arun Majumdar è il nostro CEO ed esperto di AI. Paulo Moura è l’autore di Logtalk, che consente a DSME di funzionare. Barry Evans fa funzionare l’AI neuro-simbolica e io sono Paul Brown, il Chief Architect. Il servizio pubblico deve gestire grandi volumi di informazioni, spesso manualmente. Sono necessari strumenti per aiutare nell’acquisizione, esplorazione e comprensione di documenti non strutturati. Il Digital Subject Matter Expert di Permion, o DSME, è un’applicazione AI multilingue, agentica e affidabile per la valutazione rapida di corpora. Come analista di policy canadese, posso usare DSME per contribuire a un sandbox normativo di livello mondiale per rafforzare l’intento sovrano, la prudenza economica e l’integrità legislativa.

Oggi, il nostro corpus contiene documenti di policy su due temi: energia e intelligenza artificiale. Verso un banco di prova nazionale per l’energia dell’AI e standard minimi di prestazione energetica per l’AI per soddisfare gli obiettivi di emissioni nette zero. Con il nostro corpus caricato, DSME fornisce due visualizzazioni utili per trovare documenti di interesse. Quindi, se ad esempio fossi interessato alla politica nazionale rispetto a quella globale, posso trovare i documenti che trattano questi temi più frequentemente degli altri.

Abbiamo anche una visualizzazione simile, ma per le entità. Qui abbiamo trovato tutti gli elementi frequentemente discussi nei documenti e questi sono i candidati per gli stakeholder. Possiamo anche aggiungere tutti quelli relativi a un singolo documento sorgente per una vista esplorativa dei potenziali stakeholder in un intero corpus di policy. Per aiutare un analista a comprendere le policy attraverso molti documenti, DSME estrae tutte le frasi imperative deontiche e le riduce a un attore come “modelli” e “potere”, un’azione come “richiedere” ed “elaborare” e un oggetto come “laptop” e “input”.

Per vedere da dove proviene l’informazione, passando il cursore su un’azione viene mostrato il documento e la frase. Le azioni sono codificate a colori: rosso per obblighi, arancione per raccomandazioni e nero per divieti.

Inoltre, gli attori possono essere aggiunti e rimossi a piacimento per consentire l’esplorazione. Le policy possono essere lunghe da leggere, quindi DSME fornisce informazioni riassuntive tra cui parole chiave, termini chiave (composti da più parole), entità chiave (candidati stakeholder), nonché riepiloghi. Il primo riepilogo deriva da un’analisi strutturale del testo e il secondo dalla similarità semantica rispetto alle parole chiave. Se forniamo le nostre parole chiave come “AI”, “energia” e “Canada”, possiamo creare un riepilogo su quel tema.

Questo viene creato utilizzando il nostro LGM, che è il nostro metodo per estrarre le informazioni al livello più flessibile pari a tre. Possiamo passarlo a un LLM, così che l’LLM lo riscriva per renderlo più leggibile, ma questo può introdurre allucinazioni. Per questo forniamo la vista Trace scores, che mostra dove il testo della risposta dell’LLM a destra si sovrappone al testo originale a sinistra. È possibile vedere anche la similarità semantica tra le frasi. Questa frase qui non sembra avere alcuna sovrapposizione e quindi potrebbe essere un caso di allucinazione.

Analogamente al riepilogo, è possibile porre domande direttamente al documento. Ad esempio, chiediamo se l’AI può aiutare a ridurre il consumo energetico e otteniamo una risposta. Questa utilizza il nostro LGM per estrarre direttamente il testo dal documento e possiamo risalire alle frasi nel contesto scorrendo tra quelle evidenziate.

Queste sono tutte direttamente tratte dal documento nel loro contesto. Se introduciamo l’LLM, ci sono diversi livelli di flessibilità che forniscono le risposte. E anche in questo caso è possibile verificare eventuali allucinazioni, come per i riepiloghi.

La cosa principale che un analista di policy vuole sapere da un documento è: quali sono le policy? Pertanto, DSME estrae le clausole imperative deontiche e identifica un attore, un’azione e un oggetto. Fornisce anche la modalità e il testo della frase. Può indicare se è negata e se esiste una condizione, e si può risalire al testo nel contesto del documento. Forniamo anche filtri, ad esempio per trovare tutte le clausole negate (divieti) o tutte le obbligazioni con condizioni. Questo aiuta l’analista a esplorare rapidamente le policy.

Per aiutare un analista a comprendere il dominio di discorso di un documento, DSME fornisce strumenti che offrono informazioni strutturate. Questo, ad esempio, mostra quanto sono fortemente correlate tra loro parole chiave e frasi chiave e a cosa sono correlate. Quindi AI è collegata a impatto elevato, tecnologia, energia, uso, idoneità e Canada.

Questo mostra la forza della relazione, ma non il tipo di relazione. Il tipo deriva dalla proto-ontologia. Possiamo vedere che i contributi del governo canadese includono componenti provinciali e territoriali, e possiamo risalire al testo originale per verificarlo. Questo aiuta l’analista a esplorare il dominio di discorso di una policy.

DSME fornisce una API HTTP utilizzabile per automatizzare attività di integrazione di sistema, nonché una libreria Python per interagire con essa. In questo esempio, usiamo la libreria Python per una triage automatizzata: creiamo un progetto temporaneo e carichiamo un corpus su AI ed energia con 90 fonti globali. Filtriamo le fonti in base a luoghi e temi di interesse usando parole chiave, riducendole a 35 fonti. Troviamo la posizione di ciascuna fonte, eliminiamo il progetto temporaneo e ne creiamo uno nuovo chiamato North America AI and Energy, caricando le fonti selezionate. Si può poi continuare con API HTTP o libreria Python, oppure proseguire nella GUI.

Grazie per aver guardato. Non vediamo l’ora di collaborare ulteriormente con appaltatori principali, istituzioni e governi del G7. DSME è un’applicazione AI multilingue, agentica e affidabile pronta a rafforzare l’intento sovrano, la prudenza economica e l’integrità legislativa. Per ulteriori dettagli, contattateci su permion.ai.

Kara Beckles, 1:32:19

Bene, ottimo. Ora torneremo a Dawn, che introdurrà i destinatari italiani, e poi passeremo alla sessione di domande e risposte. A te, Dawn.

Dawn Hall, 1:32:34

Fantastico. Grazie mille. Per il destinatario dall’Italia, sono molto lieta di dare il benvenuto a Simone Vagnoni, il destinatario selezionato. Simone è stato riconosciuto per la sua proposta di un knowledge graph deliberativo alimentato da AI per l’analisi delle policy democratiche.
Purtroppo Simone non è con noi oggi, quindi lo introdurrò a suo nome. La soluzione utilizza un knowledge graph per identificare i temi principali discussi attraverso diverse fonti di deliberazione pubblica. Questa analisi delle informazioni pubbliche può aiutare i decisori politici a comprendere meglio le prospettive dei cittadini su diversi temi.

I giudici hanno ritenuto che la soluzione fosse un approccio tecnologico solido e hanno apprezzato le diverse tecnologie utilizzate. Hanno anche ritenuto valida l’applicazione nei repository di dibattito pubblico dell’Unione Europea e che avrebbe un forte interesse pubblico. I giudici hanno suggerito che sarebbe utile una narrazione più forte sull’impatto per gli utenti o per il governo. Scopriamo di più sulla soluzione attraverso il video.

Simone Vanioni, 1:33:52

Buongiorno a tutti. Sono Simone Vagnoni, dottorando presso CIRSFID-ALMA-AI, Università di Bologna e Ontology Engineering Group, Universidad Politécnica de Madrid. Ringrazio i miei supervisori Monica Palmirani e Victor Rodriguez Doncel e in particolare il G7 GovAI Grand Challenge per avermi dato l’opportunità di presentare il mio lavoro: un knowledge graph deliberativo che collega il discorso democratico istituzionale e civico attraverso forum nel tempo e nello spazio, utilizzando diversi strumenti di AI.

Abbiamo voluto affrontare il primo problema – la gestione di grandi volumi di informazioni, partendo dal divario nei dati democratici. Il problema è che quando i cittadini discutono di politiche climatiche sui social media, mentre i parlamentari discutono lo stesso tema in sessioni formali, queste conversazioni rimangono isole separate della democrazia.

Esistono molti dati deliberativi, dai portali ufficiali ai forum online o piattaforme partecipative come Decidim, Polis e così via. Ma non esiste un modo per analizzarli tra piattaforme diverse. È un’opportunità mancata per ottenere insight democratici. Attualmente, cittadini e istituzioni operano in silos.

Abbiamo quindi sviluppato il deliberation knowledge graph — un framework unificato che collega argomenti tra piattaforme, partecipanti tra contesti, temi tra istituzioni ed evidenze tra fonti — e un’interfaccia per mostrarne il potenziale. Abbiamo basato il knowledge graph su un’ontologia deliberativa suddivisa in tre modelli.

Il modello di processo: come si sviluppa la deliberazione, fasi, timeline, organizzazioni, dalla definizione dell’agenda al processo decisionale. Il modello dei partecipanti: chi partecipa, cittadini, esperti, parlamentari, organizzazioni, ruoli e relazioni tra contesti. Poi il modello degli argomenti: cosa viene detto? Argomenti, posizioni, evidenze, relazioni di supporto/attacco che permettono un’analisi più approfondita tramite NLP a posteriori.

Questo consente di effettuare mappatura degli argomenti, rilevamento delle policy per misurare la qualità del discorso e le relazioni tra i nodi della rete, nonché topic modelling. Dai diversi dati estraiamo i dati grezzi tramite web scraping e API, li colleghiamo all’ontologia e sviluppiamo servizi come quello che mostro ora.

Qui vedete l’interfaccia utente, molto minimale, con un motore semantico che consente di cercare qualsiasi tema e confrontarlo tra diverse piattaforme e forum come Consultation Have Your Say, Parlamento Europeo, Polis, Decidim e altri. Se cerchiamo ad esempio “voto”, grazie alla ricerca semantica basata su embedding (sentence-BERT), possiamo cercare per significato e non solo per parole chiave, e ordinare i risultati in vari modi.

Qui abbiamo il punteggio di similarità semantica, il numero di contributi, ecc. Ad esempio, Canadian Electoral Reform. Ogni nodo rappresenta un contributo collegato ad altri nodi e dotato di metadati: testo, data, autore pseudonimizzato, conteggio di accordo/disaccordo. Qui vediamo la visualizzazione del knowledge graph e il topic modelling.

Poiché abbiamo mappato la semantica delle discussioni, possiamo analizzare tra piattaforme quali sono i temi più discussi. Qui alcuni esempi. Nella prossima versione stiamo sviluppando l’argument mapping per migliorare l’analisi della qualità del discorso. Tornando alla presentazione, esistono molte piattaforme diverse e vogliamo collegarle in una “linked democracy”, connettendole tra loro e con le istituzioni per capire cosa vogliono i cittadini e cosa verrà effettivamente realizzato.

Le applicazioni pratiche includono il tracciamento degli argomenti tra piattaforme, il monitoraggio della salute democratica, la valutazione della qualità degli argomenti e il superamento del divario tra istituzioni e cittadini.

Riconosciamo tuttavia alcune sfide. Gli argomenti esistono nel contesto e non solo nella struttura, quindi estrarli può portare a interpretazioni errate. Ci sono problemi di privacy e integrità contestuale, e il collegamento tra piattaforme solleva nuove preoccupazioni. Esiste anche il rischio di iper-persuasione: più dati consentono manipolazioni più sofisticate. Il nostro approccio prevede trasparenza nelle limitazioni e principi etici di progettazione.

Il quadro generale è una democrazia epistemica in cui i cittadini vedono come le loro voci raggiungono le istituzioni, i ricercatori monitorano l’evoluzione democratica, i giornalisti seguono le catene argomentative e i parlamentari comprendono il sentimento pubblico.

Per concludere, un invito all’azione: per i ricercatori, unirsi a noi nell’espansione dell’ontologia e delle fonti dati; per i professionisti, implementare standard deliberativi nelle proprie piattaforme; e per i cittadini, richiedere processi democratici trasparenti e connessi. E naturalmente partecipare. Grazie per l’attenzione e restiamo in contatto. Qui trovate i QR code della piattaforma e il mio profilo LinkedIn. Grazie.

Kara Beckles, 1:42:14
Bene. Grazie. Ora inviterò nuovamente Paula sullo schermo e farà alcune domande a Paul Brown di Permion.

Paula Rodriguez Müller, 1:42:26
Grazie, Kara. Sì, Paul, vorrei ora sentire qualcosa in più su cosa ti ha portato personalmente a questa iniziativa. In particolare, vorremmo sapere cosa ti ha attratto a partecipare al Grand Challenge.

Paul Brown, 1:42:41

Grazie Paula e grazie mille anche per quella splendida introduzione. In Permion avevamo identificato un divario critico tra le policy del G7 e le soluzioni disponibili. Le preoccupazioni dei cittadini e dei funzionari pubblici riguardo all’AI rappresentavano un’opportunità per indagare e allineare Permion alle esigenze delle nazioni del G7. Abbiamo quindi mirato a testare il nostro DSME agentico e la piattaforma XVM su cui DSME funziona all’interno di programmi di allineamento orizzontale come infrastruttura di garanzia, un sistema sicuro di conformità dell’AI e un piano di controllo della governance. Abbiamo una soluzione sostenibile con opportunità di implementazione nel mondo reale e possibilità di collaborazione internazionale. Vediamo quindi il Grand Challenge come un’opportunità per presentare la nostra soluzione con visibilità globale.

Paula Rodriguez Müller, 1:43:33

Grazie Paul, è molto interessante. Per concludere questa serie di domande ne ho un’ultima. Vorremmo anche esplorare un po’ la tua esperienza nel processo del Grand Challenge. In che modo il feedback ricevuto dai giudici ha influenzato la tua soluzione?

Paul Brown, 1:43:53

Il feedback è stato estremamente utile. Ci ha aiutato a comprendere meglio la complessità degli strumenti orientati alle policy, che richiedono competenze specialistiche oltre che esperti di AI agentica per fornire specializzazioni di policy che aiutino poi gli analisti a vedere oltre l’orizzonte in termini di potenziali effetti, risultati e impatti. Abbiamo quindi aggiunto diverse funzionalità, come le visualizzazioni basate sulle frasi deontiche e l’identificazione dei potenziali stakeholder, costruendo queste funzionalità sui nostri agenti e strumenti AI già esistenti per portare queste informazioni all’attenzione dell’utente, rendendole accessibili anche ad altri sistemi tramite API.

Paula Rodriguez Müller, 1:44:39

Grazie, Paul. A te la parola, Kara.

Kara Beckles, 1:44:42

Bene. Grazie. Grazie a entrambi, Paula e Paul. Ora, poiché sapevamo che Simone non avrebbe potuto partecipare di persona, abbiamo comunque una sessione di domande e risposte con lui che mostreremo ora in video.

Dawn Hall, 1:45:03

Prima domanda: c’è stato qualcosa in particolare che ha ispirato la tua soluzione?

Simone Vagnoni, 1:45:10

Grazie per la domanda. Prima di tutto, la frustrazione per la disconnessione tra il discorso istituzionale e le discussioni che avvengono online e offline ovunque. Ciò che i cittadini vogliono davvero, credo, è che si debba connettere di più e andare oltre il modo in cui oggi facciamo democrazia, perché ci sono dati pubblici disponibili e le grandi piattaforme private li utilizzano ogni giorno. Sarebbe quindi molto utile collegarli e offrire questa possibilità ai cittadini di esprimersi e di connettere più direttamente il processo decisionale delle istituzioni pubbliche con i cittadini.

Dawn Hall, 1:26:24

Grazie. Seconda domanda: con chi vorresti collaborare in futuro?

Simone Vagnoni, 1:46:31

Mi piacerebbe collaborare con i governi del G7 che stanno implementando attivamente piattaforme di partecipazione digitale. Il Treasury Board del Canada sarebbe un punto di partenza ideale, così come Italy's AGID, e questa partnership consentirebbe implementazioni pilota. Inoltre, nell’ecosistema civic tech in cui sono già coinvolto, vorrei rafforzare i collegamenti con attori come CDM Association, vTaiwan e altre piattaforme e associazioni pubbliche e private di partecipazione, nonché con la Democratic Data Space Initiative. Inoltre, con gruppi di ricerca come quello con cui lavoro attualmente, University of Bologna e Universidad de Madrid, ma anche estendere la collaborazione con altri gruppi di ricerca in tutto il mondo per connettere questi lavori. Grazie per la domanda.

Dawn Hall, 1:48:11

Ottimo. Sembra che ci siano molte opportunità di collaborazione. Grazie mille. È stato molto interessante.

Kara Beckles, 1:48:24
Bene. Congratulazioni ancora a Paul e Simone. Soluzioni davvero molto interessanti che posso vedere implementate nei governi e non vedo l’ora di vedere cosa accadrà in futuro. E naturalmente grazie ancora a Paula per la tua esperienza come giudice e per il tempo e l’attenzione dedicati oggi, e grazie a tutti i partecipanti che hanno trascorso con noi quasi due ore.

Spero che abbiate apprezzato le presentazioni e l’incontro con i nostri destinatari tanto quanto me. Sicuramente non sono rimasta delusa. E grazie anche a tutti i giudici, sia quelli che sono riusciti a partecipare online oggi sia quelli che hanno dedicato ore alla valutazione delle oltre 100 candidature ricevute durante questo processo, e grazie anche ai membri del GAIN provenienti da tutto il G7 che hanno lavorato con noi nell’ultimo anno per rendere possibile questa competizione. Senza il loro contributo sarebbe stato molto difficile arrivare dove siamo oggi. Hanno fornito competenze, pareri esperti, ci hanno aiutato a definire le priorità delle sfide e in molti casi hanno fornito dataset governativi unici utilizzati nelle soluzioni presentate.

E grazie a tutti coloro che hanno inviato le loro soluzioni. Non avremmo potuto farlo senza la partecipazione di persone da tutto il mondo e, indipendentemente dal risultato, apprezziamo sinceramente i vostri contributi e speriamo che continuerete i vostri sforzi per promuovere un’AI responsabile nel settore pubblico e oltre. Per chi desidera saperne di più sui destinatari, sulle menzioni d’onore e sui finalisti, visitate il sito web del Grand Challenge che contiene tutte queste informazioni.

E infine, ma non meno importante, grazie al team del Treasury Board of Canada Secretariat. Avete visto Dawn sullo schermo molte volte, project lead di questo progetto, che ha dedicato sicuramente molto impegno e passione a questo lavoro nell’ultimo anno. Ma voglio anche riconoscere gli altri membri del team, Jonathan Macdonald, Mark Levene, Alison Kinsman, Dana Kenny, Jelane Julien.

Grazie a tutti voi per il vostro duro lavoro e impegno nell’ultimo anno. Vi rendo omaggio. Questo conclude il nostro Grand Challenge Showcase di oggi. Vi auguro una buona giornata o una buona serata, a seconda di dove vi trovate nel mondo, e spero di rivedervi presto. Grazie a tutti!

免責事項：この文章は英語からAIによって自動翻訳されました。誤りや不正確な箇所が含まれる場合があります。

Disclaimer: This text was automatically translated from English using AI. It may contain errors.

Kara Beckles, 0:01

皆さん、こんにちは。本日はご参加いただきありがとうございます。本日、G7 GovAI Grand Challengeの選定受賞者を発表できることを大変嬉しく思います。まもなくすべての受賞者の発表をお聞きいただきますが、本日こうして皆さんとご一緒できたことを嬉しく思います。私自身、この日を何ヶ月も前から心待ちにしており、皆さんと同じく、これから披露される素晴らしいプレゼンテーションのいくつかはまだ見ていません。ですので、初めてそれらを見るのを、皆さんと同じようにとても楽しみにしています。

私の名前はKara Becklesです。カナダ財務委員会事務局にてプライバシーおよび責任あるデータ担当のエグゼクティブディレクターを務めており、本日は司会として、この後数時間にわたって皆さんをご案内しながら学びを深めていきます。はじめに、私は太古の昔からこの土地を守り続けてきたAlgonquin Anishinaabeの人々の未割譲の伝統的領土から参加していることを認識したいと思います。オンラインで参加されている皆さんにも、ご自身が暮らし、働き、遊ぶ土地について少し考える時間を持つことをお勧めします。

そして、その土地の伝統的な管理者について学びましょう。私たちが「ホーム」と呼ぶ場所に結びつく歴史や責任を理解することは、和解に向けた重要な一歩です。

いくつか事務的なご案内です。マイクとビデオの使用は、この通話に参加している発表者を除き、すべての方で無効になっています。Q&A機能はご利用いただけますが、技術的な問題に関する質問のみに限られます。何か問題がある場合はお知らせください。ただし、メッセージは公開されません。共通の問題がある場合には、チームからQ&Aを通じてご案内することがあります。

本日のセッションは主に英語で行われます。選定受賞者の動画は、両公式言語のトランスクリプト付きでオンラインに掲載されています。本日のイベントの動画は今週後半に公開されます。フランス語でのプレゼンテーションをご希望の方は、チームまでご連絡ください。

[Translated from French]

本日のセッションは主に英語で行われます。選定受賞者の動画は、両公式言語のトランスクリプト付きでオンラインに掲載されています。本日のイベントの動画は今週後半に公開されます。フランス語でのプレゼンテーションをご希望の方は、チームまでご連絡ください。

[English]

それでは、この特別な機会の開始にあたり、財務委員会議長であるShafqat Ali大臣に開会のご挨拶をお願いしたいと思います。

Shafqat Ali, 2:59

[Translated from French]

皆さん、こんにちは！

[English]

G7 Gov AI Grand Challengeのショーケースデーへようこそ。2025年にG7議長国を務めたカナダは、AIの公共部門における可能性を探るべく、初のAIグランドチャレンジを主導しました。私たちは、AIが市民へのサービス提供の方法や政府の運営方法を大きく改善できる可能性を認識しています。これらの新たな機会を探るにあたり、私たちは責任ある倫理的なアプローチを取らなければなりません。このチャレンジの目的は、政府が現在直面している重要な課題に対処するためにAIの可能性を引き出し、より良い未来に向けた解決策を見出すことです。私たちは協働から生まれる価値を理解しています。このチャレンジは多様な知性を結集し、最良の成果を導くことを可能にしました。このコンペティションは橋を架け、インスピレーションを生み出すものとなるでしょう。

このチャレンジを通じて、G7各国および欧州連合のイノベーターや研究者たちは、公共部門が現在直面している4つの重要課題のいずれかに対処する提案を提示しました。これらの優れた人材の卓越した取り組みを誇りに思うとともに、その努力を称えたいと思います。また、この重要な取り組みに参加し貢献してくださった100以上のチームにも感謝申し上げます。彼らは素晴らしい情熱と刺激的な取り組みを発表し、本日はそれらの中から特に優れたソリューションをご紹介します。

このチャレンジにおいて時間、協力、創造性を提供してくださった皆さまに感謝します。そして最後に、2026年にG7議長国を引き継ぐフランスのリーダーシップに祝意を表します。カナダは、この重要な国際フォーラムにおいて引き続き協力していくことを楽しみにしています。ありがとうございました。

[Translated from French]

どうもありがとうございました。

[English]

Kara Beckles, 5:35

それでは、大臣のご挨拶に感謝いたします。ここで、あまりご存じない方のためにご説明しますと、このグランドチャレンジはG7 AI Network、通称GAINによって立ち上げられました。これは、公共部門における人工知能の責任ある効果的な導入を推進するという使命の一環として、G7各国とEUの協働による取り組みです。

また、このチャレンジの実施にあたり、同様のプロセス運営に豊富な経験を持つImpact Canadaと連携できたことを大変幸運に思います。彼らの支援は、このチャレンジの成功に大きく貢献しました。このチャレンジは、2025年11月17日から12月1日にかけて実施された4つの迅速なソリューションラボを通じて行われ、G7およびEUの参加資格を持つ参加者から、スケーラブルで責任あるAIソリューションを導き出しました。各G7加盟国およびEUから選ばれた最優秀ソリューションには最大1万カナダドルが授与されました。また、13歳から17歳、および18歳から29歳の2つのユースカテゴリーも設けられました。審査および審議を経て、受賞者、佳作、ファイナリストが決定され、現在7つの受賞者が選ばれていますが、そのうち3つのカテゴリーでは受賞者なしとなりました。全体として、一般市民およびGAINからの関心の高さは、このチャレンジがカナダおよびG7各国におけるAIソリューションのアイデアを集める強力な手段であったことを示しています。

このチャレンジは、まずカナダの州・準州・自治体のネットワークとともに策定し、その後G7のパートナーと最終化した4つの課題設定に基づいています。これらのGAIN会議に参加し、課題設定に貢献してくださった皆さまに感謝いたします。課題は、情報管理から、法律・政策・規制における複雑なルールの理解、政府プロセスにおけるリソース配分の決定、そして政府とのやり取りにおけるコミュニケーション障壁まで多岐にわたります。

審査員についてですが、G7各国から集まった豊富な国際的専門知識を持つ方々が審査を担当し、本日ご紹介するトップソリューションを選定しました。これには業界リーダー、公務員、学術関係者、そして公共部門におけるAI導入やAI・新興技術のガバナンスと倫理の専門家が含まれます。審査員はこのプロセスにおいて中心的な役割を果たしました。本日紹介されるソリューションと受賞者は、複数の基準に基づいて評価されました。例えば、顧客や社会に対してポジティブな利益をもたらすか、システム間の統合可能性を示す相互運用性があるか、アプローチが明確に説明可能か、スケーラビリティがあるか、すなわちより多くのユーザーに対応できるか、機能拡張が可能か、障害を持つ方や識字レベルの異なる方にもアクセス可能か、そして実装による利便性があるか、といった点です。本日は複数の審査員にもご参加いただいており、まもなくお話を伺います。

それでは進行に移ります。本日のアジェンダについて簡単にご説明します。3つのパネルがあり、それぞれのパネルで審査員が各カテゴリーの受賞者を紹介します。パネル1ではカナダ、日本、英国を取り上げます。各ソリューションの紹介後、短い動画をご覧いただき、どのような仕組みかをご理解いただきます。その後、審査員と受賞者によるQ&Aセッションを行います。続いてパネル2では18歳から29歳のカテゴリーとドイツを取り上げ、同様の形式で進行します。パネル3では米国とイタリアを取り上げ、その後セッションを締めくくります。それでは、本日のメインとなる内容に移ります。日本の審査パネルを代表し、日本の受賞者を紹介していただくKyoko Yoshinagaをご紹介します。

Kyokoは慶應義塾大学大学院メディアデザイン研究科の特任准教授であり、Georgetown LawのInstitute for Technology Law and Policyのアフィリエイトスカラーでもあります。本日はご参加いただきありがとうございます。それではKyoko、お願いいたします。

Dawn、テキストの調整の間に動画紹介をお願いしてもよろしいでしょうか。

Dawn Hall, 11:19

こんにちは。もちろんです。ご提案の通り、日本から始めます。本日は、日本の選定受賞者であるTeam 1902をご紹介できることを大変嬉しく思います。チームメンバーはSatoko Watanabe、Jinosuke Yamada、Yuzua Takeuchi、Noyuri Iizukaです。本日はSatoko Watanabeが参加しています。

Team 1902は、「政府データを活用した誤情報対策」というソリューションで評価されました。このソリューションは、ソーシャルメディア上の議論を政府の公式オープンデータに直接接続することで、金融に関する誤情報に対応します。RAG（検索拡張生成）とVertex AIを用いて、政府文書に基づいた信頼性の高い回答を提供します。審査員は、この課題が非常に社会的に重要であると評価し、権威ある政府情報源と結びついている点を高く評価しました。また、公式文書に基づく設計、ユーザープロファイルデータを保存しない点、回答を控える仕組みなど、責任あるAIの取り組みも評価されました。それでは、このソリューションについて詳しく見ていきましょう。

Team 1902 - Video Demonstration, 12:44

[Satoko Watanabe]

こんにちは、私たちはTeam 1902です。本日は私たちの提案であるGovGov、政府データを活用した誤情報対策についてご紹介します。こちらがチームメンバーです。私たちは日本の早稲田大学の学生で、全員ディベートクラブに所属しています。新たな挑戦としてハッカソンへの参加を決めました。

私たちが取り組む課題は、課題番号4です。市民は多様なコミュニケーションニーズを持っており、政府とのやり取りは困難でストレスの多いものとなり、既存の障壁をさらに悪化させることがあります。今日のデジタル環境では、誤情報が至る所に存在しています。私たちは、訂正されない誤情報の拡散という重大な問題を特定しました。これは事実に基づく議論を妨げています。健全な民主主義を守るためには、2つの柱が必要です。ソーシャルメディア上でのリアルタイムのファクトチェックの仕組みと、信頼できるデータへのシンプルなアクセス経路です。

例えば、「Zikaによって不法移民問題が増えたらどうするのか？」や「外国人の方が生活保護を受けやすい」といった噂がX上で頻繁に拡散されています。ユーザーはこれらの主張をAIツールに尋ねて検証しようとしますが、これらのシステムはしばしば不正確な結果を出します。その結果、現実から乖離した分断的で非生産的な議論が生まれます。さらに、多くのユーザーが生成AIを主要な検索エンジンとして利用するようになっていますが、これらのモデルは個人ブログやAI生成の低品質コンテンツなど信頼性の低い情報源を取り込むことが多く、公共的な議論の信頼性を損なっています。

では、どのようにして建設的な対話を取り戻すのでしょうか。その答えは、高信頼性の情報の提供にあります。政府は市民と直接コミュニケーションを行う積極的な役割を果たすべきです。真の政府と市民のコミュニケーションモデルです。そのためには、情報は包括的かつ正確である必要があります。日本の行政事業レビューシートは、すべての予算事業を網羅する唯一の省庁横断的な公式データベースです。その網羅性と信頼性により、誤情報対策のプラットフォームとして大きな可能性を持っています。このリソースを活用するために、私たちは2つのプロダクトを開発しました。レビューシートと連携したX統合型ボットのGovGovと、WebベースのAIチャットインターフェースであるGovGov Webです。

まず、公式の政府ファクトチェックボットであるGovGovをご紹介します。ユーザーがソーシャルメディア上で疑わしい情報に遭遇した場合、@GovJapanとメンションすることで検証を依頼できます。ボットはレビューシートから最も関連性の高い行政事業を特定し、そのデータをLLMに入力します。このRAGシステムにより、出力は厳密に公式事実に基づくものとなります。次にGovGov Webです。現在、市民はジレンマに直面しています。手動のウェブ検索は煩雑であり、生成AIの回答は信頼できません。GovGov Webは、曖昧な質問に対する提案機能を提供し、知識ベースを政府文書のみに限定することで最大限の信頼性を確保します。1分間のデモをご覧ください。

ここでは、ユーザーが経済産業省の訪問について質問し、AIが回答しています。これはGovGov Webで、ユーザーが日本のデジタル庁の予算について質問しています。私たちはGovGovとGovGov Webを初期の概念実証として公開しましたが、政府コミュニケーションを近代化するためにはさらに2つのステップが重要だと考えています。第一に、AI SEO最適化とMCPサーバーの実装により、政府データを機械可読にすること。第二に、法律や審議会議事録を統合し、チャット応答の単一の信頼できる情報源を構築することです。私たちの最終的なビジョンは、市民が効果的な政策を共同で支持し、改善が必要な政策を建設的に批評できる社会です。

レビューシートを根拠に基づく議論の基盤として活用することで、社会的分断を超えた合意形成を促進したいと考えています。ご清聴ありがとうございました。

Kara Beckles, 18:29

ビデオをありがとうございました。それでは次に進みます。技術的な問題についてお詫び申し上げますが、Kyokoにいくつかコメントをいただきます。

Dawn Hall, 18:38

それでは再びKyoko Yoshinagaをお迎えし、日本の受賞者であるTeam 1902の「政府データを活用した誤情報対策」ソリューションについてコメントをいただきます。Kyoko、お願いします。

Kyoko Yoshinaga, 18:54
ありがとうございます、Dawn。本イベントで審査員を務めることができ、大変光栄でした。審査員を代表して、日本の受賞者であるTeam 1902、Satoko Watanabeさんが代表するソリューションをご紹介し、いくつかコメントをさせていただきます。

Team 1902のソリューションであるGovGovは、ソーシャルメディア上の議論を公式な政府データとAIエージェントを通じて直接結びつけることで、公共予算に関する誤情報に対処する実践的なアプローチを取っています。ユーザーはボットにタグ付けするだけで、直感的かつアクセスしやすい形で主張を検証することができます。審査パネルにとって特に際立っていたのは、この使いやすさでした。デジタル透かし、来歴検証、ブロックチェーンベースのソリューションなど、誤情報・偽情報に対するさまざまなアプローチが検討されている中で、本提案は市民にとって検証を容易にするユーザー中心の設計に焦点を当てています。
全体として、パネルはこれを重要な社会的課題に取り組む強力な応用例と評価しました。このモデルは公式な政府情報にしっかりと基づいており、コンセプトは革新的でよく考えられており、グローバルに適用できる明確な可能性を持っています。同時に、さらなる発展によってソリューションを強化できる余地もあります。例えば、PDF、スプレッドシート、構造化データベースといった異なるデータ形式を実務上どのように扱うかについて、より詳細な説明があるとよいでしょう。重要なのは、誤解を招く可能性のある主張を特定し、それを政府が検証したデータと照合するという中核的なアプローチが堅牢であり、ユーザー操作のシンプルさが明確な強みである点です。また、GovGov Webインターフェースについては、曖昧な質問を洗練させつつ、回答を公式政府情報に基づかせることで、ツールのアクセシビリティをさらに高める有用なステップとなっています。

さらに特に印象的だったのは、評価後にこの提案が非技術系の学生によって開発されたと知ったことです。これは、技術的背景を持たない人々でもAIに有意義に関わり、この分野で主体的に取り組むことができることを示しています。今後、さらなる技術的専門性が加われば、このソリューションはより洗練され、拡張され、より広範なグローバル利用を支える形で発展する可能性があります。もちろん、このようなシステムは最終的には政府が正確で透明性が高く、適切に維持された公共データを提供することに依存します。その基盤が存在する場合、このようなツールは、情報に基づいた公共的議論を支える上で重要な役割を果たすことができます。改めてTeam 1902の皆さん、おめでとうございます！このソリューションが今後どのように進化していくかを楽しみにしています。ありがとうございました。

Dawn Hall, 22:28
素晴らしいですね。どうもありがとうございます。それでは次に、英国の選定受賞者であるLoganberry Teamをご紹介できることを嬉しく思います。チームメンバーはQian Huang、Nigel Cullumbine、Tor Gisvold、Ana Ohdeです。本日はQian Huangが参加しています。Loganberryチームは、「資源計画の未来」というソリューションで評価されました。このソリューションはプロセスマイニングを活用し、日常的な病院の管理データを実行可能な洞察へと変換します。
これらの洞察は、病院管理者や政策立案者が資源配分を判断する際に活用でき、病院の待ち時間問題の解決に役立ちます。審査員は、このツールが非常に有用であり、データサイエンスを用いて現在私たちが直面している重要な課題に対処するものだと評価しました。また、技術アーキテクチャの質の高さにも注目し、異なる管轄区域でのスケーラビリティについてさらに知りたいと考えました。Loganberryチームの皆さん、おめでとうございます！それでは、このソリューションについて詳しく見ていきましょう。

Loganberry Team - Video Demonstration, 23:38

[Ana Ohde] 私はAna Ohde、ヘルスエコノミストです。私たちのソリューションが測定可能な経済価値と人口レベルでの持続可能なインパクトを提供することを担っています。
[Nigel Cullumbine] 私はNigel Cullumbine、最高執行責任者です。20年以上にわたる医療・ケア分野のリーダーシップ経験を持ち、CIOやCOOを含む役職を歴任してきました。業務上の課題を実用的なデジタルソリューションに変換することを専門としています。
[Tor Gisvold] こんにちは、Tor Gisvoldです。CTOとして技術戦略を統括し、安全でスケーラブルなAIファーストおよびクラウドファーストのプラットフォーム構築を担当しています。
[ZhiQian Huang] 私はZhiQian Huang、CEO兼共同創業者です。NHSの運用危機管理のバックグラウンドを持ち、プロセスマイニングを用いて医療システム全体の患者フローの洞察を明らかにする取り組みを先導してきました。
[Text on screen that is not spoken]
私たちは、運用・技術・経済の専門性を組み合わせ、政府がより効果的に資源配分できるよう支援するオペレーショナル・インテリジェンス層を構築しています。
[Unnamed narrator] G7の課題は、複雑なシステム内でニーズを予測し、効果的に資源を配分することの難しさを認識しています。緊急医療の現場では、この課題は日々顕在化しています。
病院は限られた人員、空間、設備をリアルタイムで配置しなければなりません。しかし意思決定は依然として反応的であり、測定可能な成果と結びついた運用インテリジェンスではなく、個人の経験に依存することが多いのが現状です。私たちのソリューションはこの問題の解決を目指しています。
[Text on screen that is not spoken]
Process Mining /noun phrase/ ITシステム内のイベントログから知識を抽出・分析することで、業務プロセスを発見、監視、改善するためのデータ駆動型分析手法。
[Unnamed narrator] プロセスマイニングにより、各患者のフローを数秒で個別に分析することが可能です。従来の分析では困難なことです。これらのフローを構造化されたルートに分類する独自手法が、インテリジェントな資源計画の基盤となっています。例えば、ある救急部門では、血液処理の遅延の原因が検査室の能力ではなく搬送スタッフの不足であることを明らかにしました。
[Text on screen that is not spoken]
すべての病院がこの洞察にアクセスするには？
[Unnamed narrator] 私たちのAIコンパニオンであるLoganberryは、運用チームが自然言語でこれらの洞察を活用できるようにします。Loganberryは各病院およびユーザーに合わせて最適化されており、デジタル成熟度や分析能力に関係なく使いやすい設計です。構造化されたフローデータ、病院の標準業務手順、国家ガイドライン、地域の文脈情報を統合し、ユーザーがダッシュボードを解釈する必要をなくします。
また、審査員からのフィードバックを反映し、説明可能性と責任あるAIのガードレールを強化しました。さらに、世界的な導入に向けて言語の壁も取り除いています。
AIの回答は文脈を理解し、その推論過程を明確に示すことができます。AIは範囲外の質問には対応せず、知識範囲内でのみ回答するよう設計されています。人間の判断を置き換えるものではなく、それを支援するものです。プロセスマイニングデータは、処理前に患者識別情報が匿名化され、当社のインテリジェンスモジュールは個人を特定できるデータを収集・処理しません。
私たちは、ソフトウェアスタックとデータ居住性を完全に管理できるエンタープライズ技術プロバイダーと提携しており、GDPRやEU AI Actを含む各国の法規制への適合が可能です。このアーキテクチャは安全でクラウドネイティブであり、現在すでに規制産業においてスケール運用されています。これにより、単一の病院から国家レベルまで、ガバナンス、セキュリティ、コンプライアンスを維持しながら拡張できると確信しています。
[Text on screen that is not spoken]
病院はどのように洞察を活用して資源配分を改善できるのか？
[Unnamed narrator] 私たちは、初回提出以降、リアルタイムのオペレーショナル・インテリジェンスのプロトタイプを開発しました。
このモジュールにより、スタッフは運用上の問題を発生時に記録でき、AIが文脈を一貫して捉えることで、断片的なメッセージや非公式な引き継ぎに依存する必要がなくなります。私たちのソリューションは、各問題を患者フローへの影響と関連付けます。これは、病院の日常運営に関する実務的知識が構造化された形で初めて記録されることを意味します。
私たちのソリューションは、追加リソースを投入する前に検討すべき事項について提案を行います。これにより可視性が向上し、複雑なリアルタイム運用を管理する際の認知負荷が軽減されます。
AIは病院のステータスを提案しますが、経営陣がそれに異議を唱えることができ、最終的なコントロールは維持されます。
これは本番展開に向けたプロトタイプアーキテクチャであり、認証、ガバナンス、プロセスマイニングモデル、知識統合、説明可能AIを含むエンタープライズ制御とインテリジェンス層が追加されています。このオペレーショナル・インテリジェンスはLoganberryのインテリジェンス層に統合され、実世界の文脈を取り入れて洞察を強化します。タイムスタンプ付きの運用データと柔軟なデータ居住モデルに基づいているため、各管轄区域で安全に導入可能です。これにより、各病院の実際の運用に即した形で機能します。
[Text on screen that is not spoken]
運用コンテキストの取得
問題とフロー影響の関連付け
認識された影響と実際の影響の追跡
経営レベルの認知負荷の軽減
暗黙知の形式知化
Thank you, Canada!
Merci, Canada!

30:05 素晴らしいですね。ありがとうございます。申し訳ありませんが、一部の審査員との接続に問題が発生しており、現在対応中です。ひとまず、Dawnに戻り、カナダのビデオ紹介をお願いしたいと思います。

Dawn Hall, 30:28
こんにちは、Kara、ありがとうございます。それでは、カナダの選定受賞者であるInnervationをご紹介します。チームメンバーはJameson Jones Doyle、Tyler Kolody、Jonathan Nussです。本日はJameson Jones Doyleが参加している予定です。Innervationは、「アクセシブルな政府コミュニケーションのためのマルチエージェントAIバイアス検出システム」というソリューションで評価されました。このシステムは、政府コミュニケーションにおけるバイアスをリアルタイムで検出・除去します。
AIを活用して文書やAI出力などのテキストからバイアスを取り除き、あらゆる種類のバイアスに拡張可能です。審査員は、このツールの技術的完成度の高さを高く評価し、非常に成熟していると感じました。また、その潜在的な影響の大きさと、特に透明性とバイアスへの注力を含む責任あるAIのアプローチを評価しました。カナダの受賞者であるInnervationチームの皆さん、おめでとうございます。それでは、このソリューションについて詳しく見ていきましょう。
Sophie Fallaha, 31:41
皆さん、おはようございます、こんにちは、こんばんは。私はSophie Fallahaです。モントリオールにあるAIの国際専門センターCEIMIAのCEOです。カナダにおけるG7 Gov AI Grand Challengeの審査員を務めることができ、大変光栄でした。
多くの才能ある方々が喫緊の課題に取り組み、公共部門におけるAI導入の改善を目指している姿を見ることができたのは特権でした。本日は、カナダの受賞者であるInnervationをご紹介し、審査員を代表していくつかコメントをさせていただきます。Innervationは、政府コミュニケーションにおけるバイアスをリアルタイムで検出・除去するマルチエージェントAIシステムです。現在は、ベストプラクティスのバイアス識別ガイドに基づき、障害関連のバイアスに対応するよう構成されています。3つの介入ポイントで機能します。まず、ユーザーが提出した文書の分析とバイアス除去。次に、AIシステムへの入力前のユーザープロンプトのスクリーニング。そして最後に、生成されたAI応答を提供前にバイアス除去します。問題のある表現を特定し、詳細な説明とともにバイアスを除去した代替案を提示する専門の批評エージェントを備えています。
このシステムは、公開向けAIのバイアス除去、インクルーシブなコミュニケーション、文化的配慮のあるサービス説明、バリアフリー対応の文書作成など、実世界での応用可能性を持っています。なお、すべてのバイアス除去されたAI出力、文書、ユーザープロンプトには、各変更およびバイアス除去処理の詳細な定義が付与されています。Innervationの主な成功要因として、まず重要な課題であるバイアス問題に対し、包摂性向上に向けた実践的かつ技術的なツールを実現している点が挙げられます。また、マルチエージェントAIシステムを扱う高い技術成熟度と、明確で強固なドキュメントアプローチも評価されました。この透明性は、責任ある信頼できるAIの原則に基づく熟慮されたアプローチの基盤となっています。
今後のステップとして、さらなる改善が期待される点もあります。まず、相互運用性の可能性をより明確にすることです。既存のシステムや技術との連携可能性、政策や法的枠組みとの整合性を示すことで、G7各国におけるスケーラビリティがより強化されるでしょう。次に、成果や効果を評価するための指標とプロセスの明確化です。これにより評価方法がより明確になり、出力への信頼性が高まり、市場における拡張性の可能性が強化されます。最後に、透明性とバイアスへの強いフォーカスを持つ成熟した優れたソリューションであるInnervationに改めてお祝い申し上げます。
今後の発展を楽しみにしています。ありがとうございました。

Innervation - Video Demonstration, 34:51
My name is Jameson Jones-Doyle. 私はAxon TechnologiesのCEOで、10年以上にわたり起業家として活動してきました。人々や、彼らが属するコミュニティがより大きな成果を達成できるよう支援する先進技術を専門としています。
[Jonathan] こんにちは、Jonathan Nussです。私はAxon Technologiesの共同創業者であり、Innervationを支える企業の一員です。この事業の法務および企業戦略の面で、初期の頃からTylerやJamesonとともに取り組んできました。最初から私が最も心を動かされたのは、Innervationがマルチエージェントシステムに焦点を当てていること、そしてその技術を、システムをより透明で、より公平で、最終的に私たちの社会にとってより良いものにする形で応用できる可能性でした。
[Tyler] こんにちは、Tyler Kolodyです。私は創業者であり、Axon TechnologiesのCTOです。今ここでご覧いただいているInnervation Multiagent frameworkの開発者です。GovAI Grand Challengeでは、課題4に焦点を当てました。それは、市民には多様なコミュニケーションニーズがあり、政府とのやり取りが既存の障壁を悪化させる可能性があるというものです。幅広い言語、文化、能力に対応できる形で人々とコミュニケーションを取るためのソリューションを設計する、という課題です。
障害当事者が主に所有する組織として、これは私たちが非常に意欲的に取り組みたかったテーマでした。私たちは、政府資料におけるエイブルイストな言語とそのバイアス除去に焦点を当てています。政府に携わる人々が、包摂的な資料をより簡単かつ効果的に作成できるようにし、それが検証可能で透明性のある形で行われることで、政府側に過度な負担をかけることなく、時間とともに調整、修正、改善できるようにしたいと考えています。
では始めます。ここでちょっとしたテスト実行をしてみます。現時点では、測定対象となる3つの異なる設定、標準がありますが、これは別の言語、別の標準、あるいはエイブルイズムではなく人種差別や、その他望ましいあらゆる種類のバイアスに差し替えることができます。
これはここで見える4つの異なるエージェントに分配されます。それぞれが1つの標準、またはフレーミングエージェントを担当しています。フレーミングエージェントは特定の標準を持ちませんが、高いレベルでのフレーミングや、テキストが高いレベルでどのような前提を置いていて、それがどのようにエイブルイストである可能性があるかを見ています。これらはすべてこのエージェント内で集約され、そこにはプログラムによる検証ステップもあります。これらはエイブルイズムそのものを検出することはできないとしても、出力が正しい構造を持ち、内容が一致していることを検証できます。これにより、上位エージェントからの先行入力が最終出力の一部として含まれている、あるいは付随していること、さらに出力が解析しやすく理解しやすい特定の形式と構造になっていることが保証されます。
では、これが今実行中なのが分かります。現在、最終的な回答を1、2分後に出す前に、以前の出力の添付を最終出力に保存しています。しかし、プロセスのすべてのステップは完全に監査可能で、完全に透明です。抽象化も難読化もありません。そうした点こそが、Innervationをユニークにしている中核だと考えています。私たちは、AIはどこにでも行くべきではなく、行くべき場所、つまり意味のある場所に行くべきであり、ユーザーを力づけるためのものであるべきだと強く信じています。たとえ多くの作業をこなし、非常に自動化されていたとしても、ユーザー、そしてユーザーが意思決定を行う対象となる人々が、設計において何よりも優先されなければなりません。
ここで完了したのが分かります。実際、最初の試行では検証ステップに失敗しました。検証失敗となった後、自ら修正して次の試行で成功したことが分かります。これはまさに私たちが確認したかったことです。
技術的な観点から言うと、バックエンドの構築にはDjango、Docker、Kubernetesを使用しており、フロントエンドはReactです。ただし、ユーザーやクライアントが私たちのフロントエンドを使う必要はありません。私たちは包括的なREST APIとドキュメントを備えており、それは自社フロントエンドでも使っていますが、クライアントが望む形で利用できるよう公開されています。したがって、大きな文字表示や色覚対応モードのような非常に便利で有用な機能もありますが、既存のインターフェースに統合する必要がある場合にも、それは十分に可能です。私たちはクライアントやユーザーのいる場所に合わせます。私たちのところへ来てもらうことは求めません。
したがって、完全に相互運用可能です。またもちろん、望むモデル、使いたいサプライヤー、あるいはオープンモデルを選ぶこともでき、完全なカスタマイズが可能です。これは特にプライバシー重視の用途において重要です。本件が必ずしもそうとは限りませんが、政府はしばしばユーザーデータを保護する必要があり、また保護しなければなりません。そして私たちはそれに対応できます。
私たちは、これによって政府の仕事がより効率的になることを願っています。というのも、民主的機関としてのカナダ政府にとっては、有効性や効率性には多くの側面がありますが、あらゆる有権者の声を聞けることが極めて重要だからです。そして、人口のどの層に対しても、話しかけることが難しくなっていてはなりません。私たちはこれによって、デフォルトで包摂的な言葉遣いをし、包摂的なやり方で取り組むことがより容易になることを願っています。次のステップについて言えば、少し夢物語のように聞こえるかもしれませんが、3年前にはこれもそうでした。そして今、私たちはここにいます。
この技術が実際にMPsとその有権者のレベルで使われるようになるのが夢です。そうすれば、MPsが自分たちのコミュニティ全体が何を懸念し、どのような問題や課題に対処してほしいと考えているのかを理解しやすくなります。また同時に、個々人が抱える個別の問題について提供した具体的な内容も抽出できるようになります。もちろん匿名化はされますが、基本的には民主的機関における高いレベルの情報と個々のレベルの情報の両方を最善の形で提供することを目指しています。では最後に、ここで確認できるように、出力は私たちが望んだ通りになっています。元のテキストがあり、加えられた各変更についての詳細な分析とリスク評価があり、そして最後に、実際にバイアスが除去されたコンテンツがあります。これはその後、人間が確認して承認した上で提供・利用することができます。ご清聴ありがとうございました。私たちと同じように、このパートナーシップを今後も続けていくことに期待していただければ幸いです。

Kara Beckles, 42:35
それでは、素晴らしいですね。次はKyokoにお渡しして、ファイナリストの皆さんにいくつか質問していただこうと思います。
Kyoko Yoshinaga, 42:42
はい。では、Satokoさん、改めておめでとうございます。まず、このGrand Challengeへの参加に惹かれた理由をお聞きしたいです。
Satoko Watanabe, 42:58
ご質問ありがとうございます。私たちがGrand Challengeに参加しようと決めたのは、プロダクト開発におけるパラダイムシフトが進行中だと信じているからです。私たちのチームは大学のディベートクラブのメンバーで構成されており、いわば非エンジニア集団です。しかし、AIコーディングツールの台頭と、直感的なGUIベースのクラウドサービスの広範な普及によって、専門的な技術知識を持たない私たちのような人でも、プロダクト開発に飛び込めるほど障壁が下がりました。ですから、このGrand Challengeに参加することで、「自分は技術系ではない」とか「専門家ではない」といった言い訳の時代は終わったのだということを証明したかったのです。このチャレンジは、その可能性を世界に示すための完璧な舞台だと感じました。

Kyoko Yoshinaga, 43:44

それは素晴らしく、とても印象的です。共有してくださって本当にありがとうございます。Jamesonにも同じ質問をしたかったのですが。Dawn、彼からの回答はありますか？
Dawn Hall, 44:00
Jameson、今後は誰と協力したいと考えていますか？
Jameson Jones-Doyle, 44:10

私たちは、コミュニティやそこに暮らす人々に幅広い影響を与える大規模組織と協力したいと考えています。これにはG7各国政府だけでなく、地域政府や地方自治体も含まれますし、銀行、メディア、大学、大規模雇用主も含まれます。私たちは、エイブルイストなバイアス、そして近いうちにあらゆる種類のバイアスの存在を減らすことで、人口のかなりの部分に影響を与えている横断的な障壁の軽減に貢献できると信じています。
Dawn Hall, 45:03

2つ目の質問です。Grand Challengeに参加したきっかけは何でしたか？

Jameson Jones-Doyle, 45:09

この3年間、私たちは私たちの知る限りCanadaで最も先進的なマルチエージェントフレームワークを開発してきました。この技術の応用は、人口のかなり大きな層に影響を与えている、重要かつ遍在的な障壁を取り除く可能性があるという点で、特に大きなインパクトがありました。具体的には、27%のCanadiansが障害を持つと自己認識しており、統計的にはすべての人が人生のどこかで障害を経験します。Grand Challengeは、マルチエージェントシステムが深い問題を解決できることを示すための完璧な場であり、このコンペティションで受賞者に選ばれたことを非常に誇りに思っています。
これが、この技術が本来持つべきインパクトを発揮するための検証と勢いにつながることを願っています。私たちを信じてくださり、政府内外におけるエイブルイストなバイアスの軽減にご協力くださってありがとうございます。

Dawn Hall, 46:57
素晴らしい回答でした。ありがとうございます、Jameson。ありがとうございます。では。
Kara Beckles, 47:01
はい。Jamesonに感謝します。それでは次にMalloryにお渡しします。Qianのビデオ紹介の前にお話しいただく機会がなかったので、ご自身の質問をいくつかされる前に、何か付け加えたいことがあればお願いします。
Mallory Durran 47:18

ぜひそうしたいです。QianとLoganberryのチームは本当に素晴らしいツールを作り上げました。そして、審査員にとって彼らを際立たせた大きなポイントのひとつは、それを実際の人間の意思決定者や、それを活用する現場の運用スタッフとともに実装してきたことだと思います。私たちが思い描ける多くのアプリケーションは、理論上はとても魅力的に見えますが、実際にそれをシステムに載せて運用する段階、しかもセキュリティやコンプライアンスの観点からそれを行うのは難しいのですが、そこに至って初めて本当に何が必要かが分かるのです。ですから、進行中の取り組みの中でも、非常に印象的でした。まだ1つ質問が残っていると思います。これらは明らかに多くの時間と努力が注がれた成果ですが、それでもまだ発展途上です。Qian、まずあなたから伺いたいのですが、あなたが構築したものについて、まだ実現できていないこと、あるいはまだ開発中の機能や課題として達成したいことは何ですか？
Qian Huang, 48:21
私は10年以上にわたりマネジメントコンサルタントとして、危機的状況にあるNHSの組織を支援してきました。その間、私は組織に招かれて立て直しプログラムを実施していましたが、1年後には再び呼び戻されることがありました。そこで私は、それが現場スタッフやリーダーシップチームの努力不足ではないと気づきました。むしろ、システム自体が自らの運用経験から学習できていないことが明らかになったのです。それ以来、私はマネジメントコンサルティングを離れ、自分自身に課題を課しました。その目標は、データ分析と技術を用いて医療機関を支援することでした。
1つは、運用を根本的に異なる方法で理解できるようにすること。2つ目は、あらゆる改善を持続可能にすることです。私の歩みについて言えば、素晴らしい人々に出会えたことは本当に幸運でした。私たちはNHSにおけるプロセスマイニング活用の先駆けとなり、救急、選択的医療、メンタルヘルス、地域医療を含む複数の経路にわたる患者フローの洞察を明らかにしてきました。さまざまなNHS組織とともに私たちのアプローチを検証することにも成功し、次のステップは導入の拡大でした。ところがそこで、医療システムには専門技術を導入する余裕が常にあるわけではないことに気づきました。なぜなら、それには長い期間と高額な予算が必要になるからです。そこで私たちは次の目標を設定しました。自然言語を使って、医療チームが患者フローの洞察に迅速かつ費用対効果高くアクセスできるようにしたいと考えたのです。
そして、それを今では達成しています。データから洞察を得るまでの実装期間を、6か月から6週間に短縮することができました。そして一度導入されれば、臨床スタッフであれ非臨床スタッフであれ、現場のあらゆるスタッフが、トレーニングなしで、自分の役割に特化した洞察を私たちのソリューションから得られるようになりました。しかし、これで終わりではないことも分かっています。もし私たちの目標が持続可能な改善をもたらすことなら、運用上の意思決定から学習する何かが必要です。だからこそ、私たちの最新のプロトタイプは、スタッフが日々部署を運営する際に使っている運用知識を捉え、分析し、変換するよう設計されています。例えば、業務の混乱、患者の到着、人員配置がフローに与える影響などです。このような運用知識はめったに記録も分析もされませんが、実際には意思決定にとって極めて重要です。
つまり、組織における集合的な運用シグナルと、それが患者フローに与える影響が手元ですぐに分かると想像してみてください。私たちは、今日のAIには、Satokoが言ったように、リソース配分を最適化する際にリアルタイムでより良い意思決定を支援する力があると信じています。私たちは今、このプロトタイプを試験する準備ができていますが、1つにはNHSのような複雑な政府環境を乗り越えること、2つにはこのソリューションをUKの外へ展開することについて、本当に支援を必要としています。最終的な目標は、医療システムが、どこにあろうとも、危機に反応するだけの存在から脱却し、運用シグナルに適応して、患者に可能な限り最善のケアを、納税者にとって最良の価値で提供できるシステムへと移行することです。ありがとうございました。

Mallory Durran, 52:05
素晴らしいです。Satokoさんにも同じ質問をしたいと思います。プロダクトを成熟させていく中で、今も取り組んでいる課題や、チームとしてまだ模索している課題はありましたか、あるいはありますか？
Satoko Watanabe, 52:15

ご質問ありがとうございます。私たちがまだ完全には解決できていない課題の一つは、私たちのファクトチェックボットが本当に最も必要としている人々に届くのかどうか、という点です。具体的には、誤った情報を無批判に受け入れてしまいがちな人々や、知らず知らずのうちに陰謀論を広めてしまう人々です。ここには本質的な皮肉があります。ファクトチェックツールを積極的に使う可能性が最も高い人々は、すでに懐疑的で情報リテラシーの高い人々であることが多い一方で、本当に恩恵を受けるべき人々は、そもそも情報を検証する必要性を感じていないかもしれません。ですから私たちは、そのギャップをどう埋めるか、たとえば誤情報が最も広がりやすい瞬間にボットを表示させるための積極的な通知メカニズムや、プラットフォームとの連携などについて、もっと時間をかけて考えるべきだったと感じています。
Mallory Durran, 52:05
素晴らしいです。お二人とも本当にありがとうございました。
Kara Beckles, 53:19
はい。本日お時間をくださったすべての審査員の皆さまに、改めて感謝いたします。そして本日のご参加だけでなく、審査プロセス全体を通じて時間を割いてご協力くださり、Grand Challengeにエネルギーと熱意を持ち込んでくださったことにも感謝します。皆さまのご協力なしには、私たちはこれを成し遂げることができませんでした。そして受賞者の皆さま、素晴らしいソリューションを生み出し、トップに選ばれ、それを本日ここで共有してくださったことにお祝い申し上げます。短い時間の中で皆さんが成し遂げたことを拝見できて、本当にとてもわくわくしています。改めてありがとうございます。どうぞ、まだご都合がよければ、この後も続きがありますのでぜひご参加ください。
それでは、第2パネルに入っていきます。ここではユースカテゴリーとドイツの受賞者を取り上げます。ドイツ代表としてDr. Sirko Straubeにご参加いただいています。Dr. Straubeは、ドイツ人工知能研究センターのRobotics Innovation Centerにおける副所長兼研究管理マネージャーです。Dr. Straube、次の2名の受賞者のご紹介をお願いします。

Sirko Straube, 54:53
はい、ありがとうございますKara。そしてありがとうございます。この場にいられること、またこのコンペティションの審査員として参加できることを大変光栄に思います。それでは、ユース年齢カテゴリーの選定受賞者であるReadyForm AIをご紹介したいと思います。
ReadyForm AIはCanadaからの応募で、チームメンバーはAkemi Izukoさん、もうすでにこちらにいらっしゃいますね、それからYoudong Chenさん、Steven Tangさんです。皆さんの提案、応募では、政府や公共サービス向けのフォーム入力という、私たち誰もがよく知っている問題に取り組んでいたと思います。私たちは皆、政府や公共サービス向けのフォームに記入したことがありますからね。そして、皆さんは人々がデジタルフォームを記入するのを支援するためにReadyForm AIを作り上げました。そこではAIを活用し、音声対音声の生成AIパイプラインと、スクリーンリーダーに適したインターフェースを組み合わせています。
皆さんのビデオのどこかでこの言葉が出てきたと思いますが、皆さんのビジョンは、フォームそのものが会話になる、というものでした。そして、まさにそれを実現したと思います。公的なフォームとのやり取りとして非常に直感的なアプローチであることは、誰の目にもとても分かりやすいです。公的なフォームは必ずしもいつも直感的ではありませんが、ここではAIが本当にプロセス全体を案内してくれます。そして審査パネルは、たとえばユーザーからの曖昧な入力に対処する方法を見つけていたことにも非常に感銘を受けました。ユーザーが何かに確信を持てないとき、AIがそれについて推定を試みる、その点は本当にとても印象的でした。
私たちは、このソリューションは、まず第一に、この年齢カテゴリーが非常に競争の激しいものであったと思っています。非常に多くの応募があり、私たちは議論を重ねなければなりませんでした。そして皆さんの応募が議論されたとき、私たちは全員、皆さんが本当に何かを成し遂げたと感じましたし、これは社会にとって非常に大きな利益をもたらすものだと考えました。正直に言って、私はReadyForm AIがすべてのG7諸国で導入されるのを見たいです。ですから、これは十分に値する評価です。そして、皆さんの今後の発展を楽しみにしています。それでは、皆さんのプレゼンテーションに引き継ぎます。

ReadyForm AI - Video Demonstration, 57:45
[Steven] 皆さん、こんにちは。私たちはCanadaのEdmontonにあるUniversity of Albertaの学生チーム、Steven、Akemi、Oliverです。
私はStevenです。このプロジェクトでは、ユーザー体験の向上とエージェント型エンジニアリングに取り組みました。
[Akemi] 私はAkemiです。デザインとプロジェクト計画に注力しつつ、私たちのプロジェクトが最高水準のプライバシー基準に準拠するようにしました。
[Steven] このプロジェクトで私たち3人を本当に結びつけたのは、共通のフラストレーションでした。政府サービスがオンライン化するにつれて、市民はそれを利用するために複雑なデジタル環境を操作する必要があります。
多くの人は、それによって手続きが効率化され、自宅でフォームを記入できるようになるため、この変化を歓迎していますが、アクセシビリティ上のニーズを持つ人々にとっては大きな障壁となります。デジタルの世界は本質的に視覚中心であり、画面と文字に大きく依存しています。これは大きな問題です。Statistics Canadaの最近の調査によると、55歳以上のCanadiansの75%は、矯正なしでは視力が低いとされています。
[Akemi] その通りです。私たちは、人々が政府とやり取りする際に直面するアクセシビリティの問題に対処しようとしています。政府のPDFフォームに記入するのがどれほど煩わしいかは、誰もが経験したことがあるはずです。小さな枠や小さな文字が大きな摩擦を生み出します。これは必ずしもフォーム設計者の責任ではありません。限られたスペースに膨大な情報を詰め込まなければならないからです。しかし、それによって多くの市民が公共サービスにアクセスすることが妨げられています。これはG7 Gov AI Challengeと直接一致しています。
このChallengeでは、市民には多様なコミュニケーションニーズがあり、政府とのやり取りが難しく、ストレスの多いものとなり、既存の障壁を悪化させる可能性があると述べられています。そして私たちは、幅広い言語、文化、そして／または能力に対応できる形で人々とコミュニケーションを取るためのソリューションを設計するよう求められました。これに応えるため、私たちは視覚障害という広く存在する問題に焦点を当てることにしました。
これは重大な障壁です。なぜなら、政府サービスを受ける前提条件としてPDFへの記入が必要なことが多いからです。ReadyFormAIでは、視覚インターフェースが事実上消え、フォームそのものが会話になります。あなたはただ話すだけで、システムが聞き取り、理解し、完全に明確な形で応答します。
これは音声とデータのシームレスな統合であり、単にアクセス可能というだけでなく、本当に手間のない体験を生み出します。実際にご覧ください。
[ReadyformAI] こんにちは。ReadyFormAIへようこそ。
[Translated from French]
こんにちは。ReadyFormAIへようこそ。穀物受領書の記入をお手伝いします。フランス語と40以上の他の言語で対応できます。始めるには、穀物取引に関する情報が必要です。お名前と生産者住所を教えていただけますか？
[Oliver] はい、私の名前はOliver Chenです。
[ReadyformAI] ありがとうございます、Oliver、お名前を記録しました。ご住所の全体と、本日納入される穀物の種類を教えていただけますか？
[English]
[Oliver] ええと、英語に戻しましょう。
[ReadyformAI] 分かりました。英語に戻します。お名前はOliver Chenとして記録しています。ご住所の全体と、本日納入される穀物の種類を教えてください。
[Oliver] ええと、123 Farm Laneで、wheatを納入します。
[ReadyformAI] ありがとうございます。ご住所を追加し、穀物の種類をwheatに設定しました。ええと、納入日と場所はいつ・どこですか？ それから契約参照番号はありますか？
[Oliver] ええと、重量のセクションに行きましょう。
[ReadyformAI] こちらは計量記録セクションです。wheatの納入に関する重量測定値が必要です。
総重量、車両重量、荷下ろし重量を教えてください。すべてトン単位でお願いします。
[Oliver] それは5、10、20のはずです。
[ReadyformAI] その重量を入力しましたが、念のため確認したいです。通常、総重量は最も大きい数字、つまり車両と穀物を合わせた総重量で、車両重量は最も小さい数字、つまり空の車両重量のはずです。あなたは5、10、20トンとおっしゃいましたが、どれがどれか確認していただけますか？ 総重量20トン、車両重量5トン、荷下ろし重量10トンということでしょうか？
[Oliver] ああ、はい。そうです。
[ReadyformAI] ありがとうございます。重量を修正しました。
総重量20トン、車両重量5トン、荷下ろし重量10トンです。システムが正味重量を自動計算しました。夾雑物量はいくらですか？ それから計量票番号はありますか？
[Oliver] ユーザーが話している間、AIは複雑な表を操作し、入力中の該当フィールドまで自動スクロールし、テキストを即座に更新します。
ボタンが大きいため、ユーザーは入力内容を簡単に確認できますし、求めればAIがどのフィールドでも読み上げてくれます。
完了したら、ユーザーはボタンをクリックし、入力済みフォームが政府提出用の標準PDFとしてデジタル出力されます。
それではAkemiとStevenに戻します。
[Akemi] デモでご覧いただいたように、ReadyFormAIを特別なものにしているのは、複雑なPDFと多言語の音声ナビゲーションを扱いながら、すべてを完全にプライベートに保っている点です。
政府フォームにはPII、つまり個人を特定できる情報が大量に含まれているため、私たちの最初の応募では、完全には分離されていない標準的なopen weightモデルに依存していました。現在、私たちのMVPは完全にSOCK 2準拠の計算環境上で動作しています。私たちはproof of conceptとしてmodalを使用しており、このパイプライン全体が政府サーバー上に直接、簡単かつ安全に展開できることを示しています。
技術面では、これを高速で、プライベートで、かつ高機能にすることは楽しい挑戦でした。私たちは、マルチステージLMパイプライン向けのプロバイダ非依存フレームワークであるPipecatを用いて、自前ホスト型パイプラインを構築しました。
音声認識にはNVIDIAのparakeet modelを選びました。これは計算資源の負荷が非常に低く、open weightモデルの中で最も低いboard error rateを持ち、25言語を理解します。音声合成にはQuen 3TSを使用しており、すべてのG7公用語を含む10言語の出力に対応しています。
[Steven] 言語の壁がただ消えていくようなオンボーディング体験を想像してみてください。皆さんは、真にグローバルな対象層に届くツールを作るよう私たちに課題を与えました。私たちはそれを真剣に受け止めました。今日、ReadyFormAIは、シームレスで、非常に人間味のある体験をユーザーにもたらします。
今ではすべてのG7公用語と多くのEU言語に対応しており、その体験はまるで魔法のようです。私たちの音声エージェントは、G7の言語を切り替えながらユーザーを温かく迎えます。ユーザーが返答した瞬間、その母語を即座に認識し、自然で摩擦のない会話を生み出します。
たとえ考えの途中で言語を切り替えても、その場で適応します。AIは難なくついていき、完璧に同期したままです。ユーザーが完璧にローカライズされた体験を楽しんでいる間、バックエンドでは静かに重い処理が行われています。
話された言葉を即座に翻訳し、標準化されたPDFフィールドに整形します。これは本当にグローバルなソリューションであり、会話をするのと同じくらい簡単です。最後に、2つの重要な質問にお答えしたいと思います。Akemi、私たちのソリューションはどのように政府の業務効率を高めるのでしょうか？
[Akemi] 最終的に、政府は自らのサービスへの公平なアクセスを望んでいます。ReadyFormAIがなければ、視覚障害のある市民は不公平な選択を迫られます。
公務員にフォームを読み上げてもらい、記入してもらうことで自立を犠牲にするか、あるいは諦めてそもそもサービスにアクセスしないかです。
PDFフォームはほぼすべての公共サービスへの入口であるため、私たちのソリューションはアクセスを大幅に改善し、市民に力を与え、政府の支援担当職員の負担を軽減します。これが2つ目の質問につながります。Steven、私たちの最終的な理想形はどのようなものですか？
[Steven] そうですね。私たちのウェブ拡張機能はすでに多くの摩擦を取り除いていますが、それでもユーザーは意識的にそれを探しに行かなければなりません。
私たちの理想的な次のステップは、政府がReadyFormAIを直接自らのウェブ基盤に取り入れることです。つまり、市民が政府ウェブサイト上のPDFフォームをクリックしたときに、それを直接ReadyFormAIで開く選択肢を持てるようにすることです。また、MVPでは絶対的なプライバシーを確保するためにセキュアクラウドを使用していますが、私たちのコードは完全にオープンであり、政府主権インフラ上にホストされた小型で安価なGPUサーバーでも動作するよう最適化されています。
[Akemi] 私たちは、AIはホームページ上のチャットボックスであるべきではないと考えています。人間の営みを積極的に支えるツールであるべきです。お時間をいただきありがとうございました。そして、G7がReadyFormAIのようなソリューションを採用するのを楽しみにしています。

Kara Beckles, 1:06:11
それでは、再びDr. Straubeに戻り、ドイツのソリューションをご紹介いただきます。
Sirko Straube, 1:06:18
はい、ありがとうございますKara。ドイツの受賞者であるResiliAllocをご紹介できることを大変嬉しく思います。このソリューションはWolfram Boppによって提出されました。ResiliAllocは、すべてのG7政府に関係する重要なテーマであるインフラに取り組んでおり、インフラの修理や維持をいつ行うべきかという問題を扱っています。これは非常に重要なテーマであり、ResiliAllocはオープンデータと物理法則に基づくAIを活用して、どの道路や橋に投資すべきか、どのインフラがリスクにさらされているかについて政府の意思決定を支援します。
この提出で特に注目すべき点は、多くのデータソースがこの一つの文脈に統合されていることです。また、医療上の重要度、凍結、荷重設計といった他の要因も統合されています。例えば、この橋を修理した場合、特定の地域で救急車が病院に時間通りに到着できるかどうかを評価することができます。これは非常に価値のある提案だと思います。改めておめでとうございます。そして今後の展開を楽しみにしています。それではビデオをご覧ください。
ResiliAlloc - Video Demonstration, 1:08:18
[Wolfram] 皆さんこんにちは。Wolfram Boppです。普段はBMWでAIエキスパートとして働いています。趣味として、また学習のためにAIハッカソンや社会貢献プロジェクトに参加しています。新しく複雑な問題に取り組むのが好きで、一般社会に測定可能な価値を提供するソリューションを構築できることにやりがいを感じています。
私たちはこの課題に取り組むことを選び、将来のニーズを予測し、資源配分を最適化することで無駄を減らし、必要な場所とタイミングで資源が確保されるようにするインフラデータを活用したソリューションを設計しました。それでは見ていきましょう。
[Unnamed narrator] 毎年、政府は道路や橋の管理に数十億ドルを費やしています。そして毎年、数十億ドルが無駄になっています。インフラを早すぎるタイミングで修理してしまい資金を浪費するか、遅すぎて緊急修理となり10倍のコストがかかるかのどちらかです。多くの政府は、橋がいつ故障するかを推測するだけの静的な年数ベースの減価償却曲線に依存して、数十億ドル規模の資産を管理しています。もし亀裂が現れる前に構造的な故障を予測できたらどうでしょうか。もし税金の一ドル一ドルを最適化できたらどうでしょうか。ResiliAllocは、G7初の主権型インフラインテリジェンスプラットフォームです。
ResiliAllocは単なるダッシュボードではありません。動的な物理エンジンです。私たちは静的なスプレッドシートという業界標準を排し、モダンなレイクハウスアーキテクチャを構築しました。スウォームエンジンは、7つのグローバルAPIからリアルタイム信号を取り込みます。Odinからの静的資産データと動的ストレスを組み合わせます。Open Meteoから過去の凍結融解サイクルを取得して熱衝撃をモデル化し、TomTomからリアルタイムの交通パターンを取得して構造疲労を測定します。さらに重要なのは、医療上の重要度を算出し、橋が閉鎖された場合に救急車が病院に到達できなくなるかどうかを特定する点です。ここがResiliAllocの優位性です。
競合は「オープンデータには状態評価がないためリスクは予測できない」と言いますが、私たちはそれを覆しました。連合型グラウンドトゥルース戦略を用い、米国、英国、ケベックからの6,000件以上の検証済みエンジニアリングデータでAIを訓練しました。
Kaggle優勝のスタッキングアンサンブルを用いて、この知識をローカル資産に転移しました。さらに疑似ラベリングを実装し、モデルがローカル環境の特性を自ら学習できるようにしました。
その結果、政府標準モデルを26%上回りました。推測から精密工学へと進化したのです。ミッションコントロールダッシュボードを見てみましょう。このシステムは約5,000の州資産を分析します。画面には赤が広がっています。AIは交通負荷と熱衝撃により差し迫った故障リスクを持つ140の重要資産を特定しました。
ここで2,500万ドルの緊急予算を適用するとどうなるか見てください。AIは無作為に橋を選ぶのではなく、NEPSE最適化アルゴリズムを実行し、予算内で公共安全への投資効果が最大となるプロジェクトを選択します。資産4594を見てください。
これは単に古いからではなく、大型トラックと厳しい凍結サイクルの組み合わせにより重大なリスクがあるためです。ResiliAllocは今すぐ修理することを保証します。精密な政策決定です。
これがResiliAllocの力です。ワンクリックで約5,000資産を分析し、その99%を除外して、2,500万ドルの例示的予算内で最も重要なプロジェクトを特定しました。これらはランダムではなく、支出1ドルあたりの公共安全リスク低減を最大化する数学的最適解です。
予算の96%を高精度で活用します。また、ResiliAllocはブラックボックスではありません。明示的な特徴量設計に基づく機械学習を用いているため、すべての予測の根本原因を追跡できます。これはステークホルダーに完全な透明性を提供し、すべての支出が100%説明可能であることを保証します。
さらにダッシュボードは、政策立案者に「もしも」の分析機能を提供します。リスク許容度をリアルタイムで調整し、安全基準の変更が予算に与える影響を即座に可視化できます。
ResiliAllocは複雑な工学物理を明確で実行可能な政策へと変換します。2,500万ドルでも10億ドルでも、すべての資金を最も重要な場所に配分することを保証します。これがレジリエントな未来の構築方法です。
[Wolfram] 他のご質問にもお答えします。建設的なフィードバックに感謝しており、説明可能性の向上やデータスケーラビリティ、ユーザー導入に関する今後のステップについて改善を行いました。
説明可能性については、コードとデモ動画を更新し、各リスク評価の根本原因、例えば凍結融解の影響が61%、交通負荷が23%といった形で明示的に確認できるようにしました。
可用性については、G7全体のデータセットの短期的な公開制約はあるものの、プラットフォームは各国データを取り込み検証できるよう準備されています。
ユーザー導入については、実際の政府業務に統合するにはステークホルダーのニーズ理解が不可欠です。今後はエンドユーザーと直接関わり、必要なフィードバックを収集する予定です。
最終的には、このAIエンジンをG7システムに統合し、より安全でレジリエントかつ公平なインフラ構築を支援することを目指しています。

Kara Beckles. 1:16:51
それではQ&Aセッションに移ります。Dr. StraubeにAkemiさんへの質問をお願いし、また本日は参加できなかったWolframについてはDawnが書面回答を代読します。それではSirko、お願いします。
Sirko Straube, 1:17:17
はい。Akemiさん、まず最初の質問です。今後のステップと、今後どのような相手と協力したいと考えていますか？

Akemi Izuko, 1:17:32
はい。私たちはエンドユーザーとの協力が不可欠だと考えています。ReadyForm AIの恩恵を受けられる層はいくつかありますが、それぞれに最適化が必要です。例えば高齢者と視覚障害者ではニーズが異なります。両者とも非視覚的な入力方法の恩恵を受けますが、スクリーンリーダーに慣れている人は高速な音声を好む一方、高齢者はゆっくり明瞭な音声を好むかもしれません。
今回のデモはその中間設定でしたが、今後は直接ユーザーと連携してニーズを理解し、それに応じて調整していきたいと考えています。
Sirko Straube, 1:18:36
なるほど、とても興味深いです。実際の運用は難しい面もありますが、うまくいくと確信しています。ありがとうございます。ではDawn、Wolframの回答について教えてください。
Dawn Hall, 1:18:57
はい。まずWolframからの迅速な回答に感謝します。彼は日中はAI専門家として働きつつ、趣味としてハッカソンや社会貢献プロジェクトに取り組んでいます。このようなチャレンジを通じて難しい問題を解決し、社会に価値を提供することを楽しんでいるとのことです。
Sirko Straube, 1:19:32
ありがとうございます。ではもう一つ、審査員のフィードバックをどのように反映したのか教えていただけますか？
Akemi Izuko, 1:20:04
はい、主に2点ありました。1つ目は多言語対応、2つ目はアクセシビリティです。最初は英語のみでしたが、現在はG7言語を含む10言語に対応しました。またアクセシビリティでは、別画面にアップロードする必要があったため、Chrome拡張を開発し、政府サイトから直接利用できるようにしました。これにより導入のハードルが下がると考えています。
Sirko Straube, 1:21:11
ありがとうございます。最後に、Wolframがこのチャレンジに参加した動機について教えてください。
Dawn Hall, 1:21:26
はい。WolframはAIが大きな変革をもたらすと考えていますが、多くの組織は専門知識なしにLLMを使い失敗しています。彼はそのギャップを埋め、実際に機能する説明可能で高精度なAIを構築することを目指して参加しました。

Sirko Straube, 1:22:08
ありがとうございます。改めてお二人ともおめでとうございます。

Kara Beckles, 1:22:48
ありがとうございます。本当に実用的なソリューションでした。G7各国での活用が楽しみです。Dr. Straubeもありがとうございました。

Sirko Straube, 1:22:48
こちらこそありがとうございました。
Kara Beckles, 1:22:51
それでは次のパネルに進みます。米国とイタリアです。EU代表としてPaula Rodriguez Müllerにご紹介いただきます。Paulaは欧州委員会JRCのプロジェクトオフィサーであり、KU Leuvenの研究員でもあります。ではPaula、お願いします。
Paula Rodriguez Muller, 1:23:23
ありがとうございます。米国の受賞者をご紹介します。Permion Inc.のDigital Subject Matter Expert、DSMEです。チームはPaul Brown、Arun Majumdar、Barry Evans、Paulo Mouraです。DSMEは政策アナリスト向けに、ユーザーが指定した文書群から洞察を抽出する分析機能を提供します。グラフモデルや言語モデルを組み合わせ、情報の来歴も含めて分析を支援します。
このソリューションは革新的で技術的にも堅牢であり、説明可能性や監査、標準準拠への配慮が特に評価されました。今後はインサイト層をさらに強化し、日常業務でより使いやすくすることが期待されます。それではソリューションをご覧ください。

Permion - Video Demonstration, 1:24:57

[Paul Brown] 私たちはPermionで、DSMEを紹介します。Arun MajumdarはCEOでAIの専門家です。Paulo MouraはLogtalkの開発者で、DSMEを動かしています。Barry EvansはニューロシンボリックAIを担当し、私はChief ArchitectのPaul Brownです。公共サービスは大量の情報を扱う必要があり、その多くは手作業で処理されています。非構造化文書を取り込み、探索し、理解するためのツールが必要です。PermionのDigital Subject Matter Expert、すなわちDSMEは、多言語対応でエージェント型の信頼できるAIアプリケーションであり、コーパスの迅速な評価を可能にします。カナダの政策アナリストとして、私はDSMEを使用して、主権的意思、経済的合理性、立法の整合性を強化する世界水準の規制サンドボックスに貢献できます。

現在、コーパスには2つのテーマ、EnergyとArtificial Intelligenceに関する政策文書が含まれています。国家的AIエネルギーテスト基盤の構築と、ネットゼロ排出目標を達成するためのAIの最低エネルギー性能基準に関するものです。コーパスを読み込むと、DSMEは関心のある文書を見つけるために有用な2つのビューを提供します。例えば、国家政策と国際政策に関心がある場合、それらのトピックについて他よりも多く議論している文書を見つけることができます。

同様に、エンティティに関するビューもあります。ここでは文書内で頻繁に議論されている要素を特定でき、ステークホルダー候補となります。また、特定の文書に関連するすべてのエンティティを追加することで、政策全体にわたる潜在的なステークホルダーを探索できます。複数文書にまたがる政策を理解するために、DSMEは義務的命令文を抽出し、それを「models」や「power」といった主体、「require」や「process」といった行為、「laptops」や「inputs」といった対象に分解します。

情報の出所を確認するには、アクションにカーソルを合わせると該当文書と文が表示されます。アクションは色分けされており、赤は義務、オレンジは推奨、黒は禁止を示します。

さらに、主体は自由に追加・削除でき、探索を柔軟に行えます。政策文書は長大であることが多いため、DSMEはキーワード、複合語のキーターム、主要エンティティ（ステークホルダー候補）、そして要約を提供します。最初の要約は構造分析に基づき、2つ目はキーワードとの意味的類似性に基づきます。ユーザー自身のキーワード（例：「AI」「energy」「Canada」）を入力することで、特定のテーマに基づいた要約も生成できます。

これはLGMを用いて生成されており、最も緩い設定レベル3で情報抽出を行います。その後LLMに渡して読みやすく書き換えることもできますが、幻覚の可能性があります。そのためTrace scoresビューを提供しており、右側のLLM回答と左側の元テキストの一致度を示します。この文のように一致がない場合、幻覚の可能性があります。

要約と同様に、文書に直接質問することもできます。例えば、AIがエネルギー消費削減に役立つかを尋ねると回答が得られます。これはLGMを用いて文書から直接抽出されたもので、ハイライト部分から文脈を確認できます。

これらはすべて文書から直接取得されたものです。LLMを追加すると、異なる緩和レベルで回答が生成されますが、同様に検証可能です。

政策アナリストが最も知りたいのは、その文書の政策内容です。そのためDSMEは義務文を抽出し、主体・行為・対象を特定します。モダリティ、文の内容、否定や条件も提示し、元文脈に追跡可能です。フィルターにより禁止事項や条件付き義務などを簡単に探索できます。

また、文書の議論領域を理解するための構造化ツールも提供されます。例えば、主要語句同士の関連度を示し、AIがhigh impact、technology、energy、use、eligibility、Canadaと関連することが分かります。

ただし関連の強さだけでなく関係性の内容も重要です。それはproto-ontologyで示され、例えばCanadian government contributionsがprovincialやterritorialに分かれることが分かります。これも元テキストに追跡可能です。

DSMEはHTTP APIとPythonライブラリを提供しており、システム統合や自動化が可能です。この例では90の文書からなるコーパスを分析し、キーワードに基づいて35文書に絞り込み、新しいプロジェクトを作成しています。GUIでもそのまま作業を継続できます。

ご視聴ありがとうございました。PermionはG7政府や機関とのさらなる協力を期待しています。DSMEは主権的意思、経済合理性、立法整合性を強化するための多言語対応エージェント型AIです。詳細はpermion.aiをご覧ください。

Kara Beckles, 1:32:19

ありがとうございます。それでは次にDawnに戻り、イタリアの受賞者をご紹介いただいた後、Q&Aに進みます。Dawn、お願いします。

Dawn Hall, 1:32:34

ありがとうございます。それではイタリアの受賞者としてSimone Vagnoniをご紹介します。Simoneは、民主的政策分析のためのAI駆動型討議ナレッジグラフで評価されました。
本日は参加されていないため、代わりに紹介いたします。このソリューションはナレッジグラフを用いて、複数の公共討議データソースにおける主要テーマを特定します。この分析により、政策立案者は市民の視点をよりよく理解できます。

審査員は、このソリューションが強力な技術アプローチであり、多様な技術の活用を評価しました。またEUの公共討議リポジトリへの応用性や公共的関心の高さも評価されました。一方で、ユーザーや政府への影響をより明確に示すことが今後の改善点として挙げられました。それではビデオをご覧ください。

Simone Vanioni, 1:33:52

皆さんおはようございます。私はSimone Vagnoniです。University of BolognaのCIRSFID-ALMA-AIおよびUniversidad Politécnica de MadridのOntology Engineering Groupに所属するPhD研究者です。本日は、Monica PalmiraniおよびVictor Rodriguez Doncelに感謝するとともに、G7 GovAI Grand Challengeにおいて本研究を発表する機会をいただいたことに感謝します。本研究は、異なるAIツールを用いて、制度的および市民的な民主的議論を時間と空間を超えて結びつける討議ナレッジグラフです。

私たちは最初の課題、すなわち大量情報管理に取り組みました。問題は、例えば市民がソーシャルメディアで気候政策を議論している一方で、議会では同じテーマが公式に議論されているにもかかわらず、それらが分断されたままであることです。

現在、公式ポータル、オンラインフォーラム、DecidimやPolisなどの参加型プラットフォームなど、多くの討議データがありますが、それらを横断的に分析する方法がありません。これは民主的洞察の機会損失です。

そこで私たちは、プラットフォーム、参加者、トピック、証拠を横断的に結びつける統一フレームワークとして討議ナレッジグラフを構築しました。

このナレッジグラフは3つのモデルに基づいています。プロセスモデル（討議の進行）、参加者モデル（誰が参加するか）、議論モデル（何が議論されるか）です。

これにより、議論マッピング、政策検出、議論の質評価、トピックモデリングなどが可能になります。データはスクレイピングやAPIで取得し、オントロジーに接続して分析します。

インターフェースでは、ユーザーがトピック検索を行い、複数プラットフォーム間で比較できます。sentence-BERTによる意味検索を用いています。

例えば「voting」で検索すると、関連度や投稿数で並び替えが可能です。各ノードは投稿であり、メタデータや賛否数が付与されています。

また、ナレッジグラフの可視化やトピックモデリングも提供されます。

将来的には議論マッピングを強化し、議論の質分析を向上させます。

このソリューションは、議論追跡、民主主義の健全性評価、市民と制度の橋渡しに応用可能です。

ただし課題もあります。文脈を無視した抽出による誤解、プライバシー、データ統合による操作リスクなどです。これに対して透明性と倫理設計を重視しています。

最終的なビジョンは、認識論的民主主義です。市民は自分の声がどのように政策に反映されるかを理解し、研究者やジャーナリストも議論を追跡できます。

最後に呼びかけです。研究者には参加を、実務者には導入を、市民には透明性の要求と参加をお願いします。ご清聴ありがとうございました。

Kara Beckles, 1:42:14
それでは、Paulaに再び登場していただき、PermionのPaul Brownにいくつか質問していただきます。

Paula Rodriguez Müller, 1:42:26
ありがとうございます、Kara。それではPaul、まず個人的にこの取り組みに参加した背景についてもう少し教えてください。特に、Grand Challengeへの参加に惹かれた理由をお聞きしたいです。

Paul Brown, 1:42:41

ありがとうございます、Paula。そして素晴らしいご紹介にも感謝します。Permionでは、G7の政策と利用可能なソリューションの間に重要なギャップがあることを認識していました。AIに対する市民や公務員の懸念は、PermionをG7各国のニーズに合わせる機会でもありました。そこで私たちは、エージェント型のDSMEと、それを実行するXVMプラットフォームを、保証インフラ、安全なAI適合システム、ガバナンス制御基盤として活用することを目指しました。私たちのソリューションは現実世界での展開や国際協力の可能性を持っています。そのため、このGrand Challengeは、私たちのソリューションを世界に向けて発信する絶好の機会だと考えました。

Paula Rodriguez Müller, 1:43:33

ありがとうございますPaul。とても興味深いです。それでは最後の質問です。Grand Challengeのプロセスにおける経験について伺いたいと思います。審査員からのフィードバックはどのようにソリューションに影響を与えましたか？

Paul Brown, 1:43:53

フィードバックは非常に有益でした。政策志向のツールは専門知識とエージェント型AIの両方を必要とする複雑なものであることを理解する助けになりました。その結果、アナリストが将来的な影響や結果を見通せるようにするための機能強化につながりました。具体的には、義務文に基づくビューやステークホルダー候補の抽出といった機能を追加しました。これらは既存のエージェントやAIツールの上に構築されており、ユーザーだけでなくAPIを通じて他のシステムにも利用可能な形で情報を提供します。

Paula Rodriguez Müller, 1:44:39

ありがとうございます、Paul。それではKaraにお返しします。

Kara Beckles, 1:44:42

ありがとうございますPaulaとPaul。それでは次に、Simoneが本日参加できないことを踏まえ、事前に収録したQ&A動画をご覧いただきます。

Dawn Hall, 1:45:03

最初の質問です。あなたのソリューションの着想となったものは何ですか？

Simone Vagnoni, 1:45:10

ご質問ありがとうございます。まず第一に、制度的な議論とオンライン・オフラインで行われている議論との間の断絶に対するフラストレーションがありました。市民が本当に望んでいることを、現在の民主主義のあり方を超えて、よりよく結びつけるべきだと考えています。公開データは存在しており、大手テック企業はそれを日々活用しています。だからこそ、それらを結びつけ、市民が自らの意見を表明し、公共機関の意思決定とより直接的につながる機会を提供することが重要だと思いました。

Dawn Hall, 1:26:24

ありがとうございます。2つ目の質問です。今後は誰と協力したいと考えていますか？

Simone Vagnoni, 1:46:31

G7各国の政府、とりわけデジタル参加プラットフォームを積極的に導入している政府と協力したいと考えています。カナダ財務委員会は理想的な出発点であり、Italy's AGIDも同様です。これによりパイロット実装が可能になります。
また、市民技術エコシステムにおいて、CDM Associaton、VTaiwan、その他の民間・公共の参加プラットフォームや団体、Democratic Data Space Initiativeとも連携したいと考えています。さらに、University of BolognaやUniversity of Madridなどの研究グループ

Dawn Hall, 1:48:11

素晴らしいですね。多くの協力機会がありそうです。ありがとうございました。とても興味深かったです。

Kara Beckles, 1:48:24
それでは、PaulとSimoneのお二人に改めておめでとうございます。本当に興味深いソリューションであり、政府全体での活用が期待されます。今後の展開を楽しみにしています。そしてPaulaにも、審査員としての専門知識と本日のご参加に感謝いたします。また、この約2時間にわたりご参加いただいたすべての皆さまにも感謝いたします。

プレゼンテーションや受賞者との交流を楽しんでいただけたことを願っています。私自身も非常に満足しています。また、本日参加できた審査員の皆さま、そして100件以上の応募を審査するために多くの時間を費やしてくださった審査員の皆さまにも感謝いたします。さらに、この1年近くにわたり本チャレンジを支えてきたGAINのG7メンバーの皆さまにも感謝します。彼らの専門知識、助言、課題設定、そして一部のソリューションに活用された政府データの提供がなければ、ここまで到達することはできませんでした。

また、ソリューションを提出してくださったすべての方々にも感謝いたします。結果に関わらず、皆さまの貢献に深く感謝するとともに、公共部門における責任あるAIの推進に今後も取り組んでいただけることを願っています。受賞者、佳作、ファイナリストについて詳しく知りたい方は、Grand Challengeのウェブサイトをご覧ください。

最後に、カナダ財務委員会事務局のチームにも感謝します。これまで何度も登場しているDawnをはじめ、この1年間にわたり多大な努力を注いできたプロジェクトリードに敬意を表します。また、Jonathan Macdonald、Mark Levene、Alison Kinsman、Dana Kenny、Jelane Julienにも感謝します。

皆さんの尽力に心から敬意を表します。これでGrand Challenge Showcaseは終了です。世界各地の皆さま、良い一日または良い夜をお過ごしください。またどこかでお会いできることを願っています。ありがとうございました！