Ce texte a été traduit avec l’aide de l’IA, et révisé par un humain.

Macdonald, Jonathan 00:13
Bonjour à tous. Je m’appelle Jonathan Macdonald. Je suis le directeur de l’équipe des données et de l’IA du Secrétariat du Conseil du Trésor du gouvernement du Canada. Mon équipe et moi sommes chargés d’établir une stratégie et une politique pour appuyer l’adoption responsable de l’IA dans l’ensemble du gouvernement. Cela comprend des succès tels que la stratégie d’IA pour la fonction publique fédérale récemment publiée. Ainsi que notre instrument de politique fondamental, la Directive sur la prise de décisions automatisée. Et plus récemment, c’est l’équipe qui dirige le travail du côté canadien pour vous offrir ce Grand défi IAgouv.

J’aimerais commencer par vous dire que je me joins à vous à partir du territoire traditionnel non cédé du peuple Algonquin Anishinaabe. Je reconnais que nous travaillons tous à des endroits différents et que vous travaillez peut-être sur un territoire traditionnel autochtone différent, et je vous encourage à prendre un moment pour y réfléchir.

Je suis heureux de vous accueillir aujourd’hui à la discussion du groupe d’experts. Il s’agit du deuxième de trois événements qui se dérouleront pendant les laboratoires de solutions rapides.

Quelques points opérationnels avant de poursuivre. Nous enregistrons cet événement et il sera affiché en ligne afin que ceux qui ne peuvent pas y assister en temps réel puissent obtenir les informations nécessaires. Vos caméras et microphones sont désactivés. Si vous avez des questions, veuillez utiliser la foire aux questions de l’événement. À la fin de l’événement, nous répondrons aux questions les plus populaires, alors assurez-vous de voter pour les questions les plus intéressantes.

Et la majorité de la réunion se déroulera en anglais. Les transcriptions en français et dans d’autres langues seront disponibles après la séance.

Avant de commencer, je vais rapidement vous présenter ce qui est prévu pour vous aujourd'hui. Tout d’abord, ma collègue Dawn et moi récapitulerons le Grand Défi et les laboratoires de solutions rapides, ainsi que quelques détails sur la participation. Ensuite, notre collègue de Services partagés Canada parlera de son expérience de l’automatisation et de l’IA en action dans un contexte gouvernemental. Ensuite, ma collègue Dawn prendra le temps d’examiner les énoncés des problèmes et de mener une discussion sur les ensembles de données avec plusieurs invités estimés d’ici au Canada et de l’étranger.

Macdonald, Jonathan 2:03
De l’autre côté de cette discussion, nous avons une autre démonstration intéressante d’outils d’IA utilisés par nos bons amis du gouvernement de la France. Enfin, nous terminerons la séance par une période de questions animée par notre collègue Mark Levene, qui a également joué un rôle important dans la mise en œuvre de ce défi. C'est donc une séance pleine d'action qui vous attend aujourd'hui. Et je pense qu’à ce stade, nous sommes sur le point de nous lancer. Alors, qu’est-ce que le Grand Défi? Si vous avez manqué l’événement de lancement lundi, le Grand Défi est une initiative ambitieuse conçue pour exploiter la puissance de l’intelligence artificielle afin de résoudre certains des défis les plus urgents auxquels les gouvernements sont confrontés aujourd’hui. Et il se déroule du 17 novembre au 1er décembre. Le défi est composé de quatre laboratoires de solutions rapides ou de hackathons virtuels. Chaque laboratoire se concentre sur un problème difficile auquel nous sommes confrontés au sein du gouvernement et dont nous entendrons parler plus en détail plus tard. Le Grand Défi offre jusqu’à 100 000 dollars canadiens en financement total réparti dans 8 catégories de pays et deux catégories de jeunes pour récompenser les solutions innovantes et évolutives. Je vais céder la parole à Dawn tout de suite pour obtenir un peu plus d’informations.

Hall, Dawn 3:09

Excellent. Merci beaucoup, Jonathan. Donc, comme Jonathan l’a mentionné, nous avons lancé le défi ce lundi et si vous avez manqué notre événement de lancement, vous pouvez trouver l’enregistrement et les transcriptions sur notre site Web et tous les liens dont vous avez besoin pour cette séance se trouvent dans la partie questions et réponses où notre collègue Dana vient de les publier.
Donc, pour continuer à vous soutenir et à poursuivre sur cette lancée, nous avons l’événement d’aujourd’hui, puis un autre mardi de la semaine prochaine, où il s’agira d’une séance « Demandez-moi n’importe quoi », où nous aurons d’autres invités estimés du gouvernement qui seront prêts à répondre à vos questions. Et si vous avez des questions, vous pouvez nous envoyer un e-mail ou les ajouter dans le canal Demandez-moi n’importe quoi sur notre page Discord. Le défi se termine ensuite le lundi 1er décembre à 15 h, heure de l’Est.

Diapositive suivante, s’il vous plaît.

Donc, un petit rappel sur certains aspects logistiques liés au défi. Tout d’abord, l’admissibilité, toute personne des pays du G7 ou de l’UE peut postuler. Le défi est permis pour les fonctionnaires fédéraux canadiens. Cependant, ils ne sont pas éligibles au financement. Alors que les personnes des entreprises à but lucratif, des organisations à but non lucratif des établissements postsecondaires, toutes ces personnes sont éligibles et en termes de financement, nous avons jusqu’à 100 000 dollars canadiens au total. Ces 100 000 dollars canadiens seront divisés en 10 bénéficiaires qui pourraient recevoir jusqu’à 10 000 $ chacun. Maintenant, nous avons eu beaucoup de questions sur nos catégories d’âge. La première chose que nous voulons clarifier, c’est que n’importe qui, quel que soit son âge, peut postuler. Cependant, il existe deux catégories spéciales pour les 13 à 17 ans et les 18 à 29 ans. Donc, si vous n’êtes pas dans ces catégories d’âge, vous pouvez quand même postuler. Cependant, vous ne seriez éligible que pour la catégorie de pays. Nous avons donc des fonds disponibles pour chaque pays du G7 et l’UE, et ce, pour tout le monde, quel que soit son âge. Nous avons ensuite ces catégories d’âge spéciales de 13 à 17 ans et de 18 à 29 ans, comme je l’ai mentionné. Donc, si vous souhaitez postuler, le portail de demande a ouvert lundi et est ouvert jusqu’à 15h00, heure de l’Est, le 1er décembre.

Vous devez remplir un formulaire de participation qui contient des détails sur votre équipe et sur vous-même. Vous pouvez également participer en tant qu’individu. Vous n’avez pas besoin de faire partie d’une équipe. De plus, certaines informations sur votre solution d’IA sont alignées sur les critères d’évaluation. Et un lien vers une vidéo qui ne dure pas plus de 5 minutes et qui montre votre solution en action. Et nous voulons vraiment voir ce produit minimum viable qui fonctionne. Il doit s’agir d’une URL YouTube non modifiée. Vous pouvez également fournir un lien facultatif vers un référentiel GitHub. Vous devez également prendre connaissance des conditions générales du guide du participant, et le lien vers le guide du participant s’affichera. Il y a beaucoup d’informations vraiment intéressantes dans le guide. Nous avons des questions sur les conflits d’intérêts, la protection de la vie privée, la propriété intellectuelle et les licences et, chose très importante, notre code de conduite qui passe par les comportements appropriés. C’est ce que vous cliquerez et confirmerez pour accepter ces conditions.

Il y a quelques autres petites choses : vous devez avoir 18 ans pour postuler ou vous pouvez demander à un tuteur non participant de soumettre en votre nom. Les soumissions peuvent être en anglais ou en français et nous avons des limites de mots et limites de temps strictes pour la vidéo, alors assurez-vous de les respecter, sinon vous serez disqualifié. Encore une fois, consultez notre guide du participant pour en savoir plus.

Diapositive suivante, s’il vous plaît.

Ainsi, en plus de ces événements, nous sommes également en mesure de fournir une assistance via notre canal Discord et notre adresse e-mail. Nous avons vraiment la chance d’avoir un excellent réseau de mentors avec qui nous pouvons communiquer, et les deux liens sont disponibles dans le clavardage. Maintenant, je vais céder la parole à Jonathan.

Macdonald, Jonathan 7:36

Excellent. Merci beaucoup, Dawn, pour ce résumé détaillé. À ce stade-ci, nous allons nous tourner vers notre bon ami et collègue, Josh Turner, de Services partagés Canada, qui nous racontera l’histoire d’une innovation en matière d’IA à laquelle il a participé et qui a vraiment donné des résultats. Alors Josh, c’est à toi.

Turner, Josh 7:53

Merci beaucoup, Jonathan. Pour les organisateurs, si nous pouvions aussi lancer mes diapositives, ce serait génial aussi. Alors bonjour tout le monde, je m’appelle Josh. Je travaille actuellement comme gestionnaire d’une équipe technologique responsable de la science des données et de l’intelligence artificielle à Services partagés Canada. Il y a la présentation. Oh, je suis curieux de savoir si les organisateurs peuvent s’arranger pour que mes diapositives soient affichées, s’il vous plaît. Oui, c’est là qu’il apparaît et disparaît. Encore un essai. Et voilà. D’accord, alors oui, nous allons commencer par la première question. Quelqu’un a-t-il entendu parler des tarifs douaniers dans les nouvelles récemment? Je ne sais pas. Ce n’était pas un sujet de discussion. Non, blague à part.

Au Canada, en vertu de la loi, le ministère des Finances doit consulter l’industrie canadienne et les individus canadiens avant d’imposer des tarif douaniers et afin d’envisager des remises s’il y a des exceptions particulières qui doivent être envisagées afin de protéger ou de préserver des secteurs particuliers de l’industrie canadienne. Cependant, pour le changement qui s’est produit plus tôt cette année, vous savez, où nous avons un afflux typique d’environ 50 de ces commentaires, ce genre de commentaires qui viennent du public, nous nous attendions à un volume de 50 000. Le ministère des Finances n’avait tout simplement pas le personnel nécessaire pour gérer cela en utilisant des techniques manuelles. Il a donc fait appel à notre équipe de Services partagés pour obtenir un peu d’aide sur la façon dont nous pourrions appliquer l’IA en toute sécurité pour aider à gérer le volume auquel ils s’attendaient.

Alors mon équipe intervient. Nous avons d’abord développé en utilisant l’automatisation robotisée des processus (ARP), un modèle. Le modèle était là pour jeter un coup d’œil au flux de travail physique effectué par le ministère des Finances afin que nous puissions voir tous les flux d’informations d’un endroit à l’autre et déterminer l’effort déployé dans chacun d’eux. Et parce que nous avons utilisé la ARP, nous avons pu produire ce modèle extrêmement rapidement. On dit parfois que le moyen le plus simple d’obtenir une bonne réponse n’est pas de demander, mais de proposer une mauvaise réponse. Et cela fonctionne très, très bien avec le prototypage rapide. L’une des résultats de cette modélisation, cependant, est que l’un des flux qui traverse le processus consommait environ 95 % de la charge de travail. Et en nous limitant à cette partie très, très réduite de la charge de travail, nous sommes en mesure de simplifier la solution proposée en quelque chose que nous avons pu livrer dans un délai très, très court. Ce que nous avons livré, c’est une petite IA capable de prendre les commentaires qui viennent dans des tons, des structures et des langages extrêmement variables en données structurées faciles à analyser et cohérentes. Ceux d’entre vous qui travaillent dans le domaine des données savent à quel point c’est essentiel.
Alors, qu’avons-nous mis en place? Tout d’abord, nous avons commencé avec un petit grand modèle de langage, ce qui, je le sais, est une sorte de contradiction dans les termes, mais le genre de choses dont nous parlons sont des choses comme le modèle Phi-4 de Microsoft réduit à 4 bits par paramètre, ce qui signifie que vous pouvez l’exécuter sur du matériel consommateur conventionnel.

La deuxième chose que nous avons apportée était un message-guide pour le traitement des données qui comprenait des définitions spécifiques du schéma de données qui allait être généré. Quelles sont les significations exactes des champs qui doivent être révélés et l’élément critique que nous avons mis en place était une grammaire contrôlée. Maintenant, une grammaire, vous savez que les grands modèles de langage, ils émettent les jetons un par un, vous savez, analogues aux syllabes. Mais une grammaire contrôlée s’assure qu’à chaque syllabe, le contenu qui sort s’aligne sur un format de données structuré strict et qu’il agit comme un ensemble de rails qu’un grand modèle de langage peut suivre pour obtenir des résultats. Nous avons ensuite pris toutes les choses sauvages et laineuses qui sont arrivées au ministère des Finances, nous les avons passées devant le modèle à l’aide d’un runtime appelé llama.CPP. llama.CPP est un « runtime » source ouverte par un certain Georgi Gerganov. J’espère que je n’ai pas trop mal prononcé son nom.

Et nous l’avons exécuté sur le « calcul inutile ». Et par « calcul inutile », je veux dire le temps qui s’écoule les soirs et les fins de semaine pour le matériel qui a déjà été acheté à l’intérieur de la clôture à l’intérieur des ministères. Ce que cela donne, ce sont des données structurées. Des colonnes avec des définitions spécifiques, des types de données dans les colonnes, et c’est dans un format approprié que vous pouvez intégrer dans des bases de données prêtes à l’emploi ou Microsoft Excel ou tout ce que vous souhaitez utiliser pour votre traitement des données, R ou tout outil qui se trouve être adapté à votre tâche d’analyse de données. Plus important encore, nous avons été en mesure d’offrir cette solution de manière à ce qu’elle puisse être utilisée non seulement par Services partagés, mais aussi par le ministère des Finances et par ses ressources techniques. Nous n’avons pas seulement livré une solution, nous avons livré une capacité. Maintenant, comme toutes les bonnes choses. C’est mieux quand c’est partagé, comme un repas. Et les normes numériques au Canada suggèrent que chaque fois que nous créons une solution, nous voulons nous assurer qu’elle est partagée en tant que capacité avec l’ensemble du gouvernement fédéral. Et la bonne nouvelle, c’est que comme tous les composants d’entrée étaient ouverts, des modèles de pondération ouverts, des logiciels de source ouverte et des liaisons ouvertes, nous avons pu les publier également en tant que source ouverte pour la consommation, non seulement par le gouvernement du Canada, mais par le monde entier. Ce que vous voyez là-haut, c’est une adresse GitHub pour mon équipe, Services partagés Canada, la science des données et l’intelligence artificielle. Toutes nos solutions qui sont basées sur des sources ouvertes y sont publiées et vous êtes plus que bienvenu pour soumettre des demandes de tirage sur elles si vous trouvez quelque chose qui, selon vous, contribuerait également au bien-être général de ces produits. Sur ce, je vais passer aux questions. Ou devrions-nous revenir à Jonathan? Quelle est la meilleure façon de procéder?

Hall, Dawn 14:21

Salut nous. C’est moi. Nous y sommes. Il y a aussi Jonathan.

Macdonald, Jonathan 14:28

Très bien. Donc, s’il y a des questions dans le clavardage, je serai heureux de vous tourner vers celles-ci à ce stade.
J’attendrai que quelqu’un les signale, mais si ce n’est pas le cas, je serai heureux de poursuivre la conversation avec Dawn, qui pourra nous guider à travers une discussion avec les autres estimés invités que nous avons pour nous guider à travers les énoncés de problèmes et une discussion sur les données.

Hall, Dawn 14:54

Fantastique.

Macdonald, Jonathan 14:55

Merci. Merci beaucoup, Josh.

Hall, Dawn 14:58

Je le répète, merci à Josh et merci Jonathan. Donc, en ce qui concerne les énoncés de problèmes, nous sommes très chanceux d’avoir un certain nombre d’experts au sein des gouvernements qui nous parlent aujourd’hui des différents énoncés de problèmes et des données que vous pourriez envisager d’utiliser. Les données dont nous allons parler aujourd’hui ne sont pas toutes les données que nous avons fournies, tous les liens vers les données peuvent être trouvés lorsque vous agrandissez la section de chaque énoncé de problème sur le site Web d’Impact Canada. Allez donc sur le site Web du Grand Défi, cliquez sur l’énoncé du problème et en dessous, vous pourrez trouver toutes les données.

Hall, Dawn 15:35

De plus, vous pouvez également utiliser des données provenant d’autres sources. Assurez-vous simplement que vous respectez les exigences en matière de licence et de protection des données lorsque vous choisissez d’utiliser des données qui ne correspondent pas à celles que nous avons fournies.
Diapositive suivante, s’il vous plaît.

Tout d’abord, nous accueillons Liam Wilkinson, qui est à la tête de l’incubation de l’IA dans l’incubateur pour l’IA. Donc, i.AI au service numérique gouvernemental au Royaume-Uni. Liam vous parlera du premier l’énoncé du problème, Liam.

Wilkinson, Liam 16:14

Bonjour à tous et merci de m’avoir invité. Je vais juste faire fonctionner quelques diapositives en arrière-plan, puis je présenterai mon écran.
OK, échangez les écrans. Désolé, je n’utilise habituellement pas Teams. On y va.

Alors salut tout le monde. Je m’appelle Liam Wilkinson. Je suis responsable de l’incubation de l’IA au sein de l’incubateur d’IA du gouvernement britannique. J’aimerais dire un très gros merci à mes collègues canadiens de m’avoir invitée aujourd’hui, ainsi qu’à tous mes collègues du G7, qui participent également à l’événement.

Ainsi, dans l’incubateur pour l’IA, nous examinons énormément de données et l’un des cas d’utilisation les plus importants est la façon dont nous pouvons aider les gens à comprendre une quantité massive d’informations et de documents au sein du gouvernement. La mémoire institutionnelle est un problème bien réel pour la plupart des gouvernements dans le monde. Lorsque vous avez des gens qui travaillent dans des domaines très complexes, ils changent souvent d’emploi tous les deux ou trois ans environ, et une grande partie de cette expérience s’en va avec eux. Ainsi, lorsque nous examinons l’IA et que nous examinons ce cas d’utilisation, ce que nous essayons de faire, ce sont des technologies et des solutions qui peuvent nous aider à nous mettre à jour sur une quantité massive d’informations dans un délai relativement court. Et pour que cela se concrétise dans le contexte du Royaume-Uni, chaque année ou presque, nous organisons un événement massif au Parlement appelé le Discours du roi, où toutes nos annonces politiques majeures pour l’année sont publiées en une seule fois. C’est une sorte de cérémonie très faste et circonstance. Mais ce que vous ne voyez pas, ce sont les centaines et les milliers de fonctionnaires de Whitehall qui se démènent dans les coulisses pour élaborer tous ces textes de loi et le faire d’une manière solide et fondée sur des politiques et des preuves. Donc, l’ensemble de données sur lequel j’aimerais attirer votre attention est un ensemble de données ouvertes du Parlement. Ainsi, la plupart des pays du G7 ont une bibliothèque de la Chambre des communes ou quelque chose d’équivalent, où de nombreux rapports de recherche différents sont mis à la disposition du grand public.

Et est-ce que je partage mon écran légèrement plus OK en ce qui concerne le partage.

Donc, si je vais dans le navigateur, voici le site Web de la bibliothèque de la Chambre des communes. Ce que vous pouvez faire, c’est accéder à tous les rapports de recherche rédigés à la bibliothèque de la Chambre des communes. Il y en a des centaines qui sont publiés chaque année, et souvent chacun d’entre eux sont des rapports de recherche de classe mondiale pour le gouvernement. Elles sont utilisées par les fonctionnaires et les responsables afin d’élaborer de meilleures décisions politiques. Mais comme je l’ai dit, il y a énormément d’informations là-dedans. Donc, je vous encourage donc à réfléchir à la manière dont vous pourriez utiliser le moissonnage de données pour extraire certaines de ces informations. Apportez toutes ces données à un moteur de recherche potentiel et au type d’expériences agentiques que vous pouvez construire par-dessus. Et juste pour montrer qu’il n’y a pas que le Royaume-Uni qui a ce genre de système. Il s’agit d’un service équivalent propre au Parlement du Canada, et chacun des pays possède également ses propres biens équivalents. Peut-être une IA, qui peut parcourir l’ensemble des politiques du G7 afin de comprendre ce qui va bien, ce qui fonctionne bien dans certains pays et peut-être les choses qui pourraient mieux fonctionner dans le nôtre. Ce n’est qu’un exemple potentiel. Mais tout cela pour dire qu’il y a énormément d’information et de contexte à l’extérieur du Parlement, à l’extérieur de nos institutions démocratiques.

Un grand nombre de ces différents sites Web gouvernementaux ont des API ouvertes, donc un autre exemple à prendre ici est gov.uk. Donc gov.uk est l’endroit où tous nos services gouvernementaux au Royaume-Uni sont accessibles. Encore une fois, il y a beaucoup d’équivalents dans les différents pays. Mais beaucoup d’entre eux sont également livrés avec des API ouvertes où vous pouvez rechercher librement dans tout le contenu qu’ils contiennent. Comprendre comment nous pouvons rationaliser les conseils du gouvernement au fil des années, voire des décennies, pour nous assurer qu’un citoyen a une expérience cohérente pour interagir avec le gouvernement est un autre cas d’utilisation important pour nous ici au G7. Mais sur ce, je pense que je vais céder la parole à Dawn.

Hall, Dawn 20:31
Merveilleux. Merci beaucoup, Liam, pour cet aperçu fantastique. C’était vraiment intéressant et j’ai apprécié la façon dont vous avez apporté les données de type équivalent qui étaient disponibles pour les autres pays du G7. Merci beaucoup pour cela.

Wilkinson, Liam 20:44

Mon plaisir.

Hall, Dawn 20:50
En fait, je vais céder la parole à Josh parce que nous avons une question dans notre section de questions et réponses qui concerne spécifiquement sa présentation et nous garderons les autres questions pour plus tard. Mais nous savions que nous voulions que Josh réponde à cette question pendant qu’elle était encore fraîche. Alors merci d’être revenu, Josh. Et voici la question. Quel a été le LLM final qui a été mis en œuvre ou s’agit-il toujours de Phi en raison des limites de calcul?

Turner, Josué 21:14

C’est une excellente question. Donc, au moment où nous avons livré la fonctionnalité au ministère des Finances, c’était encore Phi-4, le modèle à 8 milliards de paramètres. C’est uniquement parce que c’était le meilleur qui était disponible à la fin de 2024 lorsque les travaux ont commencé.

Depuis lors, il y en a eu d’autres qui ont été libérés qui sont excellents. Il y a un groupe appelé Liquid.AI qui a de tout petits modèles qui sont spécifiés comme spécialisés pour le cas d’utilisation de l’extraction de données. Ils les ont ramenés à environ 3 milliards de paramètres. Ils fonctionnent très, ils sont étonnants de voir à quel point les exigences informatiques sont réduites pour eux. Et si vous voulez vous en tenir à ce qui a fait ses preuves, Llama « 3.18 billion instruct » se débrouille également très très bien sur ce cas d’utilisation particulier, bien que vous deviez regarder très attentivement les conditions d’utilisation avant de vous appliquer à votre propre cas d’utilisation. Cela vous a aidé?

Hall, Dawn 22:13

Cela me semble bien. Nous avons en fait une deuxième question de suivi, qui est : je suis curieux de savoir comment vous appliquez le schéma JSON au niveau de la génération des jetons.

Turner, Josh 22:13

Excellent.
D’accord, le moyen le plus simple maintenant est qu’il ait été intégré directement dans la bibliothèque de Georgi Gerganov. Vous, que vous appelez la complétion de jeton ou disons la méthode de complétion de chat que vous trouverez dans la plupart des bibliothèques, il y a un élément que vous pouvez passer qui est nommé schema que vous passez dans un ensemble de contraintes formatées en schéma JSON et il les traduit en BNF et l’applique simplement pour vous. C’est que cela rend les choses beaucoup, beaucoup plus faciles aujourd’hui. Si cela peut vous aider, Dawn, je peux ajouter un lien dans le chat.

Hall, Dawn 22:59

Bien sûr, je vous recommande de mettre un lien vers la session de questions-réponses et oui, et nous allons maintenant passer à notre deuxième énoncé de problème et continuer. Je vois qu’il y a une autre question dans le chat sur les données de santé, mais nous allons en fait la garder pour la fin. Nous voulions juste nous assurer que Josh avait le temps parce que, malheureusement, il a besoin de partir.

Turner, Joshua 22:59

Fantastique.
Oh, c’est mieux. Mieux encore, oui. Très bon.

Hall, Dawn 23:17

Merci beaucoup d’être ici, Josh. Nous l’apprécions vraiment et passons à l’énoncé du problème deux. Ensuite, nous sommes très chanceux d’accueillir Anna Logie, du Conseil législatif de Justice Canada, et Anna est ici pour parler de l’énoncé du problème 2. La parole est à vous, Anna.

Logie, Anna 23:40
Merci. C’est un plaisir d’être ici aujourd’hui. Aujourd’hui, je parle en mon nom personnel et non au nom de mon ministère. Le deuxième énoncé du problème est que la fonction publique travaille avec de nombreuses lois, politiques et règlements qui sont complexes à naviguer pour les clients et les employés.

Comme nous l’avons mentionné lors de l’événement de lancement de lundi, le volume et la complexité des règles constituent un défi de taille tant pour les fonctionnaires qui travaillent avec les règles que pour les gens ordinaires qui tentent de comprendre comment les règles s’appliquent à leur situation. Et on s’attend à ce que les changements législatifs, réglementaires et politiques continuent de croître en volume et en rythme. Pourtant, les ressources disponibles pour gérer ce changement resteront probablement à peu près les mêmes. Cela peut mener à des résultats indésirables tels que des retards, une application incohérente des règles et une non-conformité involontaire due à une mauvaise compréhension de la façon dont les règles s’appliquent.

Pour relever ce défi, votre tâche consiste à concevoir une solution pour simplifier l’interprétation et l’application des règles afin d’accroître la cohérence et la conformité, et de réduire la charge cognitive des employés. L’objectif est de faciliter la compréhension des règles qui s’appliquent afin qu’elles soient appliquées de manière plus cohérente et plus facilement respectée. Un exemple d’un tel outil pourrait être un outil prédictif qui identifie les lois et règlements pertinents qui ont une incidence sur une application de programme ou de service. Ce type d’outil pourrait aider une personne qui demande un programme ou un service à trouver les règles juridiques qui s’appliquent à sa demande. Un autre exemple pourrait être un outil d’IA neurosymbolique ou hybride qui utilise quelque chose comme un arbre décisionnel traçable pour fournir des explications en langage clair des règles et de la façon dont elles s’appliquent. Ce ne sont que des exemples et votre solution peut être différente.

Une chose à noter ici est l’importance de l’exactitude et de l’explicabilité, qui sont des valeurs importantes de la primauté du droit. Un outil qui est influencé par des préjugés ou des facteurs non pertinents, qui passe à côté de facteurs pertinents ou qui s’appuie sur un processus opaque ou de boîte noire présentera généralement un risque plus élevé et un peu moins facile à déployer qu’un outil qui peut fournir des résultats précis, cohérents et explicables. Pour terminer sur les dernières diapositives, il y a des exemples de données provenant de divers pays. Par exemple, ici au Canada, le site Web du ministère de la Justice fournit une consolidation officielle ou une version mise à jour des lois et règlements fédéraux. Ces renseignements sont également fournis sous forme d’ensemble de données XML ouvertes. Vous verrez également des exemples de données provenant de plusieurs autres pays du G7. N’hésitez pas à utiliser n’importe laquelle des exemples de données si vous le souhaitez. Merci de votre participation et bonne chance.

Hall, Dawn 26:21

Merveilleux. Merci beaucoup. Anna. C’était un excellent aperçu de l’énoncé du problème. Quelques solutions possibles, ainsi que les exemples de données. Et maintenant, j’ai le plaisir d’inviter Liam à nouveau, qui va parler de certaines des données fournies pour le deuxième énoncé du problème au Royaume-Uni. Encore une fois, à vous, Liam.

Wilkinson, Liam 26:41

Bonjour, encore moi. C’est merveilleux de vous voir tous. Je vais donc vous montrer quelque chose qui est un accès un peu anticipé et nous n’avons pas encore vraiment publié la majeure partie du grand public, mais c’est un nouvel ensemble de données que nous avons publié sur toute la législation du gouvernement du Royaume-Uni.
Jusqu’en 1267, ce qui, je crois, est proche de la Magna Carta. Et c’est toute l’histoire législative du Royaume-Uni, mais c’est maintenant disponible en tant qu’API, et c’est également disponible en tant que serveur MCP. C’est ainsi que je peux vous mettre les pieds sur terre. C’est legislation.gov.uk, donc c’est l’équivalent du service anglais, pardon britannique, à celui décrit pour les Canadiens. Ce que nous avons, c’est toute notre législation qui remonte à 1267, comme il est dit ici, mais cette information contient également un très grand nombre de vieux PDF numérisés.
La loi victorienne, les modifications apportées à la main remontent à l’époque médiévale, mais elle contient également un réseau de la façon dont toutes ces différentes mesures législatives sont interconnectées, et je suis heureux de dire que vous n’avez pas besoin d’aller extraire tout cela vous-même.

Parce que nous avons maintenant publié une nouvelle API appelée Lex API. C’est quelque chose que vous pouvez connecter directement à un point de terminaison de type API REST, mais vous pouvez également tirer parti d’une interface MCP afin de l’utiliser.

Donc, pour montrer à quoi cela ressemble en termes pragmatiques, cela signifie que nous pouvons saisir cela dans un outil prêt à l’emploi comme Claude Desktop ou Microsoft Copilot comme celui-ci. J’ai donc abordé ici une question générale sur la façon dont la protection des données est régie par la loi britannique. Et ce que nous avons, c’est une série d’étapes où un agent passe en revue et recherche une variété de différents types de législation sur la protection des données en coulisses, puis donne une sorte de réponse de recherche citée en coulisses ici. Il s’agit donc d’un serveur MCP que vous êtes très libre d’utiliser au cours du hackathon et, espérons-le, par la suite.

Tout le code est à source ouverte si vous voulez savoir comment nous le construisons, ainsi que le lien direct vers l’API si vous souhaitez l’utiliser. Mais là encore, tout le code ouvre une sorte de capacité clé d’ensemble de données. Je vous signale qu’à l’intérieur de tout cela, il y a toutes les interactions croisées de la législation.

Nous pouvons donc voir ici en 2025 qu’une grande partie de nos lois modernes reviennent encore en arrière et modifient des lois des années 1700, par exemple. Ainsi, l’utilisation potentielle de l’IA pour aider les gens à découvrir quelle législation devrait être modifiée chaque fois que nous voulons introduire une nouvelle politique est un cas d’utilisation vraiment convaincant pour nous ici au Royaume-Uni aujourd’hui. Oui, c’est gratuit et vous pouvez l’utiliser dans le cadre de votre solution ici si vous le souhaitez. Il existe également des types équivalents de produits XML et de données pour toutes les différentes législatures des pays du G7. Merci de votre temps.

Hall, Dawn 29:49

Génial. Merci encore, Liam. Et c’est super intéressant qu’il y ait une sorte d’accès anticipé ici. Je vous en remercie. Nous nous efforçons de le mettre sur le site Web en ce moment. J’espère qu’il sera en place dans un jour ou deux. Nous l’avons remis à notre équipe. Alors gardez les yeux ouverts pour cela. Cela viendra bientôt. Passons à autre chose. Oh, et Liam l’a collé dans le clavardage, et nous allons nous assurer que cela va dans la session de questions-réponses. Merci beaucoup.

Ensuite, nous avons notre troisième énoncé de problème et nous avons également deux présentateurs pour celui-ci. Nous commencerons par le Major Mohsin Bhatti, officier de liaison des Forces armées canadiennes et analyste des politiques au Centre d’IA du ministère de la Défense nationale et au des Forces armées canadiennes. Le Major Bhatti parlera de l’énoncé du problème, alors je vous passe la parole.

Bhatti, Major Mohsin 30:41

Bonjour, bonjour. Je suis donc le Major Mohsin Bhatti. Je suis l’agent de liaison au Centre d’intelligence artificielle du FAC et MDN. L’énoncé du problème qui m’a été donné est le suivant : les gouvernements ont beaucoup de processus, souvent complexes, et il peut être difficile de prévoir avec précision les besoins futurs et d’affecter efficacement les ressources. Donc oui, je veux dire que ce n’est une surprise pour personne. Je veux parler du gouvernement, nous parlons, vous savez, des soins de santé, des transports, des infrastructures et des services sociaux, de la défense et de la gestion des urgences, souvent tous en interaction les uns avec les autres et avec de très longs délais de planification et d’investissement. Dans l’environnement, il est généralement difficile, généralement difficile de prédire ce dont nous aurons besoin, où nous en aurons besoin et quand la demande peut changer plus rapidement que notre cycle de planification. C’est donc là que l’IA peut nous aider à faire des prédictions en fonction des données, des données climatiques disponibles, des changements de population, des nouveaux risques émergents, etc. Donc, le résultat est à nouveau très familier à nous tous. Parfois, nous allouons des ressources là où les besoins ne sont pas très importants et nous enlevons des ressources, de l’argent et des outils dans les domaines qui sont souvent soumis à une pression élevée.

De même, dans le contexte de la défense également, il ne s’agit souvent pas seulement de l’efficacité, mais aussi de la préparation opérationnelle, de la résilience et de la gestion des urgences et, en fin de compte, de la confiance du public que les Canadiens nous accordent en tant que praticiens de la profession des armes. C’est exactement ce que nous regardons dans le Centre d’IA, que j’ai mis en place sans honte parce que je travaille pour le Centre d’IA. Comment utiliser les données et l’intelligence artificielle pour passer d’une posture réactive à une posture proactive? L’énoncé du problème est très simple, simple, mais très difficile dans la pratique, surtout lorsqu’il s’agit de prévoir les besoins futurs et l’affectation des ressources, de réduire le gaspillage et d’améliorer les services en mettant à disposition des personnes, de l’argent et des outils, où et quand ils sont nécessaires.

Par exemple, je vais vous donner un exemple de l’infrastructure, de la population et de l’environnement.

Imaginez que nous réunissions des données sur l’état des routes, des ponts, des bâtiments et des bases, les historiques d’entretien, les projections climatiques et la croissance démographique prévue dans différentes régions. Un modèle d’IA peut apprendre des tendances à partir des données et estimer les actifs qui sont susceptibles de tomber en panne plus tôt, où la demande en matière d’infrastructures augmenteront et où l’impact climatique sera le plus grave. Cela signifie qu’au lieu d’attendre que quelque chose se brise et souvent de se démener pour le financer, nous pouvons classer les investissements de manière proactive.

Par exemple, nous pouvons dresser une liste des 10 actifs à risque à gérer au cours des 5 à 10 prochaines années pour réduire les risques, réduire les risques et maintenir les niveaux de service. Pour le MDN-CAF, cela pourrait signifier donner la priorité aux investissements dans les hangars, les jetées, les zones d’entraînement et les infrastructures modernes qui soutiennent les opérations critiques. Il pourrait mettre en évidence les répercussions des changements climatiques sur les pistes, les routes, les installations éloignées et les infrastructures autour des bases qui soutiennent notre peuple et ses familles. Vous pouvez ensuite aligner les décisions de financement sur ces informations. Chaque dollar fait le plus de travail en termes de réduction des risques, de réduction des risques et de préparation.

Donc, pour tout rassembler, le MDN et les FAC par le Centre d’IA pour la défense, notre défi est de concevoir et de mettre en œuvre des solutions fondées sur l’IA de manière à réduire le gaspillage, à améliorer les services et à renforcer l’état de préparation tout en respectant les valeurs, l’éthique et la confiance qui sont au cœur de la fonction publique et de la profession des armes. Merci. Et je vais le transmettre à Dawn.

Hall, Dawn 36:03

Génial. Merci beaucoup , Major Bhatti, c’était très, très intéressant. Appréciez tout le contexte que vous avez apporté, de votre expérience vécue. C’est génial.

Je cède maintenant la parole à Laurent Martel, directeur du centre de démographie de Statistique Canada. Laurent parlera de certains des exemples de données fournis pour cet énoncé de problème, en particulier les données du recensement au Canada. Veuillez donc noter qu’en plus de ces données, d’autres données sont disponibles sur la diapositive et sur le site Web. La parole est à vous, Laurent.

Martel, Laurent 36:34

Oui, merci, Dawn. Bonjour à tous. J’aimerais également remercier Jonathan, Mark et d’autres collègues de m’avoir donné l’occasion de parler du recensement du Canada, qui est essentiellement le plus important, l’une des plus importantes activités organisées dans ce pays en temps de paix. C’est un engagement très difficile de dénombrer tous les Canadiens vivant ou toutes les personnes vivant au Canada, et le prochain recensement aura lieu en 2026. Rappel à tout le monde, nous sommes en mai 2026. Assurez-vous de répondre au recensement, bien sûr.

Le Canada a une longue tradition de recensements. Nous avons des recensements depuis le tout début. Il remonte aux nouveaux amis de Jean Talon en 1666, et actuellement le recensement a lieu tous les cinq ans dans le pays, les années se terminant par 1 et par 6. Donc 2021, 2026, 2031, et cetera. C’est la situation actuelle. Je rappelle à tout le monde que le recensement donne un aperçu de la population canadienne à un moment précis. De nombreuses lois au pays font référence au recensement canadien et aux données qu’il fournit. Le grand atout, et pour faire allusion à cela, le grand atout du recensement de la population, c’est qu’il peut produire des données très fiables à l’échelle locale pour les communautés de tout le pays. C’est l’avantage d’avoir un recensement. Nous pouvons fournir que Statistique Canada a plusieurs tableaux de données sur son site Web pour toutes les collectivités du pays. Il peut aller dans les quartiers des plus grandes villes, ou dans les réserves, par exemple. Le recensement porte également sur les logements collectifs. Il s’agit donc d’un dénombrement complet de la population canadienne, alors gardez cela à l’esprit. Comme je l’ai dit, il est très difficile de dénombrer la population qui vit sur un territoire aussi vaste.

Et avec une telle diversité. Il y a beaucoup, beaucoup d’activités qui doivent avoir lieu pour organiser le recensement. Le cycle du recensement s’étend en fait sur une période de sept ans. Cela va de la consultation du contenu à la détermination. En ce qui concerne le développement du système et des processus, nous devons embaucher du personnel lorsque nous effectuons le recensement, il y a des opérations sur le terrain qui commenceront bientôt, par exemple, l’envoi postal et le dépôt de questionnaires en plusieurs langues.
Après la collecte des données, des activités de suivi de non-réponse sont en cours. Il y a l’imputation éditée sur les données, l’évaluation de la qualité bien sûr. Ensuite, nous diffuserons les données qui seront produites en 2027, diffuserons les résultats du recensement canadien pour tous les Canadiens. Et bien sûr, il existe de nombreux documents de référence qui sont également associés à ces données qui sont publiées. Il s’agit donc d’un projet de très grande envergure et, au cours de la dernière décennie, nous en avons utilisé quelques-unes, nous avons mis à jour les méthodes pour effectuer le recensement. Par exemple, nous utilisons beaucoup plus de données administratives qu’auparavant lorsque cela est possible afin de réduire en quelque sorte le fardeau de réponse pour tous les Canadiens. Je vais donner deux exemples de données administratives qui sont utilisées dans le recensement.
Nous utilisons les données de l’ARC, donc de l’Agence du revenu du Canada, pour le revenu des Canadiens qui sont utilisées dans le contexte du recensement. Nous utilisons également les données d’Immigration, Réfugiés et Citoyenneté Canada d’IRCC pour déterminer le statut d’immigration. Donc, nous ne posons plus de questions sur le statut d’immigration. Nous recueillons des renseignements directement auprès d’IRCC à l’aide de ses données administratives. Nous mettons également à jour tous nos processus lorsque cela est possible pour utiliser les nouveaux outils qui sont à notre disposition, par exemple l’apprentissage automatique. L’IA, bien sûr. L’automatisation est également plus largement utilisée que jamais. Nous avons commencé à utiliser, par exemple, l’apprentissage automatique il y a quelques années, et il est certainement également utilisé dans le domaine du codage pour d’autres activités, par exemple lorsque nous certifions et validons les données, nous essayons de savoir s’il y a des valeurs aberrantes dans les données que nous avons recueillies. L’identification des valeurs aberrantes peut donc être améliorée à l’aide de ces nouveaux outils, et c’est certainement quelque chose que fait Statistique Canada.

Nous utilisons également ces nouveaux outils chaque fois qu’il y a des tâches répétitives à effectuer et, par exemple, lorsque nous devons recueillir ou rassembler les réponses des Canadiens qui ont été écrites à la main dans le questionnaire du recensement, nous utilisons beaucoup de ces nouveaux outils pour nous aider à accélérer le traitement des données des réponses écrites que les Canadiens nous ont fournies. Je terminerai ma petite présentation du recensement et de la façon dont nous pouvons tirer parti de ces nouveaux outils en disant que nous cherchons et utilisons davantage l’IA pour l’analyse et, éventuellement, pour nous aider à rédiger un communiqué de presse afin de fournir aux Canadiens les données et l’analyse qui auront lieu en 2027, comme je l’ai dit. Et rappelez-vous toujours que le recensement est aussi la base de nombreux autres programmes statistiques de Statistique Canada. Le programme des projections démographiques en est un exemple. Nous utilisons une grande partie des données du recensement pour établir des projections pour l’avenir, et ces projections sont utilisées par de nombreux ministères pour leur exercice de planification, y compris la planification de l’infrastructure nécessaire pour l’avenir ainsi que la prestation des programmes. Donc, les projections démographiques sont fondamentalement comme d’autres programmes statistiques qui utilisent beaucoup les données de recensement que nous publions. Je vais donc m’arrêter là, Dawn, et voir s’il y a des questions.

Hall, Dawn 43:05

Génial. Merci beaucoup, Laurent, et merci encore au Major Bhatti. Des renseignements très intéressants sur notre troisième énoncé de problème. Nous allons passer à l’énoncé du problème 4 et, pour cet énoncé du problème final, j’ai le plaisir d’accueillir Natasha DSouza, du Bureau du dirigeant principal de l’information, Secrétariat du Conseil du Trésor du Canada, ainsi que Shane Tompkins, du Secteur de la gestion des dépenses, également ici au Secrétariat du Conseil du Trésor du Canada. Je vais donc céder la parole à Natasha.

DSouza, Natasha 43:37

Merci beaucoup, Dawn, et merci de me donner l’occasion d’être ici aujourd’hui. Bonjour. Shane et moi sommes ici, comme Dawn l’a mentionné, du Secrétariat du Conseil du Trésor du Canada, pour partager quelques renseignements sur quelques ensembles de données sur les programmes et services du gouvernement du Canada qui pourraient vous aider à concevoir une solution au problème que les clients ont une grande variété de besoins en matière de communication et que les interactions avec le gouvernement peuvent être difficiles, frustrantes et exacerber les obstacles existants.

Votre tâche consisterait donc à concevoir une solution pour communiquer avec les gens d’une manière accessible à un large éventail de langues, de cultures et/ou de capacités. Par exemple, il peut s’agir d’un outil permettant d’intégrer et de vérifier l’information fournie par un client, ou encore d’un outil pour aider à rassembler des renseignements pertinents pour remplir des formulaires ou pour se préparer à une discussion avec des représentants du gouvernement.

Avant de commencer, je tiens à mentionner que le Canada dispose d’un système de gouvernement fédéré à trois niveaux distincts, soit fédéral, provincial ou territorial, et municipal. Chaque niveau offre des services aux Canadiens, et l’information que Shane et moi allons partager aujourd’hui concerne le niveau fédéral. Programmes et services fournis par le gouvernement du Canada.

Le gouvernement fédéral offre plus de 1 500 services au public, allant des passeports et de l’assurance-emploi aux services frontaliers et aux services d’immigration, en passant par le soutien aux entreprises, les voyages, les conseils en matière de santé et même les prévisions météorologiques. Ces services sont fournis par plus de 70 ministères et organismes dont le mandat, l’envergure et la clientèle varient grandement. Le Répertoire des services du gouvernement du Canada est donc l’un des deux ensembles de données dont nous parlerons aujourd’hui.
Et il a été créé pour donner de la visibilité aux services que le gouvernement fédéral offre aux particuliers, aux entreprises et même à d’autres ministères. L’ensemble de données est disponible sur le Portail du gouvernement ouvert du Canada et est mis à jour annuellement entre septembre et décembre. Donc, si vous visitez le lien en ce moment, il se peut que des renseignements partiels soient disponibles pour l’année la plus récente, soit 2024 et 2025. Il y a aussi deux fichiers qui constituent le répertoire des services. Le premier contient des renseignements de base permettant de déterminer les services, et le second contient des renseignements sur le rendement par rapport aux normes de service. En réalité, le Répertoire des services est un ensemble de données normalisées sur les services du gouvernement du Canada contenant des renseignements sur les volumes par canal, la disponibilité en ligne, les types de services et les bénéficiaires, ainsi que le rendement des normes de service. Cependant, comme pour tout ensemble de données, il existe certaines mises en garde lorsque vous utilisez ces données.

Tout d’abord, le Répertoire des services décrit souvent les services gouvernementaux du point de vue du gouvernement, de sorte qu’il ne saisit pas toujours la façon dont un client ferait l’expérience des services ou à quel stade d’un processus il éprouverait des difficultés, mais il comprend des renseignements sur les méthodes de satisfaction de la clientèle ou de collecte des commentaires des clients, mais il n’inclut pas de mesures comme les indicateurs satisfaction de la clientèle. Et dans certains cas, la nature du service signifierait que certains champs de l’inventaire pourraient même ne pas s’appliquer à ce service. Par exemple, les services correctionnels qui sont fournis en personne n’auraient probablement pas de données pour le canal de demande en ligne. Donc, en particulier en ce qui concerne le canal des applications, nous recommandons d’adopter une interprétation large de ce que nous entendons par application, car tous les services ne nécessitent pas une application pour accéder à un service. Considérez-les plutôt comme des volumes globaux pour le service. Une autre chose à savoir est qu’il y a une certaine complexité lorsqu’un service est une responsabilité partagée entre les ministères. Ainsi, par exemple, le Programme canadien de passeport et le Programme canadien de soins dentaires relèvent d’un ministère et sont administrés en tout ou en partie par un autre ministère. Il en résulte deux entrées distinctes pour le même service. Dans d’autres cas, une entrée de service représente un service de bout en bout, comme l’assurance-emploi, qui comprend à la fois le centre d’appels et l’administration du service. Donc, pour relever ce défi, je vous encourage à utiliser le répertoire des services du gouvernement du Canada pour vous familiariser avec le paysage des services du gouvernement du Canada et, ce faisant, je vous recommande d’examiner les données de l’exercice financier 2023-2024, qui est l’exercice financier le plus complet et le plus récent que nous ayons.
Que vous vous concentriez sur les services qui sont fournis aux clients où la portée des services, par exemple, contient le mot externe et où le nombre total d’applications est supérieur à 0. Vous pouvez également consulter le site Web associé à chaque service (indiqué dans l’ensemble de données) pour obtenir des renseignements supplémentaires, au besoin. Enfin, les données sur les services nécessitent également qu’un lien soit établi avec les renseignements sur le programme. Vous trouverez donc le nom du programme dans le répertoire des services, ce qui peut vous aider à mieux comprendre le service, excusez-moi. Je cède maintenant la parole à Shane, qui vous parlera davantage des programmes. Shane, c’est à vous.

Tompkins, Shane 48:55

Merci, Natasha. Ainsi, je considérerais le programme comme un complément à cette initiative et aux données sur l’inventaire des services dont Natasha a parlé, en montrant de manière plus générale comment les ressources et les résultats du gouvernement soutiennent les services avec lesquels les gens interagissent.
Cela peut aider à répondre aux questions sur la façon dont le gouvernement du Canada - le gouvernement fédéral - est organisé en fonction d’un ensemble exhaustif de programmes et de financements et sur le travail des équivalents temps plein dans le cadre de ces programmes, ou ETP. Et comment ils s’harmonisent avec les responsabilités et les objectifs de base de chaque ministère, tous assujettis à la Politique sur les résultats du Conseil du Trésor. Vous pouvez explorer ces renseignements de manière plus visuelle sur l’InfoBase du GC, qui est l’une des plus anciennes plateformes de visualisation des données publiques du gouvernement du Canada. Vous pouvez également télécharger les ensembles de données du répertoire des programmes sur la page Données ouvertes de l’InfoBase du GC. Cela comprend donc les ressources prévues et réelles, les dépenses en ETP et l’évolution du rendement dans une structure intergouvernementale cohérente. Ainsi, bien que l’inventaire des services se concentre plus directement sur les interactions de première ligne, les données de l’inventaire des programmes peuvent vous aider à mieux comprendre le paysage, la manière dont les programmes sont financés et la manière dont ces ressources sont liées aux résultats. Les numéros d’identification et les noms des programmes sont présentés dans l’ensemble de données de l’inventaire des services et vous permettent d’établir un lien avec les services mentionnés par Natasha dans l’ensemble de données de l’inventaire des programmes sur le portail du gouvernement ouvert. Donc, si vous filtrez vers l’exercice 23/24 à partir de l’inventaire des services, vous voudrez évidemment faire de même pour l’ensemble de données de l’inventaire des programmes, donc j’espère que c’est un bon ensemble de données supplémentaires pour vous en plus des données de l’inventaire des services qui est potentiellement utile. Et sur ce, je vais le ramener à Dawn.

Hall, Dawn 50:58

Génial. Merci beaucoup, Natasha et Shane. J’apprécie vraiment la mise à jour et nous allons passer à la diapositive suivante, qui est la dernière présentation de cette partie de l’événement. Je vais céder la parole à Damian Laverty, de l’équipe du gouvernement ouvert du Secrétariat du Conseil du Trésor du Canada. Damian va parler du Portail du gouvernement ouvert et, bien qu’il parle du contexte canadien, de nombreux autres gouvernements du G7 ont également ces portails de gouvernement ouvert. Je vous laisse donc la parole, Damian.

Laverty, Damien 51:32

Oui. Merci, Dawn, et bonjour à tous, selon l’endroit d’où vous vous joignez. Je vais nous présenter très rapidement ici à un niveau très élevé pour vous donner quelques renseignements sur notre portail du gouvernement ouvert, que vous pouvez trouver à ouvert.canada.ca. Essentiellement, il s’agit de permettre la publication proactive et continue des données et de l’information du gouvernement. Cela signifie deux choses. Il peut s’agir de tout ce que nous devons, en vertu de la loi, divulguer publiquement au public, ou de l’information de valeur que nous jugeons susceptible d’être utile à des citoyens privés ou à des universitaires. Page suivante, s’il vous plaît. Encore une fois, à un niveau très élevé, le portail du gouvernement ouvert a été lancé en 2011 comme un dépôt central de données et d’information ouvertes. Depuis lors, c’est devenu la plateforme prescrite pour toute l’information qui doit être publiée de manière proactive en vertu de la deuxième partie de notre Loi sur l'accès à l'information. Il est donc intéressant que nous disposions de ce site gigantesque que tout le monde peut visiter et consulter les données qui s'y trouvent, et qui nous sert également d'outil pour communiquer ce que nous jugeons utile à tout le monde. Mais c’est aussi notre plateforme prescrite pour que toutes les institutions divulguent de manière proactive certaines choses qui constituent des exigences législatives, comme les informations contractuelles, les frais d’accueil, de voyage et d’hébergement et les contributions de ce genre. Nous avons donc actuellement plus de 45 000 publications provenant de plus de 170 institutions fédérales et actuellement de 11 provinces et territoires, nous avons reçu en moyenne plus de 300 000 visites par mois, et ce, sans aucune publicité ici. Nous n’essayons pas de gonfler cela avec des campagnes publicitaires, mais peut-être que le plus grand nombre est que nous avons récemment dépassé les 3 millions de dossiers individuels pour les publications proactives. C’est énorme. Ce sont trois millions de choses qui ont été divulguées à tout le monde dans le monde entier dans notre tentative d’être transparents dans tout ce que nous faisons en tant que gouvernement. Tout ce qui est affiché sur le portail du gouvernement ouvert relève également de la licence illimitée du gouvernement ouvert, de sorte que cette information peut être réutilisée à n’importe quelle fin. Il peut s’agir pour vous de créer votre entreprise, il peut s’agir d’une personne à l’école pour mener à bien un projet et obtenir plus d’informations ou simplement apprendre. Il n’y a aucune restriction là-bas. Puis-je obtenir la diapositive suivante, s’il vous plaît? Maintenant, l’utilisation du portail est assez simple. Lorsque vous arriverez à la page principale, elle sera séparée entre les informations ouvertes et les données. Les dépenses et les opérations gouvernementales, c’est-à-dire notre public, pardonnez-moi, notre section sur la publication proactive, puis nos résumés de l’accès à l’information qui ont été divulgués précédemment. Cependant, une fois que vous entrez dans la recherche, la recherche sur le portail , vous verrez qu’il existe de nombreuses façons d’utiliser les données grâce à des filtres. Vous pouvez ainsi filtrer par organisation ou par type de publication, et affiner vos recherches. Il est bien sûr important de bien maîtriser les opérateurs « et », « ou » et « non » dans vos mots-clés. Vérifiez l’institution d’édition. C’est très important parce que, encore une fois, le portail n’est propriétaire d’aucune de ces données, pas plus que le Conseil du Trésor. Nous fournissons simplement le véhicule par lequel cela est communiqué et fournissons un emplacement central pour que tout le monde puisse consommer cette information. Donc, s’il y a des questions sur les données spécifiques, il est toujours préférable de s’adresser aux institutions elles-mêmes, car elles sont les propriétaires des données, oui. Et encore une fois, en triant avec les résultats, vous pouvez remonter jusqu’à 2011. Encore une fois, j’aimerais peut-être souligner l’évidence pour certains, à savoir qu’il est évident que les données les plus récentes sont généralement meilleures et plus utilisables à mesure que nous changeons de priorités, nous essayons de concentrer nos efforts pour rendre les données non seulement plus transparentes, mais aussi plus utilisables, plus normalisées. Nous cherchons donc actuellement des occasions de trouver où se trouvent d’anciens ensembles de données. Là où ils n’auraient peut-être pas utilisé, vous savez, une certaine normalisation des données qui aujourd’hui pourrait être assez simple, comme le format des dates, des heures pour les lieux afin de rendre toutes nos données plus lisibles par machine si vous voulez. La diapositive suivante, s’il vous plaît. Et ce n’est pas encore une fois pour être trop technique ici, mais le portail fonctionne sur open source, n’est-ce pas. Nous avons donc notre implication CKAN avec Drupal, la base de données SQL et Solr. Vous pouvez y aller et il y a des liens ici dans les documents pour en savoir plus si vous le souhaitez. J’encourage également tout le monde à trouver au bas de notre page du portail du gouvernement ouvert – encore une fois open.canada.ca – un lien sur la façon de télécharger, de consommer ou d’utiliser les données. Ainsi, en cliquant dessus, vous trouverez des guides sur la façon de travailler avec les données et les API pour ceux qui pourraient entrer dans cet environnement. Diapositive suivante, s’il vous plaît. Oui. Et je pense que c’est tout. Alors merci beaucoup à tous, et je soumets à Dawn. Merci.

Hall, Dawn 56:51

Merveilleux. Merci beaucoup, Damien. Encore une fois, un grand merci à tous nos experts qui ont pu se joindre à nous aujourd’hui pour parler de leurs domaines d’expertise et de la façon dont l’IA et les données peuvent vraiment les aider à poursuivre l’excellent travail en cours. Je vais maintenant céder la parole à Jonathan.

Macdonald, Jonathan 57:12

Merci beaucoup, Dawn. Et à tout le monde. Merci beaucoup pour la discussion. C’était, c’était génial, beaucoup d’informations et de contexte et à venir, nous avons maintenant une autre démonstration pour vous tous de la part du gouvernement de la France. Notre collègue Nicolas Sévin, chargé de relations institutionnelles IA à la Direction interministérielle du numérique, a préenregistré une démo de certains outils d’IA utilisés actuellement au sein du gouvernement français. Nous allons donc examiner ce que sont ces outils maintenant.

Sévin, Nicholas via Kinsman, Alison 57:50

Bonjour à tous, j’espère que vous allez tous bien. Je suis désolé de ne pas avoir pu participer à cet appel. À la demande de nos collègues canadiens, j’ai enregistré la présentation dans laquelle je présenterai deux outils dépendants du code que le gouvernement français a développés, le premier étant Albert API et le second étant l’assistant IA, et je passerai en revue ces deux initiatives. Donc, avant de décrire l’assistant interministériel en IA, il est important de présenter Albert API qui se présente en ce moment sur mon écran et qui constitue l’une de ses composantes techniques les plus centrales. Il est donc également connu sous le nom d’Opengate LLM dans sa version open source. Et c’est un outil développé par les États français pour fournir un moyen très unifié, sécurisé et souverain d’accéder aux modèles d’IA générative. Concrètement, Albert API sert de point d’entrée unique par lequel différents modèles peuvent être utilisés. Ces modèles peuvent donc être des modèles open source, des modèles avec des poids ouverts, ou peut-être des modèles propriétaires dans des cadres d’expérimentation très spécifiques que j’aborderai dans une seconde. L'autre idée est donc qu'en centralisant ainsi l'accès, l'État peut garantir une gouvernance cohérente, faciliter l'intégration et contrôler l'utilisation des ressources informatiques. Le choix de conception très important est la compatibilité avec les normes ouvertes de l’API d’IA, ce qui rend Opengate LLM ou Albert API interprétable, avec un large éventail d’outils et de cadres existants. Par conséquent, les équipes au sein de l’administration peuvent tout à fait réutiliser les bibliothèques existantes. Ou des produits sans avoir à l’ensemble de leur architecture logicielle et c’est qu’il prend également en charge des fonctionnalités plus avancées au-delà de la simple génération de texte, de sorte que cela peut être accessible génération augmentée et qui comprend la recherche actuelle, l’OCR mais aussi le texte à la parole, la parole au texte, la traduction, le modèle, le protocole contextuel. Toutes ces fonctionnalités permettent à l’API d’être utilisée non seulement pour les interfaces conversationnelles, mais aussi pour le traitement et l’analyse de documents et l’assistance spécifique à un domaine. Enfin, je mentionnerai que cet outil est déployé sur des infrastructures très souveraines, donc aujourd’hui tend au sein d’un second environnement qualifié cloud opéré par le secteur privé Outscale. Mais à l’avenir, les déploiements se déplaceront progressivement. Nous avons donc progressivement migré vers Nubo, qui est le cloud interministériel du gouvernement français, ce qui garantit que globalement les données traitées via Albert API resteront sous le contrôle des États français. Donc oui, dans l’ensemble, juste au cas où vous auriez plus d’infos, plus de données sur cette page GitHub vers laquelle je vais transférer le lien et aussi sur cette documentation vous avez tous les cas d’utilisation. Vous avez tous les points donnés et vous avez ici un autre document. Tous ces liens, ces formations seront disponibles pour que vous puissiez vérifier par vous-même. Ceux-ci sont principalement en anglais, afin que vous puissiez tous les consulter. Donc oui, fondamentalement en bref, l’API fournit la base très technique qui permet aux différentes administrations d’expérimenter l’IA générative de manière très sécurisée, standardisée et interopérable, ce qui est à la fois un atout et un facilitateur très commun, avec les services plus visibles construits par-dessus, qui incluent les assistants internationaux d’IA, que je ne présenterai pas. Donc oui, ce sera mon lecteur Microsoft de démonstration. Je vais donc vous présenter cet assistant qui est un projet porté par les Etats français et coordonné par nos soins. L’objectif de la Direction des affaires numériques est donc de fournir une base commune, très souveraine et réutilisable pour l’IA générative, un peu comme l’est l’API. Mais l’API est au niveau technique, alors que l’assistant est très public, je dirais, d’une certaine manière d’utiliser l’IA. Donc, dans l’ensemble, je dirai que cela fait partie d’un effort gouvernemental plus large pour moderniser les services publics tout en assurant la maîtrise des technologies qui contribuent incroyablement au travail administratif, donc l’objectif n’est pas de créer un outil unique imposé à toutes les administrations, mais libre d’offrir une base partagée. Que les ministères puissent adopter, intégrer ou élargir en fonction de leurs propres besoins. Cette base partagée est donc conçue pour rester ouverte, interprétable et compatible avec les exigences de sécurité qui s’appliquent aux infrastructures de l’État. J’ajouterai qu’à la base, l’assistance est plus qu’une simple interface de clavardage, car elle repose sur des modèles de traitement et de chaîne de bout en bout, avec des modèles de langage multiples. données vectorisées, et bien sûr les API, dont je parlais tout à l’heure. Cette chaîne permet donc à l’assistant de s’intégrer au sein d’outils très existants, notamment au sein de La Suite numérique, qui est la suite numérique gouvernementale. Y compris les outils visuels, y compris les outils de traduction, etc. Donc, tout cela fera en sorte que les assistants IA puissent prendre en charge les différentes tâches administratives qui couvriront différentes gammes. Par exemple, le résumé de texte et l’analyse de documents.
Donc, comme j’étais sur le point de vous le montrer, si je tape ce type de question. J’ai peut-être fait une petite faute de frappe mais oui donc comme vous le verrez, oui, nous avons une façon très standardisée de répondre, de répondre. Donc, je ne vais pas tout lire, mais vous pouvez voir que c’est très complet. Vous pouvez même voir l’une des sources. Je crois qu’il y en a d’autres, mais c’est toujours le travail en cours dans l’ensemble. Le projet est donc vraiment conçu pour servir l’ensemble de l’écosystème international.
De nombreux ministères ont déjà développé le leur. De cette façon, l’assistant vise vraiment à coexister et non à remplacer ces initiatives. Et c’est le cas. Il offre vraiment une base commune pour les ministères qui ne souhaitent pas maintenir leur propre infrastructure et il fournit également des composants pour être vraiment dans le cas d’utilisation de la réutilisation, et c’est globalement coordonné encore une fois par nous, la Direction des affaires numériques, bien que les ministères puissent contribuer dans un rôle très différent tel que : les retours d’information, Les utilisateurs Piolet, les pilotes, pardon, les contributions des contributeurs techniques et ainsi de suite. Et je tiens à mentionner que nous sommes actuellement dans une phase très importante du projet, qui est la phase d’évaluation. Il s’agit notamment d’un partenariat d’expérimentation avec Mistral AI, qui est, comme vous le savez peut-être, la licorne française de l’IA, et qui pourrait se poursuivre jusqu’à la mi-2026. Donc, dans ce cadre, l’État teste essentiellement l’utilisation de modèles propriétaires sur l’infrastructure sécurisée. Toujours à grande échelle, donc le but de cette explication est de répondre à plusieurs questions à partir desquelles les modèles sont les plus affiliés, quelle est la capacité de calcul nécessaire, quels types de cas d’utilisation émergent, etc. Nous allons donc recueillir beaucoup de commentaires, beaucoup de données, beaucoup d’informations pour aider à déterminer le coût de la faisabilité de toute mise à l’échelle potentielle vers de plus grandes populations d’utilisateurs. Et donc oui, comme je le disais à un niveau plus technique, le back-end s’appuie sur l’API Albert ou OpenGate LLM quel que soit le nom que nous voulons lui donner. Encore une fois, l’outil précédent et tout cela est hébergé sur des infrastructures hautement sécurisées et souveraines

Oui, je vais juste conclure parce que je vois que le temps est assez court, en fait. Donc, pour terminer, je vais juste rappeler qu’il s’agit d’une infrastructure numérique très publique, mais qu’elle est à peu près en construction. Encore une fois, cette phase d’évaluation est là pour vraiment recueillir des commentaires. Et oui, c’est encore un travail en cours. Il est conçu pour soutenir les administrations qui souhaitent utiliser GenAI dans un cadre très contrôlé et souverain, et je tiens à souligner à quel point l’année à venir sera essentielle dans le développement de cet outil, car nous consacrerons tous nos efforts à évaluer son utilisation, à évaluer l’évaluation même de ce que je dirais. L’importance de cet outil, qu’il soit utilisé ou non, et que nous déterminions collectivement ce à quoi il devrait ressembler en fin de compte, comment il devrait évoluer pour mieux servir les administrations publiques, et c’est tout pour mes présentations. Je reste à votre disposition par courriel si vous avez des questions et j’espère pouvoir vous voir lors de la prochaine réunion. Merci beaucoup.

Bonjour,.

Hall, Dawn 1:08:18

Bonjour, bon retour. Merci beaucoup à Nicolas et je vais céder la parole à Jonathan.

Macdonald, Jonathan 1:08:25

Merci beaucoup. Oui, je comprends que nous allons maintenant commencer par une période de questions. Donc, s’il y a des questions dans le clavardage ou dans la section de questions et réponses de cette réunion, nous pouvons nous tourner vers celles-ci et puiser dans l’expertise de nos invités pour trouver des réponses. Alors, je vous cède la parole, Mark, pour la facilitation.

Levene, Marc 1:08:51

Merci, Jonathan. Je suppose donc qu’il s’agit de la partie la plus interactive de notre présentation de ce matin. Nous avons déjà quelques questions dans la section des questions et réponses. Si vous souhaitez en demander plus, n’hésitez pas à le faire. Vous pouvez le faire dans l’une ou l’autre des langues officielles du Canada. Nous allons commencer par quelques questions que nous avons déjà. Donc, le premier l’est. La santé publique fait-elle partie de la portée de ce défi? Peut-être que Dawn, tu peux commencer par ta réponse.

Hall, Dawn 1:09:18

Bien sûr, absolument. Ainsi, bien qu’aucun des énoncés de problème ne soit spécifique à la santé publique, je peux tout à fait imaginer comment la santé publique pourrait s’inscrire dans ce cadre. Par exemple, les gouvernements fournissent beaucoup d’informations très importantes sur la santé, et peut-être pourriez-vous penser à cela dans le contexte de l’énoncé 4, où nous devons avoir une communication gouvernementale accessible pour aider les gens à obtenir ces excellentes informations sur la santé, des informations importantes sur la santé dans toutes les langues, toutes les cultures et toutes les capacités. Il s’agirait donc d’un exemple vraiment positif pour la santé. D’autre part, vous pourriez voir qu’il pourrait y avoir de grandes quantités d’informations sur la santé que le gouvernement devrait examiner. Et donc, pour l’énoncé un, vous pourriez adapter cette solution à quelque chose qui est plus lié à la santé et de même pour l’énoncé deux, quand vous réfléchissez vraiment, ou trois, quand vous pensez à la législation, il y a la législation sur la santé l’énoncé trois, vous pourriez penser qu’il y a beaucoup de processus lorsque vous réfléchissez, vous savez, La logistique et les fournitures et le transport de choses comme des masques ou des blouses et des choses comme ça à travers le pays, donc. Je vous laisse le soin de décider si vous êtes confiant ou non pour aller de l’avant avec la santé publique à ce sujet, mais il y a certainement des liens que vous pourriez nouer. Merci.

Levene, Marc 1:10:45

Merci, Dawn. Une question plus générale est : quel est notre? Quels sont les plus grands défis auxquels vos équipes font face et que le défi pourrait aider à résoudre? Je peux peut-être céder la parole à quelques présentateurs pour qu’ils répondent à cette question. Je ne sais pas, Liam, si vous avez une idée de certains des plus grands défis auxquels vous êtes confrontés en ce moment?

Wilkinson, Liam 1:11:06

Bien sûr. Je pense que donc j’ai une mémoire institutionnelle comme étant une question vraiment pertinente au Royaume-Uni. La politique gouvernementale est gigantesque, le gouvernement doit faire face à un très grand nombre de problèmes différents et intéressants et cela signifie que nous avons beaucoup de documents et de rapports excellents que les gens produisent. Mais parfois, ces rapports sont lus peut-être une ou deux fois par les bonnes personnes, puis peuvent être oubliés à temps. Je pense donc que la plus grande opportunité de l’IA est de savoir comment nous pouvons l’utiliser pour aider à indexer et à structurer ces énormes bases de connaissances qui pourraient vraiment nous aider à élaborer de meilleures politiques, vous savez. Mais s’il s’agit de politique de santé, comment pouvons-nous gérer l’équilibre entre nos hôpitaux et notre système de protection sociale? Quels sont les bons mécanismes que nous devrions suivre? Il y a eu énormément de recherches à ce sujet au fil des ans, et il est utile de suivre et de voir l’évolution au fil du temps. Donc, pour moi, prendre la mémoire institutionnelle du gouvernement et la rendre beaucoup plus accessible, c’est un très, vous savez, un gros problème auquel nous pensons beaucoup au Royaume-Uni.

Levene, Marc 1:12:13

Excellent. Merci. Y a-t-il d’autres présentateurs qui voudront aussi répondre à cette question, Anna, peut-être.

Logie, Anna 1:12:24

Bien sûr. Je vais peut-être dire d’emblée que nous avons un certain nombre de lois où vous savez que les citoyens ordinaires interagissent beaucoup avec eux. Je pense à la Loi sur l’accès à l’information ou à la Loi sur la protection des renseignements personnels, où ils vont vouloir soumettre des demandes et essayer de comprendre comment toutes ces règles complexes pourraient s’appliquer à leur cas particulier. Et les gouvernements essaient de rendre ce type d’information plus accessible par le biais de directives en langage simple, par exemple, mais c’est encore beaucoup à traiter. Il peut s’agir de centaines de pages de directives en langage clair, donc le fait de disposer d’un outil d’IA qui peut aider les utilisateurs ordinaires à mieux comprendre comment il s’applique aux faits spécifiques de leur cas pourrait aider à l’accès à la justice et à l’information, en particulier à mesure que ces règles continuent de devenir plus complexes. Merci.

Levene, Marc 1:13:11

Merci Anna. Une autre question d’un tout autre Ordre. Désolé, j’étais en sourdine. C’est peut-être pour Laurent ou Damien, mais nous savons que l’un des plus grands obstacles à la publication des données du recensement et des données ouvertes elles-mêmes est la révélation ou la révélation potentielle de données personnelles. Voyez-vous encore des défis que l’IA pourrait peut-être relever en traitant la quantité de données personnelles qui se trouvent dans le sens des données ouvertes ou des ensembles de données de recensement, que c’est quelque chose qui pourrait être une occasion potentielle de relever ce défi?

Martel, Laurent 1:13:51
C’est une très bonne question, Mark. Je peux confirmer à 100% qu’à Statistique Canada, l’une de nos principales valeurs est de protéger la confidentialité des renseignements fournis par les Canadiens. Pour nous, lorsqu’il entre dans Stat Canada, il ne quitte jamais. Nous avons des règles strictes de confidentialité. Nous veillons à ce que, dans notre tableau de données du recensement, étant donné que nous sommes à l’échelle très locale, nous devons être très prudents dans certains de ces tableaux pour nous assurer que personne ne peut identifier une personne donnée dans une très petite ville avec des caractéristiques spécifiques. Par exemple, nous devons faire attention à cela. C’est ce que nous assurons grâce à nos services méthodiques ici à Statistique Canada. S’assurer que des processus d’arrondissement sont en place pour arrondir les données afin que nous fusionnions en quelque sorte les données agrégées afin que personne ne puisse être identifié comme individu. L’un des plus grands défis auxquels nous sommes confrontés en ce moment avec ces nouveaux outils tels que l’IA est de déterminer comment ils peuvent nous aider dans nos processus statistiques qui existent déjà, car ces processus sont en place pour assurer la confidentialité depuis assez longtemps et nous évaluons actuellement comment ils pourraient être exploités. la façon dont ces nouveaux outils pourraient être mis à profit. Je n’ai donc pas de réponse précise dans les détails. Mais il est certain que tout a été examiné pour l’utilisation de ces nouveaux outils. Nous sommes en train de réviser toutes nos activités en vue d’un programme de recensement, et c’est pourquoi j’ai dit qu’il y en avait beaucoup. Et il pourrait être possible d’assurer des moyens plus efficaces, par exemple, d’arrondir à l’aide de l’IA. Nous produisons beaucoup de données, donc beaucoup de tableaux de données, donc vous savez, en améliorant le flux de production de toutes ces données en assurant la confidentialité. C’est probablement là que l’IA et ces nouveaux outils d’automatisation peuvent être le plus utiles.

Levene, Marc 1:16:09

Merci.

Laverty, Damian 1:16:10J

Je vais ajouter un peu à cela seulement parce qu’on me l’a demandé, mais je n’ai peut-être pas non plus la meilleure réponse pour vous et tout ça. Juste un rappel ici qu’il s’agit d’information ouverte. Nous n’avons donc pas les mêmes défis. La seule information qui pourrait se glisser dans la sphère privée serait nos demandes sommaires d’accès à l’information, et c’est là que nous ne faisons que mettre un résumé des demandes d’accès à l’information déjà traitées. Maintenant, ce n’est pas une question de protection de la vie privée, n’est-ce pas, donc même là, nous parlons de renseignements qui ne sont pas par nature en vertu de la Loi sur la protection des renseignements personnels. Je ne peux donc pas vraiment vous donner d’exemples concrets. J’en suis terriblement désolé. Il s’agirait plutôt d’une question propre à l’institution, je crois, sur la façon dont elles peuvent utiliser un tel outil d’IA pour protéger leurs informations et les activités qu’elles entreprennent. Désolé, je ne peux pas être plus utile.

Levene, Marc 1:17:07

C’est très bien, Damian. Merci. Nous vous mettons sur la sellette. Nous avons trois types de questions axées sur le processus pour Dawn et Jonathan. Donc, le premier objectif est de créer des solutions qui servent directement les utilisateurs des services gouvernementaux ou pouvons-nous envisager des solutions pour les fonctionnaires ou les membres du gouvernement?

Macdonald, Jonathan 1:17:28

Je vais donner le coup d’envoi et Dawn, n’hésitez pas à compléter avec ce que vous jugez bon, vous savez. Je dirais, de manière un peu égoïste, que… vous savez, nous sommes bien sûr intéressés par des outils pour aider la fonction publique, mais non, ce sont les solutions ici pour les deux, en fait, nous cherchons des solutions qui vont améliorer, vous savez, de quelque manière que ce soit avec le public, que ce soit directement ou indirectement ou tout simplement possible. C’est peut-être aussi le cas. Quelque chose qui a un lien moins direct avec le public, mais qui pourrait être quelque chose dans le domaine de la science et de la recherche. Il y a, vous savez, un certain nombre de solutions et d’avenues à explorer tant que c’est le cas. Tant qu’il s’inscrit bien dans l’un des quatre énoncés du problème, je pense que c’est le seul vrai critère. Mais pour les fonctionnaires à l’interne ou, vous savez, plus orientés vers les citoyens ou les clients, c’est aussi parfaitement acceptable.

Levene, Marc 1:18:25

Excellent. Merci, Jonathan. Celle-ci s’adresse à Dawn parce que je sais que nous avons déjà eu cette question. Donc, pour les quatre problèmes, est-il essentiel d’utiliser des LLMs open source ou des modèles propriétaires peuvent-ils être utilisés à des fins d’inférence et de TLN? Je ne suis pas sûr de savoir ce qu’est la TLN.

Hall, Dawn 1:18:41

Et c’est le traitement automatique du langage naturel. Mais oui, absolument. Vous pouvez utiliser des modèles propriétaires. Cependant, vous devez vraiment vous assurer que vous avez les licences et les autorisations appropriées en place, en particulier parce que nous cherchons à évoluer et à pouvoir l’utiliser dans tous les gouvernements, de sorte que l’open source peut se prêter un peu plus facilement à quelque chose comme ça, mais il n’y a pas de restrictions contre l’utilisation de logiciels propriétaires, tant que vous disposez des autorisations et de la propriété intellectuelle appropriées.

Levene, Marc 1:19:15

Excellent. Et puis, une autre question probablement pour Dawn aussi, c’est que je suis fonctionnaire à Affaires mondiales Canada. Ai-je besoin de l’approbation d’un gestionnaire pour participer au concours?

Hall, Dawn 1:19:30

Je vais commencer, mais Jonathan pourra ensuite reprendre là où je me suis arrêté. Les fonctionnaires sont donc en mesure de participer. Cependant, ils ne peuvent pas recevoir de financement. Les fonctionnaires doivent le faire, participer à l’élaboration de leurs solutions dans leurs temps libres et sans utiliser de ressources gouvernementales. Donc, je veux dire, je recommande généralement d’être aussi ouvert et transparent que possible avec votre gestionnaire, donc c’est probablement une bonne idée de lui parler, mais gardez à l’esprit que vous devrez le faire en tant que simple citoyen. Jonathan, quelque chose à ajouter?

Macdonald, Jonathan 1:20:06

Je pense que vous l’avez couvert, Dawn. Je pense qu’il s’agit d’un plus sur le fait d’être très transparent avec votre structure de gestion et peut-être même d’avoir besoin d’une brève consultation avec vos responsables internes des valeurs et de l’éthique si vous savez si cela est jugé approprié, mais oui.

Levene, Marc 1:20:22

OK, je pense que c’est la fin de toutes les questions que nous avons reçues. À titre de rappel, vous pouvez communiquer directement avec nous. Dana a posté le lien que nous avons épinglé en haut de la séance de questions-réponses. Nous sommes disponibles par e-mail, il y a un serveur Discord que les participants peuvent également utiliser pour discuter entre eux. Et bien sûr, nous avons également un site Web accessible au public. Vous y trouverez également toutes nos coordonnées. Je vais céder la parole à Jonathan pour conclure l’événement. Nous vous remercions tous de votre participation aujourd’hui. Il y a eu d’excellentes questions et merci beaucoup.

Macdonald, Jonathan 1:20:56

Fantastique. Merci, Mark. Alors oui, c’est fini. Je tiens à remercier tous les invités qui font écho à ce que Mark vient de dire, à la fois en direct et préenregistré, pour le temps et les efforts d’aujourd’hui et aux participants. Nous vous remercions de l’intérêt que vous portez à ce défi. J’espère vraiment que cette session d’experts ici vous a donné quelques idées, peut-être clarifié vos pensées ou peut-être vous a-t-elle aidé à concentrer votre énergie pour développer quelque chose de vraiment innovant et à ce sujet, permettez-moi de dire que j’ai beaucoup entendu parler des des pari sur l’impossible ces derniers temps. C’est donc une bonne façon de commencer à réfléchir à votre solution et à la façon dont elle peut être transformatrice. Il n’y a donc pas de limite. Merci beaucoup à tous. Bonne création. Merci beaucoup.

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

Macdonald, Jonathan 00:13
Hi everyone. My name is Jonathan Macdonald. I’m the Director leading the Data and AI team here, the Treasury Board Secretariat in the Government of Canada. My team and I are responsible for setting strategy and policy to support the responsible adoption of AI across the government. This includes such hits as the recently published AI strategy for the Federal Public Service. As well as our foundational policy instrument, the Directive on Automated Decision-making. And more recently it is the team that is leading the work on the Canadian side to bring you this GovAI Grand Challenge.

I want to start by sharing that I'm joining you from the traditional unceded territory of the Algonquin Anishinaabe people. I recognise that we all work in different places and you may be working in a different Indigenous traditional territory and I encourage you to take a moment to reflect on this.
I'm happy to welcome you today to the expert panel discussion. The second of three events taking place during the rapid solution labs.
A few operational items before we move on. We're recording this event and it'll be posted online so that those who can't attend in real time will be able to get the information needed. Your cameras and microphones are disabled. If you have questions, please use the Q&A portion of the team's event. At the end of the event, we'll answer the most popular questions, so make sure you upvote the questions of most interest.
And the majority of the meeting will be in English. The transcriptions in French and other languages will be available after the session.
Before we start, I'm going to quickly run through what's in store for you all today. First up, my colleague Dawn and I will recap the Grand Challenge and the Rapid Solution Labs, as well as some details around participation. Next, our colleague from Shared Services Canada will talk about his experience with automation and AI in action in a government setting.
Then my colleague Dawn will take some time to go through the problem statements and lead a discussion on data sets with a number of esteemed guests from here in Canada and abroad on.

Macdonald, Jonathan 2:03
On the other side of that discussion, we have another interesting demo of AI tools being used by our good friends in the Government of France. And lastly, we'll cap off the session with Q and A hosted by our colleague Mark Levene, who has also been instrumental in putting this challenge together. So it's an action pack session for you today. And I think at this point we are just about ready to jump in.
So what is the Grand Challenge? If you missed the launch event on Monday, the Grand Challenge is an ambitious initiative designed to harness the power of artificial intelligence to solve some of the most pressing challenges that are facing governments today. And it runs from November 17^th through to December 1st.
The challenge is comprised of four rapid solution labs or virtual hackathons. Each lab focuses on a tough problem that we have in government, which we'll hear more about later on.
Challenge offers up to 100,000 Canadian dollars in total funding spread across 8 country categories and two youth categories to recognise innovative and scalable solutions. I'm going to pass it to Dawn right now to for a little more information.

Hall, Dawn 3:09
Great. Thank you so much, Jonathan. So as Jonathan mentioned, we launched on Monday and if you missed that launch event, you can find the recording and transcripts on our website and all of the links that you need for this session are found in the Q&A portion where our colleague Dana has just posted them.
So to continue to support you and keep momentum going, we have today's event and then another one on Tuesday next week where it'll be an ask me anything session, where we will have more esteemed guests from government on standby to answer your questions.
And if you have questions, you can e-mail us or they can go into the ask me anything channel on our discord page. The challenge then closes on Monday, December 1st at 3:00 PM Eastern Time. Next slide please.
So a quick reminder on some logistics related to the challenge. First, eligibility, anyone from G7 countries or the EU can apply. The challenge is allowed for Canadian federal public servants.
However, they are not eligible for funding, whereas people from for profit companies, non for profit organisations post secondary institutions. All of those are eligible to apply and in terms of funding we have up to 100,000 Canadian dollars total.
That 100,000 Canadian dollars will be divided into 10 recipients who could receive up to $10,000 each. Now, we've had a lot of questions about our age categories. The first thing we want to really clarify is that anyone of any age can apply.
However, there are two special categories for ages 13 to 17 and 18 to 29. So if you're not in that age category, you can still apply. However, you would just be for the country category. So we have funding available for each G7 country and the EU, and that is for anybody of any age. We then have that special age category 13 to 17 and 18 to 29 as I mentioned. So if you want to apply, the application portal opened on Monday and is open until 3:00 PM Eastern Time on December 1st.

You need to fill out an application form which has details about your team and yourself. You can also enter as an individual. You don't have to be part of a team. Also, some information about your AI solution aligned to the judging criteria.
And a link to a video which is no more than 5 minutes long and shows your solution in action. And we really want to see that working minimum viable product. This link should be an unedited YouTube URL.
You can also provide an optional link to a GitHub repository. You also then need to acknowledge and accept the terms and conditions of the participant guide, and you'll have the participant guide link there. There's tonnes of really great information in there. We have stuff on conflict of interest, privacy, intellectual property and licencing and very importantly, our code of conduct which goes through appropriate behaviours. That is what you will be clicking and attesting to so that you're agreeing to these conditions.
A couple little other things you need to be 18 to apply or you can have a non participating guardian submit on your behalf. The submissions can be in English or French and we do have some solid word limits and time limits for the video, so make sure you're meeting those or else you'll be disqualified.
Again, check out our participant guide for more.

Next slide please.
So in addition to these events, we're also able to provide support via our Discord channel and our e-mail address. We’re really fortunate to have a great network of mentors that we can reach out to and both of those are linked in the chat.
Now I'll pass it back over to Jonathan.

Macdonald, Jonathan 7:36
Excellent. Thank you so much, Dawn, for the detailed recap. At this point, we are going to turn to our good friend and colleague, Josh Turner from Shared Services Canada, who is going to tell us a story of some AI innovation that he was part of at really delivered some results. So Josh, over to you.

Turner, Joshua 7:53
Thank you very kindly, Jonathan. For the organisers, if we can also throw up my slides, that'd be grand as well. So hi everyone, I'm Josh. I'm presently working as a manager of a technology team responsible for data science and artificial intelligence at Shared Services Canada and there we go. There's the presentation. Oh, curious if the organizers can arrange to have my slides posted, please. Yeah, there it appears and disappears.
One more try. There we are. OK, so yes, we'll start with the first question. Has anybody heard anything in the news about tariffs lately? I don't know. It wasn't a topic of a whole bunch of discussion. No, jokes aside.
In Canada, by law, the Department of Finance has to consult with the Canadian industry and Canadian individuals before a tariff gets issued and in order to consider remissions if there are particular carve outs that need to be considered in order to protect or preserve particular areas of Canadian industry. However, for the shift that happened earlier this year, you know where we have a typical influx of about 50 of these, these sort of comments that come from the public, we were expecting a volume of 50,000. The Department of Finance simply wasn't staffed to handle this using manual techniques and so they reached out to our team here at Shared Services for a little bit of help with how we might apply AI securely to help deal with the volume that they were expecting.
So my team steps in. We developed initially using RPA robotic process automation, a model. The model was there to take a look at the physical workflow that was being done by Finance so that we could see all of the flows of information from here to there and map out how much effort was being done in each of them. And because we used RPA, we were able to turn out this model extremely fast. They sometimes say that the easiest way to get a right answer is not to ask, but to you know, propose a wrong answer. And that works out very, very well with rapid prototyping. One of the things that came out of that modeling, however, was that one of the flows that runs through the process was consuming something like 95% of the workload. And by narrowing down to that very, very thin part of the workload, we are able to simplify the proposed solution to something that we were able to deliver in a very, very short period of time.
What we delivered was a small AI that could take the comments that come in wildly variable tones and structures and languages into analysis friendly structured data and consistent structured data.
Those of you who work in the data space know how absolutely critical this is.
So, what did we put together?
First off, we started out with a small large language model, which I know is sort of a contradiction in terms, but the sorts of things we're talking about are things like Microsoft's Phi-4 model squeezed down to 4 bits per parameter, which means that you can run it on conventional consumer hardware.
Second thing we brought in was a prompt for the data processing that included specific definitions of the data schema that was going to be output. What are the exact meanings of the fields that need to come out and the critical piece that we put in was a controlled grammar. Now a grammar, you know that large language models, they emit the tokens one at a time, you know, analogous to syllables. But a controlled grammar makes sure that at each syllable that the content that comes out lines up with a strict structured data format and it acts like a set of rails that a large language model can follow when delivering results. We then took all of the wild and woolly things that came in to Finance, ran them past the model using a runtime called llama.CPP. llama.CPP is an open source runtime by a fellow named Georgi Gerganov. I hope I didn't mangle his name too badly.

And we ran it on waste compute. And by waste compute, I mean the time that runs on evenings and weekends for the hardware that's already been procured inside the fence inside the government departments. What this yields is structured data.
Columns with specific definitions, data types in the columns, and it's in a format suitable that you can pump it into off the shelf databases or Microsoft Excel or whatever you want to use for your data processing R or any tool that happens to be suitable for your data analysis task. Most importantly, we were able to deliver this in a way that it could be used not just by Shared Services, but could be pulled inside the Department of Finance and used by their technical resources. We didn't just deliver a solution, we delivered a capability.
Now, like all good things. It's better when it's shared, like a meal. And the digital standards in Canada suggest that each time we create a solution, we want to make sure that it gets shared out as a capability to the larger federal government. And the good news is that because all of the input components were open, open weight models, open source software, and open bindings, we were able to publish this out also as open source for consumption, not just by the Government of Canada, but by the world. What you're looking at up there is a GitHub address for my team, Shared Services Canada, Data Science and artificial intelligence And all of our solutions that are based on open source are published there and you're more than welcome to submit pull requests on them if you happen to find something that you think would help contribute to the overall well-being of those products as well.
With that, I will open the floor to questions. Or should we throw back to Jonathan? What's the best way to do this?

Hall, Dawn 14:21
Hi there we. It's me. There we are. There's Jonathan as well.

Macdonald, Jonathan 14:28
Great. So if there are any questions in the chat, happy to turn to those at this point.
I will wait for someone to flag them, but if not, I'm happy to continue the conversation with Dawn, who can lead us through a discussion with the other esteemed guests that we have to walk us through problem statements and a discussion about data.

Hall, Dawn 14:54
Fantastic.

Macdonald, Jonathan 14:55
Thank you. Thank you so much, Josh.

Hall, Dawn 14:58
I reiterate that thanks to Josh and thank you Jonathan. So in terms of the problem statements, we are very fortunate to have a number of experts from within governments to speak to us today about the different problem statements and the data that you could consider using.
The data we'll speak about today isn't all the sample data that we provided, all the links to the data can be found when you expand the problem statement section on the Impact Canada website. So go to the Grand Challenge website, hit expand problem statement and below that you'll be able to find all the data.

Hall, Dawn 15:35
As well, you're also able to use data from other sources. Just make sure that you are following the needed licencing and data protection requirements when you do choose to use data that is not what we've provided.
Next slide please.
So first up, we are welcoming Liam Wilkinson, who is the head of the AI incubation in the incubator for AI. So i.AI for the Government Digital Service in the United Kingdom. Liam will speak to problem statement one over to you, Liam.

Wilkinson, Liam 16:14
Hello everybody and thank you for having me. I'm just going to get some slides running in the background and then I shall present my screen.
OK, swap displays. Sorry, I don't usually use teams. There we go.

So hey, everybody. My name is Liam Wilkinson. I'm the head of AI incubation at UK governments incubator for AI. I'd like to say a really big thank you to my Canadian counterparts for inviting me along today, and also all of my G7 counterparts, who are also part of the event.

So in the incubator for AI, we look at an awful lot of data and one of the really big use cases is how we can help people understand a massive amount of information and documents in government. Institutional memory is a very real problem for most governments around the world.
When you have people who work in really complex domains, often they're changing jobs every two or three years or so, and a lot of that experience walks out the door with them. So when we look at AI and we look at this use case, what we're trying to get towards is technologies and solutions that can help us get up to speed on a massive amount of information in a relatively short amount of time. And to kind of make this real for you in the UK context, every year or so, we have this massive event in Parliament called The King's Speech where we have all of our major policy announcements for the year released in one big go. It's a very shiny pomp and circumstance kind of ceremony. But what you don't see are the hundreds and thousands of civil servants in Whitehall scrambling behind the scenes to actually go build all of these pieces of legislation and doing it in a robust policy and evidence driven way.
So the data set which I would like to draw your attention to is an open data set from Parliament. So most of the G7 countries have a House of Commons library or something equivalent to it, where a lot of different research reports are made available to the general public.
And am I sharing my screen lightly more OK re sharing.
So if I go to the browser, so this is the House of Commons Library website. What you can do is access all of the research reports ever written in the House of Commons library. There are hundreds of these being published each year, and often each of them are world class research reports for government. These are used by civil servants and by policy makers in order to craft better policy decisions. But as I said, there's an awful lot of information in there in here. So one thing I would encourage you to do is to see how you might be able to use technology to scrape some of this down. Bring all of that data to bear in potentially a search engine and the kind of agentic experiences that you can build on top. And just to show it's not just the UK that has this kind of system. This is the Canadian Parliament's own equivalent service and each of the countries have their own equivalent property as well. So maybe an AI, which can traverse all of G7 policy in order to understand what's well, what's working well in certain countries and maybe things which could be working better in our own. That's just one potential example there. But all of this is to say there's an awful lot of information and context outside of Parliament, outside of our democratic institutions.
A lot of these different government websites have open APIs, so another example for you to take a look at here is gov.uk so gov.uk is where all of our government services in the UK are accessible. Again, lots of equivalents in the different nations.
But a lot of them also come with open APIs where you can freely search across all of the content therein. So understanding how we can rationalise government advice over years and potentially even decades, to make sure that a citizen has a consistent experience to interact with government is another huge use case for us here in the G7. But with that I think I'll hand back over to Dawn.

Hall, Dawn 20:31
Wonderful. Thank you so much, Liam, for that fantastic overview. That was really interesting and I appreciated how you brought in the equivalent type data that was available for the other G7s. So thanks so much for that.

Wilkinson, Liam 20:44
My pleasure.

Hall, Dawn 20:50
I'm actually going to turn back to Josh because we've got a question in our Q&A area specific to his presentation and we'll hold the other questions till after. But we knew that we wanted to have Josh answer this question while it was still fresh. So thanks for coming back, Josh. And here's the question. What was the final LLM that was implemented or is it still Phi due to compute limitations?

Turner, Joshua 21:14
That's an excellent question. So at the point where we delivered the functionality over to the Department of Finance, it was still Phi-4, the 8 billion parameter model. That's only because that was the best that was available at the end of 2024 when the the work started.
Since then, there have been others that have been released that are excellent. There's a group called Liquid.AI that has little tiny ones that are specified like specialized for the data extraction use case. They've got them down to about 3 billion parameters. They'll run on, they're amazing how small the computer requirements are now for them. And if you want to go and stick with the tried and true, Llama 3.18 billion instruct also does very very well on this particular use case, although you have to look very carefully at the terms of use before you apply to your own use case.
That help?

Hall, Dawn 22:13
Sounds good to me. We actually have a second follow up question, which is I'm curious how you enforce the JSON schema at the token level of generation.

Turner, Joshua 22:13
Excellent.
OK, so the easiest way now is that it's been integrated right into Georgi Gerganov's library. You as you call the token completion or say the chat completion method that you'll find in most libraries, there's an element you can pass in that's named schema you pass in a JSON schema formatted set of constraints and it translates them to BNF and just applies it for you. It's it makes it much, much easier today. If it helps, Dawn, I can throw a link into the chat.

Hall, Dawn 22:59
Sure, I recommend throw a link into the Q&A session and Yep, and we will go now to our second problem statement and continue on. I see there's another question in the chat about health data, but we'll actually save that for the end. We just wanted to make sure Josh had time because unfortunately he needs to go.

Turner, Joshua 22:59
Fantastic.
Oh, that's better. Even better, yes.
Very good.

Hall, Dawn 23:17

So thank you very much for being here, Josh. We really appreciate it and onwards to problem statement two. So next up, we are very fortunate to have Anna Logie, the Legislative Council with Justice Canada and Anna is here to speak about problem Statement 2. Over to you, Anna.

Logie, Anna 23:40
Thank you. Great to be here today. I'm speaking on my own behalf today and not on behalf of my department. So the second problem statement is the public service works with many laws, policies and regulations that are complex to navigate for clients and employees.
As mentioned at the Monday launch event, the volume and complexity of rules is a significant challenge for both public servants working with the rules as well as everyday individuals trying to understand how the rules apply to their situation. And the expectation is that legislative, regulatory and policy change will continue to grow in both volume and pace. Yet the resources available to manage that change will likely remain about the same. This can lead to undesirable outcomes such as delays, inconsistent application of the rules and unintentional non compliance due to misunderstanding how the rules apply.
For this challenge, your task is to design a solution to streamline the interpretation and application of rules to increase consistency and compliance, and to reduce the cognitive load of employees. The goal is to make it easier to understand the rules that apply so that they are applied more consistently and complied with more easily.
One example of such a tool could be a predictive tool that identifies the relevant legislation and regulations that impact a program or service application. This kind of tool could help an individual applying for a program or service find the legal rules that are relevant to their application. Another example could be a neuro symbolic or hybrid AI tool that uses something like a traceable decision tree to provide plain language explanations of rules and how they apply. These are just examples and your solution may look different.
One thing to note here is the importance of accuracy and explainability, which are important rule of law values. A tool that is influenced by bias or irrelevant factors or that misses relevant factors or that relies on an opaque or black box process will generally be higher risk and a bit less deployable than a tool that can provide accurate, consistent and explainable outputs. To finish on the last few slides there's sample data from a variety of countries. For example, here in Canada, the Justice Law's website provides an official consolidation or updated version of federal acts and regulations. This information is also provided as an open XML data set. You will also see sample data from several other G7 countries. Feel free to use any of the sample data if you so choose. Thanks for your participation and good luck.

Hall, Dawn 26:21
Wonderful. Thank you very much. Anna. That was a great overview of the problem statement. Some potential solutions, as well as the sample data. And now I'm pleased to also invite Liam back who is going to speak to some of the data provided for statement two in the UK. Over to you again, Liam.

Wilkinson, Liam 26:41
Hello, me again. Wonderful to see you all. So I'm going to be showing you something which is slightly early access and we haven't really released the most of the general public yet, but it's a new data set that we've released of all UK government legislation.
All the way back to 1267, which I believe is near Magna Carta. And it's all of UK legislative history, but this is available now as an API, and it's also available as an MCP server. So just so can I get you grounded.
This is legislation.gov.uk, so this is the equivalent kind of English, sorry British service, to the one outlined for the Canadians. What we have is all of our legislation back to 1267 as it says here, but this information also holds an awful lot of old scanned PDFs.
Victorian legislation, hand drawn amendments to things from the medieval ages, but it also holds a web of how all of these different pieces of legislation interconnect and I’m pleased say that you don't need to go scrape all of this for yourself.
Because we've now published a new API called the Lex API. This is something which you can plug directly into a rest API kind of endpoint, but you can also leverage an MCP interface in order to use it.
So to show what this looks like in pragmatic terms, it means that we can plug this into an off the shelf tool like Claude Desktop or Microsoft Copilot like this. So here I've taken a broad kind of query of how it's data protection governed in UK law.
And what we have is a series of steps where an agent is going through and looking up a variety of different kind of data protection legislation behind the scenes and then giving a kind of cited research response answer behind the scenes here.
So this is an MCP server which you are very free to use for the course of the hackathon and hopefully afterwards as well. All of the code for it is open source if you want to learn how we build it along with the link directly to the API should you want to use it.
But all of the code here again very open a key kind of data set capability. I would point you towards inside of this is that we have all of the cross interactions of legislation. So we can see in here in 2025 that a lot of our modern legislation is still going back and modifying legislation from the 1700s, for example. So potentially using AI to help people discover what legislation would need to be changed whenever we want to introduce new policy is a really compelling use case for us here in the UK today.
Yeah, that’s free and available for you to use as part of your solution here should you want to. And there are also equivalent kind of XML and data products for all of the different legislatures of the G7 nations as well. Thanks for your time.

Hall, Dawn 29:49
Great. Thanks again, Liam. And that's super exciting that there's kind of like early access happening here. So thanks for that. We're working to get that up on the website right now. Hopefully it'll be up in the next day or two. We've provided it over to our team. So keep your eyes peeled for that. It'll come soon.
Let's move on. Oh, and Liam's pasted it in the chat, and we'll make sure that that goes into the Q&A session. So thanks so much.

So Next up, we have our third problem statement and we also have two presenters for this.
We'll start with Major Mohsin Bhatti, the Canadian Armed Forces liaison officer and policy analyst at the Department of National Defence and the Canadian Armed Forces AI Centre. Major Bhatti will speak about the problem statement, so passing it over to you.

Bhatti, Major Mohsin 30:41
Hi, good morning. So I'm Major Mohsin Bhatti. I'm the Liaison officer at the DND CAF AI Center. So the problem statement that was given to me was governments have many, they have many often complex processes and it can be challenging to accurately predict future needs and efficiently allocate resources. So yeah, I mean that's not a surprise to anyone. I mean government, we're talking about, you know, healthcare, transportation, infrastructure and social services, defense and Emergency Management often all interacting with each other and with very long lead times for planning and investment.
In the environment, it is generally hard, generally hard to predict what we will need, where we'll need it, and when demand, when demand can change faster than our planning cycle.
So this is where AI can help us predict based on the based on the data, climate data available, the population shifts, the new emerging risks, etc. etc.
So it so the result again is very familiar to all of us. Sometimes we allocate resources where in the areas that are not very heavily needed and we take away resources and money and tools from the areas that are often under high stress, so.

Similarly, in defense context as well, this is often this is not just about the efficiency, it's also about operational readiness, resilience and Emergency Management and ultimately it's about the public trust that Canadians put in us as the practitioners of the profession of arms.
So this is exactly what we're looking at in the AI Center, which I shamelessly put in because I work for the AI Center. How can we use data and artificial intelligence to move from our reactive to proactive posture?
The problem statement here is very simple, simple, but it is very difficult in practice, especially when we're looking at anticipating future needs and resource allocations, reducing waste and improve improved services by making people, money and tools available, where and when they're needed.

So for instance, I'll give you an example of the infrastructure and population and environment for instance.

Imagine we bring together data on the conditions of roads, bridges, buildings and bases, maintenance histories, climate projections and expected population growth in different regions.
An AI model can learn patterns from the data and estimate the assets that are likely to fail sooner, where demands or infrastructure will increase and where climate impact will be the most severe. That means that instead of waiting for something to break and often scrambling to fund it, we can proactively rank investments.
These are, for example, we can make a list of top 10 hazards assets to address for next 5 to 10 years to reduce risk, reduce risk and maintain service levels.
For DND CAF that might mean prioritizing investment in hangars, piers, training areas and modern infrastructure that support critical operations. It might highlight where climate changes will affect the runways, roads, remote installations and infrastructures around bases that support our people and their families. You can then align the funding decisions with those insights. Every dollar is doing the most work in terms of risk reduction, risk reduction and readiness.

So to bring it, so bring it all together, DND CAF through the AI Defense Center, our challenge is to design and implement AI enabled solutions in a way that reduces waste, improves services and strengthens readiness while upholding the values, ethics and trust that that is central to public service and the profession of arms. Thank you. And I'll pass it on to Dawn.

Hall, Dawn 36:03
Great. Thank you so much Major Bhatti that was very, very interesting. Appreciate all the context that you brought from, from your lived experience. That's great.

I will now pass it over to Laurent Martel, the Director of the centre of Demography at Statistics Canada. Laurent will speak about some of the sample data provided for this problem statement, specifically the Census data in Canada. So please note that in addition to this data, there's more data available on the slide and the website. Over to you Laurent.

Martel, Laurent 36:34
Yes, thank you, Dawn. Good morning, everybody. I'd like also to thank Jonathan, Mark and other colleagues for this opportunity to talk about the census of Canada, which is basically the largest, one of the largest activities held in this country at time of peace. It's a it's a really challenging endeavour to enumerate all Canadians living or all people living in Canada and the next census will happen in 2026. Just a reminder to everybody, it's May 2026. Make sure to answer the census, of course.

Canada has a long tradition of censuses. We've been having censuses since the very start. It goes back to the new friends under Jean Talon in 1666, and currently the census is held every five years in the country, years finishing by or ending by 1 and by 6. So 2021, 2026, 2031, et cetera. That's the current situation. I'll remind everybody that the census is providing a snapshot of the Canadian population at a precise point of time. Many legislations in the country refer to the Canadian census and the data that it provides. The big, big asset and on main allusion to this, the big asset of the census of population is that it can produce very reliable data at local areas for communities across the country. That's the asset of having a census.
We can provide Statistics Canada has multiple data tables on its website for all communities across the country. It can go to neighborhoods within the largest cities to reserves, for example. The census also covers collective dwellings. So it's really a comprehensive enumeration of the Canadian population, so keep that in mind. It is very challenging, as I said, to enumerate the population living in such a large territory.
And with such diversity. There are many, many activities that are on that needs to take place to organise the census. The census cycle is actually over a seven-year period. It goes from content consultation and determination.
To the system and processes developments, we need to hire staff when we do the census, there's field operation that will soon start, for example, mail outs and drop off of questionnaires in multiple languages.
After collecting the data, there's non-response follow-up activities that are that are taking place. There's edited imputation on the data, quality evaluation of course. Then we disseminate the data that will happen in 2027, disseminate the results of the Canadian census for all Canadians. And of course there are many reference documents that are also associated with the these data that are that are released. So it's a very large endeavour and over the last decade we have used some, we have updated methods to do the census. For example, we are using a lot more than before administrative data when possible to kind of reduce the response burden for all Canadians. I'll give two example of admin data that are used in the census.
We are using CRA data, so Canada Revenue Agency for income of Canadians that's used in the context of the census. We are also using IRCC Immigration, Refugee, Citizenship Canada data for immigration status. So we don't we don't longer ask questions about the immigration status. We do collect information directly from IRCC using their administrative data. We are also of course updating all our processes when possible to make use of the new tools that are available to us, for example machine learning. AI, of course. Automation as well is more widely used than ever before. We started using, for example, machine learning a few years back, and it's certainly used in the area of coding for other activities as well, for example when we're certifying, validating the data, we're trying to find out is there any outliers in the data that we have collected. So identification of outliers can be improved using these new tools, and it's certainly something that Statistics Canada does.
We are also using these new tools whenever there are some repetitive tasks that are involved and for example, when we need to collect or gather responses by Canadians who were handwrited in the census questionnaire we're using a lot of these new tools to help us accelerate the data processing of these write-in answers that Canadians provided to us. I'll end my little presentation of the census and how we can leverage these new tools by saying that we are actually looking and using more AI for analysis and eventually for helping us write some press communiqué to provide the data and the analysis to the Canadians that will happen in 2027 as I said. And remember always that the census is also the basis of many other statistical programs running at Statistics Canada. One example of that is the Population Projections program. We are using a lot of the census data to establish projections for the future, and these projections are used by so many departments actually for their planning exercise including planning the infrastructure needed for the future as well as program delivery. So the population projections are basically just like other statistical program using a lot the census data that we release. So I'll stop there Dawn and see if there's any questions.

Hall, Dawn 43:05
Great. Thank you very much Laurent, and thanks again to Major Bhatti as well. Very interesting information on our problem statement three. We'll move on to problem statement four and for this final problem statement, I'm pleased to welcome Natasha DSouza from the Office of the Chief Information Officer, Treasury Board of Canada Secretariat as well as Shane Tompkins from the Expenditure Management Sector, also here at Treasury Board of Canada Secretariat. So I'll pass it over to Natasha.

DSouza, Natasha 43:37
Thanks so much, Dawn, and thank you for the opportunity to be here today. Hi, everyone. So Shane and I are here, as Dawn mentioned, from the Treasury Board of Canada Secretariat to share some information about a couple of data sets on Government of Canada programs and services that may help you design a solution to the problem that clients have a wide variety of communication needs and interactions with the government can be challenging, frustrating, and exacerbate existing barriers.

So your task would be to design a solution to communicate with people in a way that is accessible to a wide range of languages, culture, and or abilities. For instance, this could be a tool to ingest and verify information provided by a client, or maybe a tool to assist with pulling relevant information together to fill out forms or to prepare for a discussion with government representatives.
So before we get started, I wanted to mention that Canada has a federated system of government with three distinct levels, so federal, provincial or territorial, and municipal. Each level delivers services to Canadians, and so the information Shane and I will share today is about the federal level. o programs and services provided by the Government of Canada.
So the federal government delivers over 1500 services to the public, ranging from passports and employment insurance to border and Immigration Services to support for businesses, travel, health advice and even weather forecasts.
These services are provided through 70 plus departments and agencies that vary widely in mandate, scale and client base. So the Government of Canada service inventory is one of the two data sets we'll talk about today.
And it was created to provide visibility into these services that the federal government delivers to individuals, businesses, and even other government departments. The data set is available on the Canadian Open Government Portal and is updated on a yearly basis between September and December. So if you are visiting the link right now there might be some partial information available for the most recent year, which is 2024 and 25.
There are also two files that make up the service inventory. The first one contains basic information to identify services, and the second contains information about service standard performance. So really, the service inventory is a standardized data set about Government of Canada services containing information on volumes by channel, online availability, service types and recipients, and service standard performance. However, like with any dataset, there are some caveats when you're using this data.

So, firstly, the service inventory often describes government services from a government point of view, so it doesn't always capture how a client would experience services or where in a process they would struggle, but so it includes information on sort of methods of client satisfaction or capturing client feedback, but it does not include measures such as client satisfaction scores. And in some cases, the nature of the service would mean that certain fields in the inventory may not even apply to that service. For instance, correctional services that are delivered in person would likely not have any data for online application channel. So particularly on the application channel, we recommend taking a broad interpretation of what we mean by application because not all services require an application to access a service. So think about these more as overall volumes for the service.
Another thing to know is there is some added complexity when a service is a shared responsibility between departments. So for instance, the Canadian Passport Program and the Canadian Dental Care Program are the responsibility of one department and are administered in full or in part by another department. This results in two separate entries for the same service. And in other cases, one service entry represents a whole service end to end, such as employment insurance, which includes both the call center as well as the administration of the service. So for this challenge, I would encourage you to use the Government of Canada service inventory to familiarize yourself with the Government of Canada service landscape, and in doing so, I would recommend you look at data for fiscal year 23/24, which is the most complete and latest fiscal year that we have.
That you focus on services that are delivered to clients where service scope for instance contains the word external and where total applications are greater than 0. And you can visit the services website which is usually provided in the service identification data set to learn more about individual services as needed. And one last thing is that the service data also requires that a link be made to program information. So you will find program name in the service inventory and that can help you build a better, excuse me, a better understanding of the service.
So I'll now turn the floor over to Shane to speak more on programs. Shane, over to you.

Tompkins, Shane 48:55
Thank you, Natasha. So the programme, inventory data, I would see as a complement to this initiative and the service inventory data that Natasha spoke of by showing more broadly how government resources and results are structured behind the services people interact with.
This can help answer questions about how the Government of Canada - federal government - is organised across an exhaustive set of programmes and funding and the work of the full time equivalents within those programmes, or FTEs.
And how they align with the core responsibilities and objectives of each department, all subject to the Treasury Board Policy on Results. You can explore this information more visually on GC InfoBase, which is one of the Government of Canada’s longest running public data visualisation platforms. But you can also download the programme inventory data sets on the GC InfoBase Open Data page. So this includes planned and actual resources, spending in FTEs and performance over time in a consistent cross government structure.
So while the service inventory provides a more direct focus on frontline interactions, you might find the programme inventory data helpful to better understand the landscape, how programmes are resourced and how those resources are connected to results.
The programme IDs and names are presented in the service inventory data set and allow you to link to the services Natasha mentioned in the programme inventory data set on the Open Government Portal. So if you're filtering to the 23/24 fiscal year from the Services inventory, you'll obviously want to do the same for the programme inventory data set, so hopefully that's a good supplementary data set for you alongside the service inventory data that is potentially helpful. And with that I will turn it back to Dawn.

Hall, Dawn 50:58
Great. Thank you very much, Natasha and Shane. I really appreciate the update there and we'll move on to the next slide, which is the last presentation of this part of the event. And I'm going to pass it over to Damian Laverty from the Open government team here at Treasury Board of Canada Secretariat. Damian is going to talk about the Open Government Portal and although he's speaking about the Canadian context, many of the other G7 governments also have these open government portals, so passing it over to you, Damian.

Laverty, Damian 51:32
Yes. Thank you, Dawn, and good morning and or afternoon to everybody, depending where you're joining from. I'm going to take us through very quickly here at a very high level to give you some information on our open government portal, which you can find at open.canada.ca.
Basically it's about enabling the proactive and ongoing release of government data and information. What that means is two things. It could be anything that we have to by law publicly disclosed to the, to the public and or information of value that we deem could be valuable to private citizens and or academia. Next page please.
So again, at a very high level here, the Open government portal was launched in 2011 more as a central like repository for open data and information. Since then, it's become the prescribed platform for all information that is required to be proactively published under part two of our Access to Information Act.
So it's interesting we have we have this, this, this massive site for everyone to go and visit and use the data that is both there as a tool for us to communicate what we deem valuable to anyone. But also is our prescribed platform for all institutions to at the same spot for everyone, proactively disclose certain things that are legislative requirements, such as contract information, travel expense disclosures, hospitality grants and contributions of those things of the like. So we currently have over 45,000 publications from over 170 federal institutions and currently 11 provinces and territories, we averaged over 300,000 visits per month, and that's without any advertising here. We're not trying to pump this up with advertising campaigns, but perhaps the biggest number is we just recently passed 3 million individual records for proactive publications. Now that's huge. Those are three million things that have been disclosed to, to, to everyone across the world in our attempt to be transparent in everything that we do as a government. Everything posted on the open government portal also falls under the unrestricted open government licence, so this information can be reused for any purposes. It could be for you to start your company, it could be for someone in school to make good on a project and get some more information or just learn. There's no restrictions there. Can I get the next slide please?
Now using the portal is pretty straightforward. When you get to the main page, it'll be separated between open information and data. Government spending and operations, which is our public, pardon me, our proactive publication section and then our previously disclosed access to information summaries. However,
once you get into the search, the search of the portal itself, you'll see there's many ways that you could consume the data through filters, so you can filter through organisation through a publication type, you can be specific with your searches. Obviously you want to be aware of your ands and ors and nots in your keywords.
Check the publishing institution. It's really important because again, the portal doesn't own any of this data, nor does the Treasury Board. We simply provide the vehicle by which this is communicated and provide one central location for everyone to consume this information. So if there's ever any questions about the specific data you're always best approaching individual institutions themselves as they are the data owners, yes. And again, sorting with results you can go as far back as 2011. Again, I would like to maybe point out the obvious to some that obviously the newer data is usually better and more usable as we shift priorities we're trying to focus our energies to making data not only more transparent but more usable, more standardised, so we are currently looking for opportunities to find where there's old data sets, where they might not have used, you know some data standardisation that today might be fairly straightforward, like format for dates, for times for locations to make all our data more machine readable if you will. The next slide please.
And not again to get too technical here, but the portal runs on open source, right. So we have our CKAN involvement with Drupal, SQL database and Solr. You can go and there's links in here in the documents to look more into this if you'd like.
I would also encourage everyone to at the bottom of our open government portal page - again open.canada.ca - there is a link for how to upload and consume and or use data. So by clicking on that you'll find some guides on how to work with data and APIs for those who might just be entering this environment.
Next slide please.
Yep. And I think that's it. So thank you very much everyone, and I submit back to Dawn. Merci.

Hall, Dawn 56:51
Wonderful. Thanks so much, Damien. And again, a big thank you to all of our experts that were able to join us here today to talk about their areas of expertise and how AI and data can really help them to continue the great work that's happening.
I'm now going to pass it over to Jonathan.

Macdonald, Jonathan 57:12
Thanks so much, Dawn. And to everyone. Thank you so much for the discussion. That was, that was great, lots of information and context and coming up, we now have another demonstration for you all from coming at you from the Government of France. Our colleague Nicolas Sévin an AI Institutional Relations Officer from the Interministerial Directorate for Digital Affairs has prerecorded a demo of some AI tools that are being used in the in the Government of France right now. And so we will have a look at what those tools are now.

Sévin, Nicholas via Kinsman, Alison 57:50
Hi everyone I hope you all are doing great. I am sorry I couldn't make it to this call. I have as requested by our Canadian colleagues I’ve recorded the presentation in which I will present two code dependent tools that the French Government has developed, first of which being Albert API and second of which being the AI assistant, and I will go over those two initiatives. So before I describe the interministerial AI assistant, it is important to introduce Albert API which forms which you can see right now on my screen which forms one of the it's very central technical components. So it is also known as Opengate LLM in its open source version.
And it's a tool developed by the French states to provide a very unified and secure and sovereign way to access generative AI models. So in practical terms, Albert API serves as a single entry point through which different models can be used.
So these models may be open source models, models with open weights, or maybe proprietary models under very specific experimentation frameworks which I will cover in a second. So the over idea is that by centralising access in this way, the state can ensure consistent governance, very easier integration and they control usage of computing resources across the new station. Very key design choice is the compatibility with the open AI API standards, which makes Opengate LLM or Albert API interpretable sorry, with a wide range of existing tools and frameworks. So as the result, teams within the administration can very much reuse existing libraries.
Or products without having to their entire whole software architecture and it is it also supports sorry more advanced functionalities beyond the simple text generation, so this can be reachable augmented generation and which includes the current search, OCR but also text to speech, speech to text, translation, model, context protocol. All of those features allow the API to be used not only for conversational interfaces, but also for document processing, analysis and domain specific assistance.
Finally, I will mention that this tool is deployed on very sovereign infrastructures, so today trends within a second cloud qualified environment operated by the private sector Outscale. But in the future deployments will progressively move.
So deployments we progressively moved to Nubo, which is the French governmental interministerial cloud, which ensures that overall the data processed through Albert API will remain under the control of the French states.
So yeah, overall, just just in case you can have more info, more data on this GitHub page which I will transfer the link to and also on this documentation you have all the use cases. You have all the points given and here you have another documentation. All of those links, those trainings will be available so that you can check for yourself. These are mainly in English, so you everyone can check out on them.
So yeah, basically in short, the API provides the very technical foundation that allows the different administrations to experiment with the generative AI in a very secure, standardised and interoperable way, which is both a very common asset and enabler, with the more visible services built on top of it, which includes the international AI assistants, which I will not present. So yeah, that will be my demonstration Microsoft player.
So I will present this assistant which is a project led by the French States and coordinated by us. So the Directorate for Digital Affairs, its purpose is to provide the common, very sovereign and reusable foundation for generative AI kind of in the way that the API is. But the API is on the technical level, whereas the assistant is a very how I would say that a very public in a way of using the AI. So, it's overall I will say a part of a broader governmental effort to modernise public services while still ensuring control of the technologies that incredibly contribute to administrative work, so the objective is not to create a single tool imposed to all administrations, but free to offer a shared base. That ministries may adopt, integrate or extend according to their very own needs. So this shared base is built to remain an open and interpretable and compatible within the security requirements that apply to state infrastructures and I will add that at its very core, the assistance is more than just this chat interface because it's relies on the end to end processing and chain models, with the multiple language models, vectorized data, and of course the APIs, which I was talking about earlier. So this chain allows the assistant to integrate within a very existing tools, especially within the La Suite numerique, which is the governmental digital suite.
Including visual tools including translation tools and so on and so forth. So all this will make so that the AI assistants can support the various administrative tasks which will cover various range. So like text summarization and document analysis.
So, as I was about to show you guys, if I type this type of question. I may have made a small typo but yeah so as you will see, yeah, we have a very standardised way of, responding, responding. Sorry.
So I will not read all of it, but just you can see it's very complete. You can even see one of the sources. I've I believe there are more, but it's still the work in progress overall. So the project is really designed to serve all of the international ecosystem.
Many ministries have already developed their very own. So in this way the assistant really aims to coexist and not replace these initiatives. And it does. It really offers a common foundation for ministries that do not wish to maintain their own infrastructure and it also provides components to really be in the reuse use case, and it's overall coordinated still once again by us, the Directorate for Digital Affairs, although ministries can contribute in a very different roles such as: feedbacks, users piolet, pilots, sorry, technical contributor contributions and so on and so forth. And one thing I want to mention is that we are currently in a very important phase of the project, which is the evaluation phase. This includes at the core an experimentation partnership with Mistral AI, which is, as you may know, the French AI Unicorn, and it could run that way until mid 2026. So within this framework, basically the state is testing the use of proprietary models on the secured infrastructure.
Still really on scale, so really the aim of this explanation is to answer several questions from which models are most affiliated, how much computing capacity is needed, what types of use cases emerge and so on and so forth. So really we will gather a lot of feedback, a lot of data, lot of info to help identify the cost of feasibility of any potential scale up to larger populations of users. And so yeah, as I was saying saying on a more technical level, the back end relies on the Albert API or open get LLM whatever we want to call it. Once again, the previous tool and it's all of it is hosted on once again very sovereign and secure procedures.
Yeah, I will just conclude because I see that the timing is quite short, in fact. So to complete, I will just remind that it is a very public digital infrastructure, but it's pretty much under construction. Once again, this evaluation phase is here to really gather some feedback. And yeah, it's still very much a work in progress. It's designed to support administrations that wish to use GenAI in a very controlled and sovereign framework, and I want to emphasise how the coming year will be key in developing this tool as we'll be dedicating all of our efforts to evaluating its usage, evaluating the very umm how would I say that. Importance of this tool, whether it will be used or not, and collectively determined really how in the end it should look how it should evolve to best serve public administrations and so that's it for my presentations. I remain available by emails if you wish if you have any question and I hope I can see you guys on the future meeting. Thank you very much.

Hall, Dawn 1:08:18
Hi, welcome back. Thank you very much to Nicolas and I'll pass it back over to Jonathan.

Macdonald, Jonathan 1:08:25
Thank you so much. Yeah, I actually understand that now we are going to start with a question period. So if there are questions in the chat or the Q&A section of this meeting, we can turn to those and tap into some of the expertise of our guests to drive towards some answers. So Mark over you to facilitate.

Levene, Mark 1:08:51
Thanks, Jonathan. So I guess this is the more interactive portion of our presentation this morning. We have a few questions already in the Q&A section. If you'd like to ask more, please feel free to do it. You can do so in either of the official languages of the country of Canada. We'll start with a couple of questions that we have already. So the first is. Does public health belong to the scope of this challenge?
Maybe Dawn you can start with your answer.

Hall, Dawn 1:09:18
Sure, absolutely. So, although none of the problem statements are specific to public health, I can completely imagine how public health could be within scope of this. For example, governments provide a lot of very important health information and perhaps you could think of that within the context of statement 4, where we need to have accessible government communication to help people get this great health information, important health information across language, across languages, cultures and abilities. So that would be a really health positive example. Another one is you could see that there could be large amounts of information on health that the government would need to work through. And so for statement one you could you could tailor that solution to something that is more more health related and likewise for statement two, when you really think about, or three, when you think about legislation, there's health legislation statement three, you could think that there are lots of processes when you're thinking through, you know, logistics and supplies and moving things like masks or gowns and things like that across the country, so.
I'll leave it up to you to decide whether or not you feel confident moving forward with public health on this, but there's certainly are ties that you could be made. Thanks.

Levene, Mark 1:10:45
Thanks, Dawn. A more general question is what is our? What are some of the biggest challenges that your teams are encountering that the challenge could help with? Maybe I can turn it over to a couple of the presenters to respond to that question. I don't know, Liam, if you would have any insights into some of the biggest challenges that you have right now?

Wilkinson, Liam 1:11:06
Sure. So I think I have an institutional memory as being a really central issue in the UK. Government policy is gigantic, government has to deal with an awful lot of different and interesting problems and it means that we have loads of great documentation and reports which people write on it. But sometimes those reports get read maybe once, twice by the right people, and then could be forgotten to time. So I think the really big opportunity of AI is how we can use it to help index and structure these massive knowledge bases that could really help us make better policy, you know. But if it comes to health policy, how do we manage balance between our hospitals and our social care system. What's the right mechanisms that we should be following? There's been massive amounts of research on that over the years that it's useful to track and see the evolution over time. So to me, taking institutional memory of government and making that a lot more accessible it's a really, you know, big problem area that we think about a lot in the UK.

Levene, Mark 1:12:13
Great. Thanks. Any of the other presenters want to provide an answer to that question as well, Anna, maybe.

Logie, Anna 1:12:24
Sure. Maybe I'll just say off the cuff that we have a number of acts where you know everyday citizens will interact with them a lot. I'm thinking of the access to Information Act or the Privacy Act where they're going to want to submit requests and try to understand how all these complex rules could apply to their specific case.
And governments try to make this kind of information more accessible through plain language guidance, for example, but that's still really a lot to process. It can be you know hundreds of pages of plain language guidance, so having something like an AI tool that can help everyday users better understand how it applies to the specific facts of their case could help with access to justice and increasing access to information, particularly as these rules continue to become more complex. Thanks.

Levene, Mark 1:13:11
Thanks Anna. Another question on a completely different tact area. Sorry, I was muted. Maybe this is one for Laurent or Damien, but we know one of the biggest barriers to publishing census data and open data itself is the revealing or potential revealing of personal data. Are you still seeing challenges that AI could perhaps address in dealing with the amount of personal data that is in open data sense or census data sets, that that's something that that might be a potential opportunity for this challenge to address?

Martel, Laurent 1:13:51
That is a very good question, Mark. I can confirm 100% that at Statistics Canada, one of our top values are to is to protect the confidentiality of the information that Canadians are providing. To us, when it's getting into Stat Canada, it never leaves. We have strict rules of confidentiality. We ensure that in our data table census data table, since we are at the very local area level, some of these tables we need to be extra careful in these tables in in making sure that nobody can be identify a given individual in a very small town with specific characteristics. For example, we have to take pay attention to this. We are this is this is ensured by our methodical services here at Stats Can. To ensure that rounding processes in place to round the data so that we are kind of merging aggregating data so nobody can be identified as individuals. One of the biggest challenges we face right now with these new tools such as AI is identifying how they can help us in our statistical processes that already exist because these processes have been in place for ensuring confidentiality for quite a long time actually and we're currently actually evaluating how this could be, could be leveraged, how these new tools could be leveraged. So I don't have a precise answer in answer in the details. But definitely everything has been looked at using for these new tools. We're revising all our kind of activities going to a census program and that's why I said there's many of these. And there may be potential to ensure more efficient, for example, ways of rounding using AI. We're producing a lot of data, so and a lot of data tables, so you know, improving the flow of producing all these data ensuring confidentiality. That's probably where AI and these new tool of automation can be mostly useful.

Levene, Mark 1:16:09
Thanks.

Laverty, Damian 1:16:10
I'll add on a little bit to that only because I was asked, but I also may not have the best answer for you and all that. Just a reminder here that this is all about open information. So we don't have those same challenges. The only information that may creep into private would be our access to information summary requests and this is where we are just putting a summary of previously completed access to information requests. Now this is not privacy, right, so even there we're speaking about information that is not by nature under the Privacy Act.. So I can't really give you any concrete examples. I'm terribly sorry for that. That would be more of an institution specific question, I believe on how they can make use of such an AI tool to protect their information and the activities that they undertake.
Sorry I can't be more helpful.

Levene, Mark 1:17:07
That's fine Damian. Thanks. We we're putting you on the spot. We have three kind of process oriented questions for Dawn and Jonathan. So the first one in is is the goal to create solutions that directly serve users of government services or can we look at solutions for public servants or members of government.

Macdonald, Jonathan 1:17:28
I'll kick it off and Dawn, feel free to supplement with whatever you see fit you know. Selfishly, I want to say that, you know, we of course, are interested in tools to help public service, but no, this is the solutions here are for both actually we are looking at solutions that are going to improve, you know in any way that we deal with the public, whether that's directly or indirectly or just could, it could also be.
Something that has less of a direct public connection, but could be something in the in the science and research field. There is, you know, any number of solutions and avenues to explore as long as it. As long as it fits nicely under one of the four problem statements, I think that's the only real criteria. But for public servants internally or, you know, more directed towards citizens or clients, that's also perfectly perfectly acceptable.

Levene, Mark 1:18:25
Great. Thanks, Jonathan. This one's for Dawn because I know we've had this question before. So for all four of the problems, is it critical to use open source LLMS or can proprietary models be used for inference and NLP purposes? I'm not sure I know what NLP is though.

Hall, Dawn 1:18:41
And that's Natural Language Processing. But yeah, absolutely. You can use proprietary models. However, you really need to make sure that you have the appropriate licencing and permissions in place, particularly because we are looking to scale and to and to be able to use this across governments, so open source may lend itself a little bit more readily to something like that, but there are no restrictions against using proprietary, so long as you have the appropriate permissions and intellectual property.

Levene, Mark 1:19:15
Great. And then another one probably for Dawn as well is I'm a public service servant at Global Affairs Canada. Do I require a manager's approval to participate in the competition?

Hall, Dawn 1:19:30
I'll start off, but then Jonathan can pick up where I left off. So public servants are able to participate. However, they cannot receive funding. Public servants need to do this, participate and develop their solutions on their own time and without using any government resources. So, I mean, I generally recommend to be as open and transparent with your manager as possible, so it's probably a good idea to speak with them, but keep in mind that you'll need to be doing this as a a private citizen.
Jonathan, anything to add?

Macdonald, Jonathan 1:20:06
I think you covered it, Dawn. I think just a plus one on the, you know being very transparent with your, with your management structure and may even require a brief consultation with your internal values and ethics folks if you know if if deemed appropriate but yeah.

Levene, Mark 1:20:22
OK, I think that's the end of all the questions that we received. As a reminder, you can reach out to us directly. Dana has posted the link that we've pinned to the top of the Q&A. We're available through e-mail, there is a Discord server that participants can use to chat with each other as well. And of course, we have publicly available website as well. This has all of our contact information as well. I'll turn it back over to Jonathan to conclude the event. We thank you all for your participation today. There were some great questions there and thank you very much.

Macdonald, Jonathan 1:20:56
Fantastic. Thank you, Mark. So yes, that is a wrap. I do want to thank all the guests echoing what Mark just said, both live and pre recorded for the time and effort today and to the participants truly. Thank you for your interest in this challenge.
I really hope that this the expert session here has given you some, some some ideas, maybe clarified your thoughts or maybe help focus your energy to develop something really something really innovative and on that, let me just say that I've been hearing a lot about moonshots lately. And so that's a good way to start thinking about your solution and thinking about how it can be transformative. So Sky's the limit. Thank you all so much. Happy developing. Thank you so much.

Hallo zusammen. Mein Name ist Jonathan Macdonald. Ich bin der Direktor, der das Daten- und KI-Team hier beim Secretariat of the Treasury Board im Government of Canada leitet. Mein Team und ich sind dafür verantwortlich, Strategie und Politik festzulegen, um die verantwortungsvolle Einführung von KI in der gesamten Regierung zu unterstützen. Dazu gehören solche Highlights wie die kürzlich veröffentlichte KI-Strategie für den öffentlichen Bundesdienst sowie unser grundlegendes Steuerungsinstrument, die Directive on Automated Decision-making. Und in jüngerer Zeit ist es dieses Team, das die Arbeiten auf der kanadischen Seite anführt, um Ihnen diese GovAI Grand Challenge zu präsentieren.

Ich möchte damit beginnen, dass ich mit Ihnen teilen möchte, dass ich heute von dem traditionellen, unzidierten Territorium des Volkes der Algonquin Anishinaabe zugeschaltet bin. Ich erkenne an, dass wir alle an unterschiedlichen Orten arbeiten und dass Sie sich möglicherweise auf einem anderen traditionellen indigenen Territorium befinden, und ich möchte Sie ermutigen, sich einen Moment Zeit zu nehmen, um darüber nachzudenken.
Ich freue mich, Sie heute zur Expert*innen-Podiumsdiskussion begrüßen zu dürfen. Dies ist die zweite von drei Veranstaltungen, die während der Rapid Solution Labs stattfinden.
Ein paar organisatorische Punkte, bevor wir weitermachen. Wir zeichnen diese Veranstaltung auf, und sie wird online veröffentlicht, damit diejenigen, die nicht in Echtzeit teilnehmen können, die benötigten Informationen erhalten können. Ihre Kameras und Mikrofone sind deaktiviert. Wenn Sie Fragen haben, nutzen Sie bitte den Q&A-Bereich der Teams-Veranstaltung. Am Ende der Veranstaltung werden wir die beliebtesten Fragen beantworten, also stellen Sie sicher, dass Sie die Fragen, die Sie am meisten interessieren, hochvoten.

Und der Großteil der Sitzung wird auf Englisch stattfinden. Die Transkriptionen auf Französisch und in anderen Sprachen werden nach der Sitzung verfügbar sein.
Bevor wir beginnen, werde ich kurz durchgehen, was heute auf Sie zukommt. Zuerst werden meine Kollegin Dawn und ich die Grand Challenge und die Rapid Solution Labs zusammenfassen, sowie einige Details zur Teilnahme. Danach wird unser Kollege von Shared Services Canada über seine Erfahrungen mit Automatisierung und KI in der Praxis in einem Regierungskontext berichten.

Anschließend wird sich meine Kollegin Dawn Zeit nehmen, um die Problemstellungen durchzugehen und eine Diskussion über Datensätze mit einer Reihe angesehener Gäste aus Kanada und dem Ausland zu führen.

Macdonald, Jonathan 2:03
Im Anschluss an diese Diskussion haben wir noch eine weitere interessante Demo von KI-Werkzeugen, die von unseren guten Freund*innen in der französischen Regierung genutzt werden. Und zum Schluss werden wir die Sitzung mit einer Q&A-Runde abschließen, moderiert von unserem Kollegen Mark Levene, der ebenfalls maßgeblich daran beteiligt war, diese Challenge auf die Beine zu stellen. Es ist also eine inhaltsreiche Sitzung für Sie heute. Und ich denke, an diesem Punkt sind wir so gut wie bereit, loszulegen.
Was ist also die Grand Challenge? Falls Sie die Auftaktveranstaltung am Montag verpasst haben: Die Grand Challenge ist eine ambitionierte Initiative, die darauf ausgelegt ist, die Möglichkeiten der Künstlichen Intelligenz zu nutzen, um einige der drängendsten Herausforderungen zu lösen, mit denen Regierungen heute konfrontiert sind. Sie läuft vom 17. November bis zum 1. Dezember.

Die Challenge besteht aus vier Rapid Solution Labs oder virtuellen Hackathons. Jedes Lab konzentriert sich auf ein schwieriges Problem, das wir in der Regierung haben, über das wir später noch mehr hören werden.

Die Challenge bietet insgesamt bis zu 100.000 kanadische Dollar an Fördermitteln, aufgeteilt auf 8 Länderkategorien und zwei Jugendkategorien, um innovative und skalierbare Lösungen anzuerkennen. Ich werde jetzt an Dawn übergeben, die noch ein paar weitere Informationen für Sie hat.

Hall, Dawn 3:09
Super. Vielen Dank, Jonathan. Wie Jonathan erwähnt hat, sind wir am Montag gestartet und falls Sie diese Auftaktveranstaltung verpasst haben, finden Sie die Aufzeichnung und die Transkripte auf unserer Website. Alle Links, die Sie für diese Sitzung benötigen, finden Sie im Q&A-Bereich, wo unsere Kollegin Dana sie gerade gepostet hat.

Um Sie weiterhin zu unterstützen und das Momentum aufrechtzuerhalten, haben wir die heutige Veranstaltung und dann nächste Woche Dienstag eine weitere, bei der es sich um eine „Ask Me Anything“-Session handelt. Dort werden weitere hochrangige Gäste aus der Verwaltung bereitstehen, um Ihre Fragen zu beantworten.

Und wenn Sie Fragen haben, können Sie uns eine E-Mail schreiben oder sie in den „Ask Me Anything“-Kanal auf unserer Discord-Seite einstellen. Die Challenge endet dann am Montag, den 1. Dezember um 15:00 Uhr Eastern Time. Nächste Folie bitte.
Ein kurzer Hinweis zu einigen organisatorischen Aspekten der Challenge. Zunächst zur Teilnahmeberechtigung: Jede Person aus G7-Ländern oder der EU kann sich bewerben. Die Challenge steht auch kanadischen Bundesbediensteten offen.

Allerdings sind sie nicht förderfähig für finanzielle Mittel, wohingegen Personen aus gewinnorientierten Unternehmen, gemeinnützigen Organisationen und postsekundären Bildungseinrichtungen förderfähig sind. All diese Gruppen können sich bewerben und in Bezug auf die Finanzierung stehen insgesamt bis zu 100.000 kanadische Dollar zur Verfügung.

Diese 100.000 kanadischen Dollar werden auf 10 Empfängerinnen aufgeteilt, die jeweils bis zu 10.000 Dollar erhalten können. Wir haben viele Fragen zu unseren Alterskategorien bekommen. Das Erste, was wir wirklich klarstellen möchten, ist, dass sich Personen jeden Alters bewerben können.

Allerdings gibt es zwei spezielle Kategorien für die Altersgruppen 13 bis 17 und 18 bis 29. Wenn Sie nicht in diese Altersgruppe fallen, können Sie sich trotzdem bewerben. Sie würden dann jedoch in der Länderkategorie antreten. Wir haben Fördermittel für jedes G7-Land und die EU, und das gilt für Personen jeden Alters. Wir haben außerdem diese spezielle Alterskategorie 13 bis 17 und 18 bis 29, wie bereits erwähnt. Wenn Sie sich bewerben möchten: Das Bewerbungsportal wurde am Montag geöffnet und ist bis 15:00 Uhr Eastern Time am 1. Dezember geöffnet.

Sie müssen ein Bewerbungsformular ausfüllen, das Angaben zu Ihrem Team und zu Ihnen selbst enthält. Sie können auch als Einzelperson teilnehmen. Sie müssen nicht Teil eines Teams sein. Außerdem enthält das Formular Informationen zu Ihrer KI-Lösung, abgestimmt auf die Bewertungskriterien.

Und einen Link zu einem Video, das nicht länger als 5 Minuten sein darf und Ihre Lösung in Aktion zeigt. Wir möchten wirklich dieses funktionierende Minimum Viable Product sehen. Dieser Link sollte eine ungeschnittene YouTube-URL sein.
Sie können auch optional einen Link zu einem GitHub-Repository angeben. Außerdem müssen Sie bestätigen und akzeptieren, dass Sie die allgemeinen Geschäftsbedingungen im Teilnahmeleitfaden anerkennen, und Sie erhalten an dieser Stelle den Link zum Leitfaden für Teilnehmerinnen. Dort finden Sie jede Menge wirklich hilfreiche Informationen. Wir haben etwas zu Interessenkonflikten, Datenschutz, geistigem Eigentum und Lizenzen und, sehr wichtig, unseren Verhaltenskodex, in dem angemessenes Verhalten beschrieben wird. Das ist das, was Sie anhaken und bestätigen, womit Sie erklären, dass Sie diesen Bedingungen zustimmen.

Ein paar weitere Kleinigkeiten: Sie müssen 18 Jahre alt sein, um sich zu bewerben, oder Sie können eine nicht teilnehmende sorgeberechtigte Person haben, die die Bewerbung in Ihrem Namen einreicht. Die Einreichungen können auf Englisch oder Französisch erfolgen, und wir haben strikte Wortbegrenzungen und Zeitlimits für das Video. Stellen Sie also sicher, dass Sie diese einhalten, sonst werden Sie disqualifiziert.
Schauen Sie sich für weitere Informationen unbedingt unseren Teilnahmeleitfaden an.
Nächste Folie bitte.

Zusätzlich zu diesen Veranstaltungen können wir auch über unseren Discord-Kanal und unsere E-Mail-Adresse Unterstützung anbieten. Wir haben das große Glück, ein großartiges Mentor*innen-Netzwerk zu haben, auf das wir zurückgreifen können, und beide Links sind im Chat geteilt.

Jetzt gebe ich zurück an Jonathan.

Macdonald, Jonathan 7:36
Ausgezeichnet. Vielen Dank, Dawn, für die ausführliche Zusammenfassung. An diesem Punkt wenden wir uns nun unserem guten Freund und Kollegen Josh Turner von Shared Services Canada zu, der uns eine Geschichte über eine KI-Innovation erzählen wird, an der er beteiligt war und die wirklich Ergebnisse gebracht hat. Also, Josh, an dich.

Turner, Joshua 7:53
Vielen herzlichen Dank, Jonathan. An die Organisatorinnen: Wenn wir auch meine Folien einblenden könnten, wäre das großartig. Also, hallo allerseits, ich bin Josh. Ich arbeite derzeit als Manager eines Technologie-Teams, das für Data Science und Künstliche Intelligenz bei Shared Services Canada verantwortlich ist und… da sind wir. Da ist die Präsentation. Oh, ich frage mich, ob die Organisatorinnen meine Folien stabil einblenden können. Ja, sie erscheinen und verschwinden wieder.

Noch ein Versuch. So, jetzt. OK, gut, dann beginnen wir mit der ersten Frage. Hat irgendjemand in letzter Zeit etwas in den Nachrichten über Zölle gehört? Ich weiß nicht. Es war ja nicht gerade ein Thema, über das viel diskutiert wurde. Nein, Scherz beiseite.
In Kanada ist das Finanzministerium gesetzlich verpflichtet, vor der Einführung eines Zolls die kanadische Industrie und kanadische Privatpersonen zu konsultieren und um Remissionen zu erwägen, falls bestimmte Ausnahmen in Betracht gezogen werden müssen, um bestimmte Bereiche der kanadischen Industrie zu schützen oder zu erhalten. Allerdings erwartete man für die Änderung, die Anfang dieses Jahres stattfand, anstelle des üblichen Aufkommens von etwa 50 solcher Kommentare aus der Öffentlichkeit ein Volumen von 50.000. Das Finanzministerium war schlicht nicht so ausgestattet, dass es dies mit manuellen Verfahren hätte bewältigen können, und wandte sich daher an unser Team bei Shared Services, um etwas Unterstützung dabei zu erhalten, wie wir KI auf sichere Weise einsetzen können, um mit dem erwarteten Volumen umzugehen.

Also ist mein Team eingesprungen. Wir haben zunächst mit RPA – Robotic Process Automation – ein Modell entwickelt. Das Modell diente dazu, den physischen Arbeitsablauf zu betrachten, den das Finanzministerium nutzte, damit wir alle Informationsflüsse von hier nach dort sehen und kartieren konnten, wie viel Aufwand in jedem Schritt betrieben wurde. Und weil wir RPA eingesetzt haben, konnten wir dieses Modell extrem schnell erstellen. Man sagt manchmal, der einfachste Weg, eine richtige Antwort zu bekommen, sei nicht zu fragen, sondern erst einmal eine falsche Antwort vorzuschlagen, und das funktioniert in der schnellen Prototypenentwicklung sehr, sehr gut. Eines der Ergebnisse dieser Modellierung war jedoch, dass ein bestimmter Strang in diesem Prozess etwa 95 % der Arbeitslast verursachte. Und indem wir uns auf diesen sehr, sehr schmalen Teil der Arbeitslast konzentriert haben, konnten wir die vorgeschlagene Lösung so vereinfachen, dass wir sie in sehr kurzer Zeit liefern konnten.

Was wir geliefert haben, war eine kleine KI, die die eingehenden Kommentare – in extrem unterschiedlichen Tonlagen, Strukturen und Sprachen – in analysierbare, strukturierte und konsistente Daten überführen konnte.
Diejenigen von Ihnen, die im Datenbereich arbeiten, wissen, wie absolut entscheidend das ist.

Also, was haben wir zusammengestellt?

Zunächst haben wir mit einem „kleinen großen Sprachmodell“ begonnen – was ich weiß, eine Art Widerspruch in sich ist –, aber von der Größenordnung sprechen wir von Modellen wie Microsofts Phi-4, komprimiert auf 4 Bit pro Parameter, was bedeutet, dass man es auf herkömmlicher Consumer-Hardware ausführen kann.

Als Zweites haben wir einen Prompt für die Datenverarbeitung eingeführt, der spezifische Definitionen des Datenschemas enthielt, das ausgegeben werden sollte. Also: Was sind die exakten Bedeutungen der Felder, die am Ende herauskommen sollen? Und das entscheidende Element, das wir hinzugefügt haben, war eine kontrollierte Grammatik. Nun, eine Grammatik… Sie wissen, dass große Sprachmodelle Tokens einzeln nacheinander ausgeben, analog zu Silben. Aber eine kontrollierte Grammatik stellt sicher, dass bei jeder „Silbe“ der Inhalt, der erzeugt wird, mit einem strengen strukturierten Datenformat übereinstimmt. Sie wirkt wie ein Schienensystem, dem ein großes Sprachmodell bei der Ausgabe der Ergebnisse folgen kann. Wir haben dann all die wilden und chaotischen Eingaben, die beim Finanzministerium eingingen, durch das Modell laufen lassen, mit einem Laufzeitsystem namens llama.cpp. llama.cpp ist eine Open-Source-Runtime von einem Entwickler namens Georgi Gerganov. Ich hoffe, ich habe seinen Namen nicht allzu sehr verhunzt.

Und wir haben das Ganze auf „waste compute“ ausgeführt. Mit „waste compute“ meine ich die Zeit an Abenden und Wochenenden auf bereits beschaffter Hardware innerhalb des Sicherheitsperimeters der Ministerien. Das Ergebnis sind strukturierte Daten.
Spalten mit spezifischen Definitionen, Datentypen in den Spalten, in einem Format, das sich unmittelbar in Standarddatenbanken oder Microsoft Excel oder jedes andere gewünschte Werkzeug zur Datenverarbeitung einspeisen lässt – R oder jedes andere Tool, das sich für Ihre Datenanalyseaufgabe eignet. Am wichtigsten war, dass wir dies so liefern konnten, dass es nicht nur von Shared Services genutzt werden konnte, sondern auch ins Finanzministerium übernommen und von deren technischen Ressourcen eingesetzt werden konnte. Wir haben nicht nur eine Lösung geliefert – wir haben eine Fähigkeit geliefert.

Und wie alle guten Dinge ist es besser, wenn man sie teilt, wie eine Mahlzeit. Die digitalen Standards in Kanada legen nahe, dass wir jedes Mal, wenn wir eine Lösung entwickeln, sicherstellen wollen, dass sie als Fähigkeit für die gesamte Bundesregierung geteilt wird. Und die gute Nachricht ist, dass wir, weil alle Eingangskomponenten offen waren – Open-Weight-Modelle, Open-Source-Software und offene Bindings –, das Ganze ebenfalls als Open Source veröffentlichen konnten, und zwar nicht nur für die Nutzung durch die Regierung von Kanada, sondern weltweit. Was Sie dort sehen, ist eine GitHub-Adresse meines Teams, Shared Services Canada, Data Science and Artificial Intelligence, und alle unsere Lösungen, die auf Open Source basieren, sind dort veröffentlicht. Sie können dort sehr gerne Pull Requests einreichen, wenn Sie etwas finden, von dem Sie glauben, dass es zum Gesamtwohl dieser Produkte beitragen könnte.
Damit würde ich die Runde für Fragen öffnen. Oder sollen wir zurück zu Jonathan geben? Was ist der beste Weg, das zu machen?

Hall, Dawn 14:21
Hallo zusammen, hier bin ich. Da sind wir. Und hier ist auch Jonathan.

Macdonald, Jonathan 14:28
Super. Wenn es Fragen im Chat gibt, gehe ich jetzt gerne darauf ein.
Ich warte darauf, dass sie mir signalisiert werden, aber falls nicht, setze ich das Gespräch gerne mit Dawn fort, die uns durch eine Diskussion mit den anderen angesehenen Gästen führen kann, die wir eingeladen haben, um uns durch die Problemstellungen und eine Diskussion über Daten zu leiten.

Hall, Dawn 14:54
Fantastisch.

Macdonald, Jonathan 14:55
Vielen Dank. Vielen Dank, Josh.

Hall, Dawn 14:58
Ich möchte mich Josh noch einmal anschließen und mich bei ihm bedanken, und auch bei Jonathan. Was die Problemstellungen angeht, haben wir heute das große Glück, mehrere Expert*innen aus Regierungen bei uns zu haben, die mit uns über die verschiedenen Problemstellungen und die Daten sprechen, die Sie in Betracht ziehen können.
Die Daten, über die wir heute sprechen, sind nicht alle Beispieldaten, die wir bereitgestellt haben; alle Links zu den Daten finden Sie, wenn Sie den Abschnitt zu den Problemstellungen auf der Impact-Canada-Website ausklappen. Gehen Sie also auf die Grand-Challenge-Website, klicken Sie auf „Problemstellung ausklappen“ und darunter finden Sie alle Daten.

Hall, Dawn 15:35
Außerdem können Sie auch Daten aus anderen Quellen verwenden. Stellen Sie nur sicher, dass Sie die erforderlichen Lizenz- und Datenschutzanforderungen einhalten, wenn Sie Daten nutzen, die nicht von uns bereitgestellt wurden.
Nächste Folie bitte.

Zunächst begrüßen wir Liam Wilkinson, der Leiter der KI-Inkubation im Incubator for AI des Government Digital Service im Vereinigten Königreich ist. Liam wird über Problemstellung 1 sprechen. An dich, Liam.

Wilkinson, Liam 16:14
Hallo zusammen und vielen Dank, dass ich heute hier sein darf. Ich werde jetzt ein paar Folien im Hintergrund starten und dann meinen Bildschirm teilen.
OK, Bildschirm wechseln. Entschuldigung, ich benutze Teams normalerweise nicht. So, jetzt passt es.

Also, hi zusammen. Ich heiße Liam Wilkinson. Ich bin Leiter der KI-Inkubation im Incubator for AI der britischen Regierung. Ich möchte meinen kanadischen Kolleginnen ganz herzlich danken, dass sie mich heute eingeladen haben, und natürlich allen G7-Partnerinnen, die ebenfalls Teil dieser Veranstaltung sind.

Im Incubator for AI befassen wir uns mit einer ganzen Menge Daten, und einer unserer wirklich großen Anwendungsfälle ist die Frage, wie wir Menschen dabei helfen können, eine enorme Menge an Informationen und Dokumenten in der Regierung zu verstehen. Institutionelles Gedächtnis ist ein sehr reales Problem für die meisten Regierungen weltweit.

Wenn Menschen in sehr komplexen Fachbereichen arbeiten, wechseln sie oft alle zwei oder drei Jahre ihren Job, und viel von dieser Erfahrung „läuft dann mit ihnen aus der Tür“. Wenn wir uns also KI ansehen und diesen Anwendungsfall betrachten, versuchen wir, zu Technologien und Lösungen zu kommen, die uns helfen können, uns in relativ kurzer Zeit in eine riesige Informationsmenge einzuarbeiten. Um das im britischen Kontext etwas greifbarer zu machen: Wir haben ungefähr einmal im Jahr ein großes Ereignis im Parlament namens „King’s Speech“, bei dem alle unsere wichtigsten politischen Ankündigungen für das Jahr in einem großen Block veröffentlicht werden. Es ist eine sehr glanzvolle, feierliche Zeremonie. Aber was man nicht sieht, sind die Hunderte und Tausende von Beamtinnen in Whitehall, die im Hintergrund hektisch daran arbeiten, all diese Gesetzgebungsvorhaben auszugestalten – und zwar in einer robusten, politisch und evidenzbasierten Weise.
Der Datensatz, auf den ich Ihre Aufmerksamkeit lenken möchte, ist ein offener Datensatz des Parlaments. Die meisten G7-Länder haben eine Bibliothek des Unterhauses oder etwas Vergleichbares, in dem viele verschiedene Forschungsberichte der Öffentlichkeit zur Verfügung gestellt werden.

Und… ich teile meinen Bildschirm glaube ich etwas… in Ordnung, ich teile noch einmal neu.

Wenn ich in den Browser gehe, sehen Sie hier die Website der House of Commons Library. Hier können Sie auf alle Forschungsberichte zugreifen, die jemals in der House of Commons Library erstellt wurden. Davon werden jährlich Hunderte veröffentlicht, und häufig handelt es sich dabei um erstklassige Forschungsberichte für die Regierung. Diese werden von Beamtinnen und politischen Entscheidungsträgerinnen genutzt, um bessere politische Entscheidungen zu treffen. Aber wie gesagt, es gibt dort eine gewaltige Menge an Informationen.

Eine Sache, die ich Sie ermutigen möchte, ist, sich anzuschauen, wie Sie Technologie nutzen könnten, um einige dieser Informationen zu „scrapen“, diese Daten zusammenzuführen, sie in eine Suchmaschine einzuspeisen und dann die Arten von „agentischen“ Erlebnissen darauf aufzubauen, die Sie entwickeln können. Und um zu zeigen, dass nicht nur das Vereinigte Königreich so ein System hat: Das hier ist der entsprechende Dienst des kanadischen Parlaments, und jedes der Länder verfügt über einen eigenen vergleichbaren Dienst. Vielleicht also eine KI, die alle G7-Politiken durchqueren kann, um zu verstehen, was in bestimmten Ländern gut funktioniert und welche Ansätze vielleicht in unserem eigenen Land besser funktionieren könnten. Das ist nur ein mögliches Beispiel. Aber all das soll sagen, dass es neben dem Parlament und unseren demokratischen Institutionen eine enorme Menge an Informationen und Kontext gibt.

Viele dieser Regierungswebsites verfügen über offene APIs. Ein weiteres Beispiel, das Sie sich anschauen können, ist gov.uk. gov.uk ist die Website, auf der all unsere Regierungsleistungen im Vereinigten Königreich zugänglich sind. Wieder mit vielen Entsprechungen in anderen Staaten.

Viele davon verfügen außerdem über offene APIs, mit denen Sie frei in allen Inhalten suchen können. Zu verstehen, wie wir Hinweise und Beratung der Regierung über Jahre oder sogar Jahrzehnte hinweg rationalisieren können, um sicherzustellen, dass Bürgerinnen eine konsistente Erfahrung im Umgang mit der Regierung haben, ist ein weiterer großer Anwendungsfall für uns hier im G7. Aber damit gebe ich, denke ich, zurück an Dawn.

Hall, Dawn 20:31
Wunderbar. Vielen Dank, Liam, für diesen großartigen Überblick. Das war wirklich interessant, und ich fand es sehr hilfreich, wie du die entsprechenden Datenquellen der anderen G7-Länder mit eingebunden hast. Vielen Dank dafür.

Wilkinson, Liam 20:44
Sehr gern.

Hall, Dawn 20:50
Ich gehe jetzt tatsächlich zurück zu Josh, weil wir eine Frage in unserem Q&A-Bereich haben, die sich speziell auf seine Präsentation bezieht. Die anderen Fragen heben wir uns bis später auf. Aber wir wussten, dass wir Josh diese Frage stellen wollten, solange noch alles frisch war. Vielen Dank also, dass du noch einmal zu uns kommst, Josh. Und hier ist die Frage: Welches LLM wurde letztlich implementiert, oder ist es immer noch Phi aufgrund von Rechenbeschränkungen?

Turner, Joshua 21:14
Das ist eine ausgezeichnete Frage. Zu dem Zeitpunkt, an dem wir die Funktionalität an das Finanzministerium übergeben haben, war es noch Phi-4, das 8-Milliarden-Parameter-Modell. Einfach deshalb, weil dies das beste Modell war, das Ende 2024 verfügbar war, als die Arbeiten begonnen haben.

Seitdem sind andere erschienen, die hervorragend sind. Es gibt eine Gruppe namens Liquid.AI, die kleine Modelle entwickelt hat, die speziell auf den Anwendungsfall der Datenextraktion zugeschnitten sind. Die haben sie auf rund 3 Milliarden Parameter heruntergebracht. Es ist erstaunlich, wie gering die Hardwareanforderungen inzwischen geworden sind. Und wenn Sie bei einem bewährten Ansatz bleiben wollen: Llama 3.1-8B Instruct funktioniert für diesen Anwendungsfall ebenfalls sehr, sehr gut, obwohl Sie sich die Nutzungsbedingungen sehr genau anschauen müssen, bevor Sie dieses Modell in Ihrem eigenen Kontext einsetzen.
Hilft das?

Hall, Dawn 22:13
Klingt für mich gut. Wir haben tatsächlich noch eine zweite Anschlussfrage: Mich würde interessieren, wie Sie das JSON-Schema auf Token-Ebene bei der Generierung durchsetzen.

Turner, Joshua 22:13
Ausgezeichnet.
OK, der einfachste Weg heute ist der, dass dies direkt in Georgi Gerganovs Bibliothek integriert wurde. Wenn Sie den Token-Completion-Aufruf oder die Chat-Completion-Methode verwenden, die Sie in den meisten Bibliotheken finden, gibt es ein Element, das Sie übergeben können, das „schema“ heißt. Sie übergeben dann ein Set von Einschränkungen im JSON-Schema-Format, und die Bibliothek übersetzt dieses Schema automatisch in BNF und wendet es für Sie an. Das macht die Sache heute wesentlich einfacher. Wenn es hilft, Dawn, kann ich einen Link in den Chat stellen.

Hall, Dawn 22:59
Gerne, ich würde vorschlagen, dass du den Link im Q&A-Bereich teilst. Und ja, wir gehen jetzt zur zweiten Problemstellung über und machen weiter. Ich sehe, dass es eine weitere Frage im Chat zum Thema Gesundheitsdaten gibt, aber die heben wir uns für das Ende auf. Wir wollten nur sicherstellen, dass Josh noch Zeit hat, denn leider muss er gleich los.

Turner, Joshua 22:59
Fantastisch.
Oh, das ist noch besser. Ja, sehr gut.

Hall, Dawn 23:17
Vielen Dank, dass du heute hier warst, Josh. Wir wissen das wirklich sehr zu schätzen, und wir machen weiter mit Problemstellung 2. Als Nächstes freue ich mich, Anna Logie, Legislative Counsel bei Justice Canada, begrüßen zu dürfen. Anna wird über Problemstellung 2 sprechen. An dich, Anna.

Logie, Anna 23:40
Vielen Dank. Es ist schön, heute hier zu sein. Ich spreche heute in meinem eigenen Namen und nicht im Namen meines Ministeriums. Die zweite Problemstellung lautet, dass der öffentliche Dienst mit vielen Gesetzen, Richtlinien und Verordnungen arbeitet, die sowohl für Klientinnen als auch für Beschäftigte schwer zu durchschauen sind.

Wie bereits in der Auftaktveranstaltung am Montag erwähnt, stellen das Volumen und die Komplexität der Regeln eine erhebliche Herausforderung sowohl für die Beschäftigten im öffentlichen Dienst dar, die mit diesen Regeln arbeiten, als auch für die Bürgerinnen, die verstehen wollen, wie die Regeln auf ihre eigene Situation angewendet werden. Es ist zu erwarten, dass die gesetzlichen, regulatorischen und politischen Änderungen sowohl im Umfang als auch im Tempo weiter zunehmen werden. Die Ressourcen, die zur Verfügung stehen, um diese Änderungen zu bewältigen, werden jedoch voraussichtlich in etwa gleich bleiben. Das kann zu unerwünschten Ergebnissen führen, etwa Verzögerungen, uneinheitlicher Anwendung von Regeln oder unbeabsichtigter Nicht-Einhaltung, weil Regeln falsch verstanden werden.

In dieser Challenge besteht Ihre Aufgabe darin, eine Lösung zu entwerfen, die die Auslegung und Anwendung von Regeln vereinfacht, um Konsistenz und Compliance zu erhöhen und die kognitive Belastung für Beschäftigte zu verringern. Das Ziel ist, das Verständnis der anwendbaren Regeln zu erleichtern, sodass sie einheitlicher angewendet und leichter eingehalten werden.

Ein Beispiel für ein solches Werkzeug könnte ein prädiktives Tool sein, das die relevanten Gesetze und Verordnungen identifiziert, die sich auf ein Programm oder eine Leistungsanfrage auswirken. Ein solches Tool könnte einer Person helfen, die eine Leistung oder einen Service beantragt, die relevanten Rechtsvorschriften für ihren Antrag zu finden. Ein anderes Beispiel könnte ein neurosymbolisches oder hybrides KI-Werkzeug sein, das zum Beispiel einen nachvollziehbaren Entscheidungsbaum nutzt, um die Regeln und ihre Anwendung in einfacher Sprache zu erklären. Das sind nur Beispiele, und Ihre Lösung kann ganz anders aussehen.

Ein wichtiger Punkt ist hier die Bedeutung von Genauigkeit und Erklärbarkeit, die grundlegende Werte des Rechtsstaatsprinzips sind. Ein Tool, das von Verzerrungen oder irrelevanten Faktoren beeinflusst wird oder relevante Faktoren auslässt oder auf einem undurchsichtigen, „Black-Box“-Prozess beruht, wird im Allgemeinen risikoreicher und weniger einsatzfähig sein als ein Tool, das genaue, konsistente und erklärbare Ergebnisse liefert. Auf den letzten Folien sehen Sie Beispieldaten aus einer Reihe verschiedener Länder. In Kanada beispielsweise stellt die Website Justice Laws eine offizielle konsolidierte – also aktualisierte – Version der Bundesgesetze und -verordnungen bereit. Diese Informationen werden auch als offener XML-Datensatz bereitgestellt. Sie sehen dort auch Beispieldaten aus mehreren anderen G7-Ländern. Sie können alle bereitgestellten Beispieldaten verwenden, wenn Sie das möchten. Vielen Dank für Ihre Teilnahme und viel Erfolg.

Hall, Dawn 26:21
Wunderbar. Vielen Dank, Anna. Das war ein großartiger Überblick über die Problemstellung, mögliche Lösungsansätze und die Beispieldaten. Ich freue mich nun, Liam erneut zu begrüßen, der über einige der Daten sprechen wird, die im Vereinigten Königreich für Problemstellung 2 bereitgestellt wurden. Wieder an dich, Liam.

Wilkinson, Liam 26:41
Hallo, da bin ich wieder. Schön, Sie alle wiederzusehen. Ich zeige Ihnen jetzt etwas, das sich noch in einer frühen Zugangsphase befindet und noch nicht in großem Umfang für die Öffentlichkeit freigegeben wurde. Es handelt sich um einen neuen Datensatz, den wir veröffentlicht haben, der die gesamte Gesetzgebung der britischen Regierung umfasst.
Zurück bis ins Jahr 1267, was, glaube ich, in der Nähe der Magna Carta liegt. Es handelt sich also um die gesamte Gesetzgebungsgeschichte des Vereinigten Königreichs, und sie ist jetzt als API verfügbar und außerdem als MCP-Server.

Um Sie zu erden, das hier ist legislation.gov.uk, der britische Dienst, der dem für Kanada beschriebenen Pendant entspricht. Hier finden Sie unsere gesamte Gesetzgebung bis 1267, wie Sie sehen, aber diese Informationen umfassen auch eine Menge alter gescannter PDFs.

Viktorianische Gesetze, handschriftliche Änderungsanmerkungen zu Texten aus dem Mittelalter, aber auch ein Netz von Verweisen, das zeigt, wie alle diese unterschiedlichen Gesetzestexte miteinander verknüpft sind. Und ich freue mich sagen zu können, dass Sie all das nicht selbst scrapen müssen.

Denn wir haben jetzt eine neue API namens Lex-API veröffentlicht. Sie können diese direkt über ein REST-API-Endpoint ansprechen, aber auch über eine MCP-Schnittstelle nutzen.
Um Ihnen zu zeigen, wie das in der Praxis aussieht: Wir können das in ein Standardwerkzeug wie Claude Desktop oder Microsoft Copilot einbinden. Hier habe ich eine eher breite Frage gestellt, etwa „Wie ist der Datenschutz im britischen Recht geregelt?

Und wir sehen eine Reihe von Schritten, in denen ein Agent im Hintergrund verschiedene Datenschutzgesetze und -verordnungen abfragt und anschließend eine begründete Antwort mit Quellenverweisen gibt.

Das ist ein MCP-Server, den Sie im Rahmen des Hackathons frei nutzen können – und hoffentlich auch darüber hinaus. Der gesamte Code ist Open Source, wenn Sie lernen möchten, wie wir ihn gebaut haben, und Sie finden dort auch den direkten Link zur API, falls Sie diese nutzen möchten.

Der gesamte Code ist also sehr offen, und ein wichtiger Aspekt dieses Datensatzes ist, dass wir alle Querverweise zwischen den Gesetzen abgebildet haben. Wir können hier zum Beispiel in 2025 sehen, dass ein Großteil unserer modernen Gesetzgebung immer noch Gesetze aus dem 18. Jahrhundert ändert. KI dafür zu nutzen, Menschen dabei zu helfen, herauszufinden, welche Gesetzgebung geändert werden müsste, wenn wir neue Politik einführen möchten, ist für uns im Vereinigten Königreich heute ein äußerst spannender Anwendungsfall.

Ja, diese Ressource ist frei verfügbar und kann im Rahmen Ihrer Lösung genutzt werden, wenn Sie das möchten. Es gibt auch entsprechende XML- und Dataprodukte für die Gesetzgebungsorgane aller anderen G7-Staaten. Vielen Dank für Ihre Zeit.

Hall, Dawn 29:49
Großartig. Nochmals vielen Dank, Liam. Es ist wirklich spannend, dass hier so etwas wie ein früher Zugang besteht. Vielen Dank dafür. Wir arbeiten im Moment daran, das auf unsere Website zu stellen. Hoffentlich wird es in den nächsten ein, zwei Tagen verfügbar sein – wir haben es bereits an unser Team weitergegeben. Behalten Sie das also im Blick, es wird bald erscheinen.
Machen wir weiter. Ach ja, und Liam hat den Link auch in den Chat gestellt, und wir werden sicherstellen, dass er in der Q&A-Sektion landet. Vielen Dank.
Als Nächstes widmen wir uns unserer dritten Problemstellung, und wir haben auch zwei Vortragende dafür.

Wir beginnen mit Major Mohsin Bhatti, Liaison Officer der Canadian Armed Forces und Policy Analyst beim Department of National Defence und im Canadian Armed Forces AI Centre. Major Bhatti wird über die Problemstellung sprechen, also übergebe ich an Sie.


Bhatti, Major Mohsin 30:41
Guten Morgen. Ich bin Major Mohsin Bhatti. Ich bin der Liaison Officer am DND CAF AI Center. Die Problemstellung, die mir gegeben wurde, lautet: Regierungen haben viele, oft sehr komplexe Prozesse, und es kann schwierig sein, künftige Bedürfnisse genau vorherzusagen und Ressourcen effizient zuzuweisen. Das überrascht niemanden. Wenn wir von Regierung sprechen, reden wir über Gesundheitswesen, Verkehr, Infrastruktur und soziale Dienste, Verteidigung und Katastrophen- bzw. Notfallmanagement, die oft alle miteinander interagieren – und das bei sehr langen Vorlaufzeiten für Planung und Investitionen. In so einem Umfeld ist es im Allgemeinen schwer, wirklich schwer vorherzusagen, was wir brauchen werden, wo wir es brauchen werden und wann die Nachfrage auftritt, denn die Nachfrage kann sich schneller ändern als unser Planungszyklus. Hier kann KI uns helfen, auf Basis der verfügbaren Daten, der Klimadaten, der Bevölkerungsverschiebungen, der neuen aufkommenden Risiken usw. Vorhersagen zu treffen. Das Ergebnis ist uns allen wieder sehr vertraut: Manchmal weisen wir Ressourcen den Bereichen zu, in denen sie nicht besonders dringend gebraucht werden, und entziehen Ressourcen, Geld und Werkzeuge den Bereichen, die häufig stark unter Druck stehen.

Ähnlich ist es auch im Verteidigungskontext. Da geht es nicht nur um Effizienz, sondern auch um Einsatzbereitschaft, Resilienz und Notfallmanagement – und letztlich um das Vertrauen der Öffentlichkeit, das die Kanadier in uns als Angehörige des Berufsstands der Streitkräfte setzen. Genau das schauen wir uns im AI Center an, das erwähne ich hier ganz unverblümt, weil ich eben im AI Center arbeite: Wie können wir Daten und Künstliche Intelligenz nutzen, um von einer reaktiven zu einer proaktiven Haltung überzugehen? Die Problemstellung ist hier sehr einfach formuliert, aber in der Praxis sehr schwierig umzusetzen, insbesondere wenn wir daran denken, zukünftige Bedürfnisse und Ressourcenallokationen vorherzusagen, Verschwendung zu reduzieren und bessere Dienstleistungen bereitzustellen, indem wir Menschen, Geld und Werkzeuge dort verfügbar machen, wo und wann sie gebraucht werden.

Ich gebe Ihnen dazu ein Beispiel aus dem Bereich Infrastruktur, Bevölkerung und Umwelt. Stellen Sie sich vor, wir führen Daten über den Zustand von Straßen, Brücken, Gebäuden und Stützpunkten zusammen, Wartungshistorien, Klimaprojektionen und die erwartete Bevölkerungsentwicklung in verschiedenen Regionen. Ein KI-Modell kann Muster in diesen Daten erkennen und einschätzen, welche Anlagen voraussichtlich früher ausfallen werden, wo die Nachfrage oder die Infrastruktur wachsen wird und wo die Klimaauswirkungen am gravierendsten sein werden. Das bedeutet, dass wir nicht warten müssen, bis etwas kaputtgeht und wir dann in Eile eine Finanzierung organisieren müssen, sondern Investitionen proaktiv priorisieren können. Wir können zum Beispiel eine Liste der zehn kritischsten Anlagen erstellen, die wir in den nächsten fünf bis zehn Jahren angehen sollten, um Risiken zu reduzieren und das Leistungsniveau der Dienstleistungen aufrechtzuerhalten.

Für DND/CAF könnte das bedeuten, Investitionen in Hangars, Piers, Übungsgebiete und moderne Infrastruktur zu priorisieren, die kritische Operationen unterstützen. Es könnte sichtbar machen, wo der Klimawandel Start- und Landebahnen, Straßen, abgelegene Einrichtungen und Infrastrukturen rund um Stützpunkte beeinträchtigen wird, die unsere Angehörigen und ihre Familien unterstützen. Die Finanzierungsentscheidungen können dann mit diesen Erkenntnissen in Einklang gebracht werden. Jeder Dollar leistet damit die größtmögliche Arbeit in Bezug auf Risikoreduzierung und Einsatzbereitschaft.

Um das alles zusammenzuführen: Für DND/CAF besteht unsere Herausforderung über das AI Defence Center darin, KI-gestützte Lösungen so zu entwickeln und umzusetzen, dass sie Verschwendung verringern, Dienstleistungen verbessern und die Einsatzbereitschaft stärken – und zwar unter Wahrung der Werte, der Ethik und des Vertrauens, die im öffentlichen Dienst und im Berufsstand der Streitkräfte zentral sind. Vielen Dank. Und ich gebe zurück an Dawn.

Hall, Dawn 36:03
Super. Vielen Dank, Major Bhatti, das war sehr, sehr interessant. Ich weiß den ganzen Kontext, den Sie aus Ihrer eigenen Erfahrung mitgebracht haben, wirklich zu schätzen. Das ist großartig.

Ich gebe nun das Wort an Laurent Martel, den Direktor des Centre for Demography bei Statistics Canada. Laurent wird über einige der Beispieldaten sprechen, die für diese Problemstellung bereitgestellt wurden, insbesondere die Volkszählungsdaten in Kanada. Bitte beachten Sie, dass es zusätzlich zu diesen Daten noch weitere Daten auf der Folie und auf der Website gibt. An dich, Laurent.

Martel, Laurent 36:34
Ja, vielen Dank, Dawn. Guten Morgen zusammen. Ich möchte mich auch bei Jonathan, Mark und den anderen Kolleg*innen dafür bedanken, dass ich heute über den kanadischen Zensus sprechen darf – der im Grunde die größte, oder eine der größten Aktivitäten ist, die in Friedenszeiten in diesem Land durchgeführt werden. Es ist eine wirklich anspruchsvolle Aufgabe, alle Kanadierinnen und Kanadier beziehungsweise alle Menschen, die in Kanada leben, zu erfassen, und der nächste Zensus wird 2026 stattfinden. Nur als Erinnerung für alle: Er ist im Mai 2026. Stellen Sie sicher, dass Sie den Zensus natürlich ausfüllen.

Kanada hat eine lange Tradition von Volkszählungen. Wir führen Zensen seit den allerersten Tagen durch. Das geht zurück auf Neu-Frankreich unter Jean Talon im Jahr 1666, und derzeit wird der Zensus alle fünf Jahre durchgeführt – in Jahren, die auf 1 oder 6 enden. Also 2021, 2026, 2031 usw. Das ist der aktuelle Rhythmus. Ich möchte alle daran erinnern, dass der Zensus eine Momentaufnahme der kanadischen Bevölkerung zu einem ganz bestimmten Zeitpunkt liefert. Viele Gesetze im Land beziehen sich auf den kanadischen Zensus und die Daten, die aus ihm hervorgehen. Der große, große Vorteil – und darauf möchte ich besonders hinweisen – des Bevölkerungszensus besteht darin, dass er sehr verlässliche Daten auf lokaler Ebene für Gemeinden im ganzen Land liefern kann. Das ist der Mehrwert eines Zensus.

Wir bei Statistics Canada können auf unserer Website zahlreiche Datentabellen für alle Gemeinden im ganzen Land bereitstellen. Das reicht von Stadtvierteln in den größten Städten bis hin zu Reservaten, zum Beispiel. Der Zensus umfasst auch Kollektivunterkünfte. Es ist also wirklich eine umfassende Erfassung der Bevölkerung Kanadas – behalten Sie das im Hinterkopf. Wie gesagt, es ist sehr anspruchsvoll, die Bevölkerung in einem so großen und zugleich so vielfältigen Territorium zu erfassen.

Es gibt viele, viele Aktivitäten, die stattfinden müssen, um den Zensus zu organisieren. Der Zensuszyklus erstreckt sich tatsächlich über einen Zeitraum von sieben Jahren. Er beginnt mit der inhaltlichen Konsultation und Festlegung der Inhalte,
geht weiter mit der Entwicklung von Systemen und Prozessen. Wir müssen Personal einstellen, wenn wir den Zensus durchführen; es gibt Feldaktivitäten, die bald starten werden, zum Beispiel der Versand und die Verteilung von Fragebögen in mehreren Sprachen.

Nach der Datenerhebung gibt es Maßnahmen zur Nachverfolgung von Nichtantworten. Es gibt Bearbeitung und Imputation der Daten, natürlich eine Qualitätsbewertung. Anschließend verbreiten wir die Daten – das wird 2027 geschehen, wenn wir die Ergebnisse des kanadischen Zensus für alle Kanadierinnen und Kanadier veröffentlichen. Und natürlich gibt es viele Referenzdokumente, die mit diesen veröffentlichten Daten verbunden sind. Es handelt sich um ein sehr großes Unterfangen, und in den letzten zehn Jahren haben wir unsere Methoden zur Durchführung des Zensus aktualisiert. Wir verwenden beispielsweise deutlich mehr als früher Verwaltungsdaten, wenn möglich, um die Belastung für die Antwortenden zu verringern. Ich nenne zwei Beispiele für Verwaltungsdaten, die im Zensus verwendet werden.

Wir nutzen Daten der CRA, also der Canada Revenue Agency, um die Einkommen der Kanadier*innen im Kontext des Zensus zu erfassen. Wir verwenden außerdem Daten von IRCC – Immigration, Refugees and Citizenship Canada – für den Migrationsstatus. Wir stellen also keine Fragen mehr zum Migrationsstatus, sondern beziehen diese Information direkt aus den Verwaltungsdaten von IRCC. Wir aktualisieren selbstverständlich auch all unsere Prozesse, wann immer möglich, um die neuen Werkzeuge zu nutzen, die uns zur Verfügung stehen – etwa Machine Learning, KI natürlich. Auch Automatisierung wird stärker genutzt als je zuvor. Wir haben zum Beispiel vor einigen Jahren begonnen, Machine Learning einzusetzen, und es wird ganz sicher im Bereich Kodierung und auch für andere Tätigkeiten verwendet, zum Beispiel wenn wir die Daten prüfen und validieren und herausfinden wollen, ob es Ausreißer in den erhobenen Daten gibt. Die Identifizierung von Ausreißern kann durch diese neuen Werkzeuge verbessert werden, und das ist ganz sicher etwas, was Statistics Canada tut.

Wir setzen diese neuen Werkzeuge auch ein, wenn es wiederkehrende Aufgaben gibt – zum Beispiel, wenn wir Antworten sammeln müssen, die von Kanadier*innen handschriftlich in den Zensusfragebogen eingetragen wurden. Hier verwenden wir viele dieser neuen Instrumente, um die Datenverarbeitung dieser frei eingetragenen Antworten zu beschleunigen. Ich möchte meine kurze Vorstellung des Zensus und der Frage, wie wir diese neuen Instrumente nutzen können, damit abschließen, dass wir tatsächlich daran arbeiten, mehr KI für Analysen einzusetzen und uns mittelfristig auch dabei helfen zu lassen, Pressemitteilungen zu verfassen, mit denen wir die Daten und Analysen der Bevölkerung 2027 zur Verfügung stellen werden, wie bereits gesagt. Und denken Sie immer daran, dass der Zensus auch die Grundlage für viele andere Statistikprogramme bei Statistics Canada bildet. Ein Beispiel ist das Programm für Bevölkerungsprognosen. Wir nutzen viele Zensusdaten, um Projektionen für die Zukunft zu erstellen, und diese Projektionen werden von sehr vielen Ministerien für ihre Planungsarbeiten verwendet – etwa zur Planung der Infrastruktur, die künftig benötigt wird, oder für die Umsetzung von Programmen. Die Bevölkerungsprognosen sind also im Grunde – wie andere Statistikprogramme auch – sehr stark von den Zensusdaten abhängig, die wir veröffentlichen. Damit höre ich auf, Dawn, und schaue, ob es Fragen gibt.

Hall, Dawn 43:05
Super. Vielen Dank, Laurent, und noch einmal Danke an Major Bhatti. Sehr interessante Informationen zu unserer dritten Problemstellung. Wir machen weiter mit Problemstellung 4 und für diese letzte Problemstellung freue ich mich, Natasha D’Souza vom Office of the Chief Information Officer beim Treasury Board of Canada Secretariat sowie Shane Tompkins vom Expenditure Management Sector, ebenfalls hier beim Treasury Board of Canada Secretariat, begrüßen zu dürfen. Ich übergebe an Natasha.

DSouza, Natasha 43:37
Vielen Dank, Dawn, und vielen Dank für die Gelegenheit, heute hier zu sein. Hallo zusammen. Wie Dawn erwähnt hat, sind Shane und ich heute vom Treasury Board of Canada Secretariat hier, um einige Informationen zu Datenbeständen über Programme und Dienstleistungen der Regierung von Kanada mit Ihnen zu teilen, die Ihnen dabei helfen könnten, eine Lösung für das Problem zu entwickeln, dass Klient*innen sehr unterschiedliche Kommunikationsbedürfnisse haben und Interaktionen mit der Regierung schwierig, frustrierend sein können und bestehende Barrieren verstärken.

Ihre Aufgabe wäre es also, eine Lösung zu entwerfen, die mit Menschen auf eine Weise kommuniziert, die für eine Vielzahl von Sprachen, Kulturen und/oder Fähigkeiten zugänglich ist. Das könnte zum Beispiel ein Tool sein, das Informationen, die von einer Klientin oder einem Klienten bereitgestellt wurden, aufnimmt und überprüft, oder vielleicht ein Tool, das dabei hilft, relevante Informationen zusammenzutragen, um Formulare auszufüllen oder sich auf ein Gespräch mit Regierungsvertreter*innen vorzubereiten.

Bevor wir beginnen, möchte ich erwähnen, dass Kanada ein föderales Regierungssystem mit drei Ebenen hat: der föderalen Ebene, der provinziellen bzw. territorialen Ebene und der kommunalen Ebene. Jede Ebene erbringt Dienstleistungen für die Bevölkerung, und die Informationen, die Shane und ich heute teilen, betreffen die föderale Ebene – also Programme und Dienstleistungen der Regierung von Kanada.

Die Bundesregierung erbringt über 1.500 Dienstleistungen für die Öffentlichkeit – von Pässen und Arbeitslosenversicherung über Grenz- und Einwanderungsdienste bis hin zu Unternehmensförderung, Reise- und Gesundheitsberatung und sogar Wettervorhersagen. Diese Dienstleistungen werden über mehr als 70 Ressorts und Behörden erbracht, die sich stark in ihrem Mandat, ihrer Größe und ihrer Klientel unterscheiden. Die Service Inventory der Regierung von Kanada ist einer der beiden Datensätze, über die wir heute sprechen werden.

Sie wurde geschaffen, um Transparenz hinsichtlich dieser Dienstleistungen zu schaffen, die die Bundesregierung für Einzelpersonen, Unternehmen und sogar andere Regierungsstellen erbringt. Der Datensatz ist im Canadian Open Government Portal verfügbar und wird jährlich zwischen September und Dezember aktualisiert. Wenn Sie dem Link jetzt folgen, kann es sein, dass für das aktuellste Jahr – 2024/25 – nur teilweise Informationen vorhanden sind.

Die Service Inventory besteht aus zwei Dateien. Die erste enthält grundlegende Informationen zur Identifizierung von Dienstleistungen, und die zweite enthält Informationen über die Leistung im Hinblick auf Servicestandards. Insgesamt ist die Service Inventory also ein standardisierter Datensatz über Dienstleistungen der Regierung von Kanada, der Informationen zu Volumina pro Kanal, Online-Verfügbarkeit, Dienstleistungstypen und -empfänger*innen sowie zur Einhaltung von Servicestandards enthält. Wie bei jedem Datensatz gibt es allerdings einige Dinge zu beachten, wenn Sie diese Daten nutzen.

Erstens beschreibt die Service Inventory Regierungsleistungen häufig aus der Perspektive der Verwaltung. Sie bildet also nicht immer ab, wie eine Klientin oder ein Klient die Leistungen tatsächlich erlebt oder an welchen Stellen in einem Prozess Schwierigkeiten auftreten. Sie enthält zwar Informationen zu Methoden zur Erfassung von Klientenzufriedenheit oder Feedback, aber keine Kennzahlen wie Zufriedenheitswerte. Und in manchen Fällen bedeutet die Art der Dienstleistung, dass bestimmte Felder in der Inventory auf diese Leistung gar nicht anwendbar sind. Beispielsweise würden im Fall von Justizvollzugsdiensten, die ausschließlich persönlich erbracht werden, voraussichtlich keine Daten zum Online-Antragskanal vorliegen.

Gerade beim Antragskanal empfehlen wir daher eine breite Interpretation dessen, was wir mit „application“ meinen, denn nicht alle Dienstleistungen erfordern einen Antrag, um in Anspruch genommen zu werden. Denken Sie eher an die gesamten Volumina für die jeweilige Leistung.

Ein weiterer Punkt ist, dass zusätzliche Komplexität entsteht, wenn eine Dienstleistung eine gemeinsame Verantwortung mehrerer Ressorts ist. Das kanadische Passprogramm und das Canadian Dental Care Program liegen zum Beispiel in der Verantwortung eines Ressorts, werden aber vollständig oder teilweise von einem anderen Ressort verwaltet. Das führt zu zwei separaten Einträgen für dieselbe Dienstleistung. In anderen Fällen umfasst ein Eintrag eine Dienstleistung von Anfang bis Ende – etwa die Arbeitslosenversicherung, die sowohl das Callcenter als auch die Verwaltung der Leistung beinhaltet.

Für diese Challenge würde ich Sie ermutigen, die Service Inventory der Regierung von Kanada zu nutzen, um sich mit der Service-Landschaft der Regierung vertraut zu machen. Dabei würde ich empfehlen, sich auf Daten für das Haushaltsjahr 23/24 zu konzentrieren, das das aktuellste und vollständigste Jahr ist, das uns vorliegt.
Konzentrieren Sie sich auf Leistungen, die für Klient*innen erbracht werden, bei denen der Service Scope beispielsweise das Wort „external“ enthält und bei denen die Gesamtzahl der Anträge größer als 0 ist. Und Sie können die jeweilige Service-Website besuchen, die in der Service Identification Dataset in der Regel angegeben ist, um bei Bedarf mehr über einzelne Dienstleistungen zu erfahren.

Und noch ein letzter Punkt: Die Servicedaten verlangen auch, dass eine Verknüpfung zu Programminformationen hergestellt wird. Sie finden also im Service Inventory den Programmnamen, der Ihnen dabei helfen kann, ein besseres Verständnis der Dienstleistung zu entwickeln.

Damit übergebe ich jetzt an Shane, der mehr zu den Programmen sagen wird. Shane, an dich.

Tompkins, Shane 48:55
Vielen Dank, Natasha. Die Program Inventory-Daten würde ich als Ergänzung zu dieser Initiative und zu den Service Inventory-Daten sehen, über die Natasha gesprochen hat. Sie zeigen in größerem Maßstab, wie staatliche Ressourcen und Ergebnisse hinter den Dienstleistungen strukturiert sind, mit denen die Menschen in Kontakt kommen.

Das kann helfen, Fragen zu beantworten, wie die Regierung von Kanada – also die Bundesebene – über ein vollständiges Set von Programmen, Finanzierungen und die Arbeit der Vollzeitäquivalente (FTEs) in diesen Programmen organisiert ist und wie diese Programme mit den Kernverantwortlichkeiten und Zielen der einzelnen Ressorts verknüpft sind – alles im Rahmen der Treasury Board Policy on Results.

Sie können sich diese Informationen anschaulicher in GC InfoBase ansehen, einer der am längsten laufenden öffentlichen Datenvisualisierungsplattformen der Regierung von Kanada. Sie können die Program Inventory-Datensätze aber auch auf der GC InfoBase Open Data-Seite herunterladen. Sie umfassen geplante und tatsächliche Ressourcen, Ausgaben in FTEs und Leistungen im Zeitverlauf in einer konsistenten, regierungsweiten Struktur.

Während die Service Inventory den unmittelbaren Fokus stärker auf Interaktionen an der „Frontline“ legt, können die Program Inventory-Daten dabei helfen, die Landschaft besser zu verstehen – also wie Programme ausgestattet sind und wie diese Ressourcen mit Ergebnissen verknüpft sind.

Die Programm-IDs und -namen sind im Service Inventory-Datensatz enthalten und ermöglichen es Ihnen, die von Natasha erwähnten Dienstleistungen mit dem Program Inventory-Datensatz im Open Government Portal zu verknüpfen. Wenn Sie also im Service Inventory auf das Haushaltsjahr 23/24 filtern, sollten Sie dies natürlich auch für den Program Inventory-Datensatz tun. Hoffentlich ist das ein guter ergänzender Datensatz für Sie – neben den Service Inventory-Daten, die potenziell hilfreich für Sie sind.

Damit gebe ich zurück an Dawn.

Hall, Dawn 50:58
Super. Vielen Dank, Natasha und Shane. Ich weiß das Update wirklich zu schätzen, und wir gehen weiter zur nächsten Folie, die die letzte Präsentation dieses Veranstaltungsteils ist. Ich übergebe jetzt an Damian Laverty vom Open-Government-Team hier beim Treasury Board of Canada Secretariat. Damian wird über das Open Government Portal sprechen, und auch wenn er über den kanadischen Kontext spricht, verfügen viele andere G7-Regierungen ebenfalls über solche Open-Government-Portale. Damit an dich, Damian.

Laverty, Damian 51:32
Vielen Dank, Dawn, und guten Morgen beziehungsweise guten Nachmittag an alle, je nachdem, von wo Sie sich zuschalten. Ich werde uns hier in aller Kürze auf einer sehr hohen Ebene einen Überblick über unser Open Government Portal geben, das Sie unter open.canada.ca finden.

Im Kern geht es darum, die proaktive und kontinuierliche Veröffentlichung von Regierungsdaten und -informationen zu ermöglichen. Das bedeutet zwei Dinge: Es kann sich um alles handeln, was wir gesetzlich der Öffentlichkeit gegenüber offenlegen müssen, und/oder um Informationen, von denen wir annehmen, dass sie für Bürger*innen oder die Wissenschaft von Wert sein könnten. Nächste Folie, bitte.

Noch einmal auf sehr hoher Ebene: Das Open Government Portal wurde 2011 als zentrale Art „Ablage“ für offene Daten und Informationen gestartet. Seitdem ist es die vorgeschriebene Plattform für alle Informationen geworden, die nach Teil 2 unseres Access to Information Act proaktiv veröffentlicht werden müssen.

Es ist interessant: Wir haben diese riesige Website, die alle besuchen und deren Daten nutzen können – sie dient uns einerseits als Werkzeug, um Dinge zu kommunizieren, die wir für wertvoll für die Öffentlichkeit halten. Andererseits ist sie unsere vorgeschriebene Plattform, über die alle Institutionen an einem zentralen Ort das veröffentlichen, was gesetzlich proaktiv offengelegt werden muss, etwa Informationen zu Verträgen, Reiseausgaben, Bewirtung, Zuschüssen und Beiträgen und ähnliche Dinge.

Wir haben derzeit über 45.000 Publikationen von mehr als 170 Bundesinstitutionen sowie aktuell 11 Provinzen und Territorien. Im Durchschnitt verzeichnen wir über 300.000 Besuche pro Monat – und das ganz ohne Werbung. Wir versuchen nicht, den Traffic mit Werbekampagnen künstlich zu steigern. Vielleicht ist die beeindruckendste Zahl die, dass wir vor Kurzem die Marke von 3 Millionen einzelnen Einträgen für proaktive Veröffentlichungen überschritten haben. Das ist enorm. Es sind drei Millionen Dinge, die für alle Menschen weltweit offengelegt wurden – im Bemühen, in allem, was wir als Regierung tun, transparent zu sein.

Alles, was auf dem Open Government Portal veröffentlicht wird, unterliegt außerdem der uneingeschränkten Open Government Licence, sodass diese Informationen für jeden Zweck wiederverwendet werden können. Sie könnten damit ein Unternehmen gründen, eine Schülerin oder ein Schüler könnte sie für ein Schulprojekt nutzen, um zusätzliche Informationen zu bekommen oder einfach etwas dazuzulernen. Es gibt keine Einschränkungen. Nächste Folie, bitte.

Die Nutzung des Portals ist ziemlich unkompliziert. Auf der Startseite ist es in „Open Information and Data“, „Government Spending and Operations“ – das ist unser Bereich für proaktive Veröffentlichungen – und dann in „Previously Released Access to Information Summaries“ aufgeteilt.

Sobald Sie in die Suche einsteigen, also in die Suche des Portals selbst, sehen Sie, dass es viele Möglichkeiten gibt, Daten über Filter zu konsumieren. Sie können nach Organisation oder Veröffentlichungstyp filtern, Sie können spezifische Suchanfragen formulieren – dabei sollten Sie natürlich auf Ihre ANDs, ORs und NOTs in den Suchbegriffen achten.

Prüfen Sie die veröffentlichende Institution – das ist wirklich wichtig, denn das Portal besitzt keine dieser Daten, und auch das Treasury Board nicht. Wir stellen lediglich das Vehikel bereit, über das dies kommuniziert wird, und sorgen für einen zentralen Ort, an dem alle diese Informationen abrufen können. Wenn es also Fragen zu bestimmten Daten gibt, wenden Sie sich am besten immer direkt an die jeweiligen Institutionen, denn sie sind die Dateneigentümer.

Und noch einmal zur Sortierung: Sie können bis ins Jahr 2011 zurückgehen. Ich möchte – auch wenn es für einige offensichtlich ist – betonen, dass neuere Daten in der Regel besser und leichter nutzbar sind. Da sich Prioritäten verschieben, konzentrieren wir unsere Energie darauf, Daten nicht nur transparenter, sondern auch nutzbarer und standardisierter zu machen. Wir suchen derzeit aktiv nach Möglichkeiten, ältere Datensätze zu finden, in denen zum Beispiel noch keine Standardisierung genutzt wurde, die heute relativ selbstverständlich wäre – etwa bei Datums-, Zeit- oder Ortsformaten, um all unsere Daten besser maschinenlesbar zu machen. Nächste Folie, bitte.

Ohne hier zu technisch zu werden: Das Portal läuft auf Open Source. Wir nutzen CKAN in Verbindung mit Drupal, einer SQL-Datenbank und Solr. In den Unterlagen finden Sie Links, über die Sie sich das bei Interesse genauer ansehen können.

Ich möchte außerdem alle dazu ermutigen, sich am unteren Ende unserer Open Government Portal-Seite – again open.canada.ca – den Link dazu anzusehen, wie man Daten hochlädt, konsumiert und verwendet. Wenn Sie darauf klicken, finden Sie Anleitungen zur Arbeit mit Daten und APIs, insbesondere für diejenigen, die gerade erst in dieses Umfeld einsteigen.

Nächste Folie, bitte.
Ja, das war’s, glaube ich. Vielen Dank an alle, und ich gebe zurück an Dawn. Merci.

Hall, Dawn 56:51
Wunderbar. Vielen Dank, Damien. Und noch einmal ein großes Dankeschön an alle unsere Expert*innen, die heute mit dabei sein konnten, um über ihre Fachgebiete zu sprechen und darüber, wie KI und Daten ihnen helfen können, die großartige laufende Arbeit weiterzuführen.
Ich gebe jetzt an Jonathan.

Macdonald, Jonathan 57:12
Vielen Dank, Dawn. Und vielen Dank an alle. Danke für die Diskussion. Das war großartig – viele Informationen und viel Kontext – und als Nächstes haben wir nun eine weitere Demonstration für Sie, diesmal aus der französischen Regierung. Unser Kollege Nicolas Sévin, ein AI Institutional Relations Officer von der Interministerial Directorate for Digital Affairs, hat eine Demo einiger KI-Werkzeuge vorab aufgezeichnet, die derzeit in der französischen Regierung verwendet werden. Und wir werden uns jetzt ansehen, welche Tools das sind.

Sévin, Nicholas via Kinsman, Alison 57:50
Hallo zusammen, ich hoffe, es geht Ihnen allen gut. Es tut mir leid, dass ich heute nicht live an diesem Call teilnehmen kann. Wie von unseren kanadischen Kolleg*innen gewünscht, habe ich die Präsentation aufgezeichnet, in der ich zwei sich ergänzende Tools vorstelle, die die französische Regierung entwickelt hat – das erste heißt Albert API und das zweite ist der KI-Assistent. Ich werde auf beide Initiativen eingehen.

Bevor ich den interministeriellen KI-Assistenten beschreibe, ist es wichtig, Albert API vorzustellen – das sehen Sie im Moment auf meinem Bildschirm –, denn es bildet eine der zentralen technischen Komponenten. In seiner Open-Source-Version ist es auch als Opengate LLM bekannt.

Es handelt sich um ein vom französischen Staat entwickeltes Werkzeug, das einen einheitlichen, sicheren und souveränen Zugang zu generativen KI-Modellen bereitstellen soll. Praktisch gesprochen dient Albert API als einzelne Einstiegsschnittstelle, über die verschiedene Modelle genutzt werden können.

Diese Modelle können Open-Source-Modelle sein, Modelle mit offenen Gewichten oder auch proprietäre Modelle im Rahmen spezifischer Experimentierumgebungen, auf die ich gleich eingehen werde. Die grundlegende Idee ist, dass der Staat durch diese Zentralisierung einen konsistenten Governance-Rahmen sicherstellen, die Integration vereinfachen und die Nutzung von Rechenressourcen über die Verwaltung hinweg steuern kann.

Eine sehr wichtige Designentscheidung ist die Kompatibilität mit dem OpenAI-API-Standard, was Opengate LLM bzw. Albert API mit einer Vielzahl bestehender Tools und Frameworks interoperabel macht. Dadurch können Teams innerhalb der Verwaltung bestehende Bibliotheken oder Produkte weitgehend wiederverwenden, ohne ihre gesamte Softwarearchitektur neu bauen zu müssen.

Die API unterstützt außerdem erweiterte Funktionalitäten über die reine Textgenerierung hinaus – etwa Retrieval-Augmented Generation, also die Nutzung aktueller Suche, OCR, aber auch Text-zu-Sprache, Sprache-zu-Text, Übersetzung, kontextbezogene Modelle usw. All diese Funktionen ermöglichen es, die API nicht nur für Konversationsoberflächen, sondern auch für Dokumentenverarbeitung, Analyse und domänenspezifische Assistenten zu nutzen.

Abschließend möchte ich erwähnen, dass dieses Tool auf sehr souveränen Infrastrukturen betrieben wird. Aktuell läuft es in einer „Cloud de confiance“, einer qualifizierten Cloud-Umgebung, die vom Privatsektor – Outscale – betrieben wird. Mittelfristig werden die Deployments schrittweise nach Nubo verlagert, die interministerielle Regierungs-Cloud Frankreichs. Damit wird gewährleistet, dass sämtliche Daten, die über Albert API verarbeitet werden, unter Kontrolle des französischen Staates bleiben.

Kurz gesagt – Sie finden bei Bedarf weitere Informationen auf dieser GitHub-Seite, deren Link ich bereitstellen werde, sowie in dieser Dokumentation, in der alle Anwendungsfälle beschrieben sind. Hier haben Sie noch eine weitere Dokumentation. Alle diese Links und Schulungsunterlagen werden verfügbar sein, sodass Sie sie sich selbst ansehen können. Sie sind überwiegend auf Englisch, sodass alle sie nutzen können.

Im Kern stellt die API die technische Grundlage bereit, die es den verschiedenen Verwaltungen ermöglicht, mit generativer KI auf sichere, standardisierte und interoperable Weise zu experimentieren. Sie ist sowohl ein gemeinsamer Vermögenswert als auch ein Enabler für sichtbarere Dienste, die darauf aufbauen – darunter der interministerielle KI-Assistent, den ich jetzt vorstellen werde. Das ist dann mein Teil mit dem Microsoft-Player.

Ich stelle also diesen Assistenten vor, ein Projekt des französischen Staates, das von uns – der Direction du Numérique – koordiniert wird. Sein Zweck ist es, eine gemeinsame, souveräne und wiederverwendbare Basis für generative KI bereitzustellen – ähnlich wie es die API auf technischer Ebene tut, während der Assistent eher die „öffentliche“ Nutzung der KI verkörpert.

Er ist Teil eines umfassenderen staatlichen Bestrebens, öffentliche Dienstleistungen zu modernisieren, gleichzeitig aber die Kontrolle über die Technologien zu behalten, die in hohem Maße zur Verwaltungsarbeit beitragen. Ziel ist es nicht, ein einziges Tool zu schaffen, das allen Verwaltungen aufgezwungen wird, sondern eine gemeinsame Grundlage zu bieten, die Ressorts je nach Bedarf übernehmen, integrieren oder erweitern können.

Diese gemeinsame Basis ist so aufgebaut, dass sie offen, interpretierbar und mit den Sicherheitsanforderungen kompatibel bleibt, die für staatliche Infrastrukturen gelten. Und ich möchte hinzufügen, dass der Assistent im Kern mehr ist als nur diese Chat-Oberfläche, denn er stützt sich auf eine End-to-End-Verarbeitungskette mit mehreren Sprachmodellen, vektorisierten Daten und natürlich den APIs, über die ich gerade gesprochen habe.

Diese Kette ermöglicht es dem Assistenten, sich in bereits bestehende Werkzeuge zu integrieren, insbesondere in die „Suite numérique“, die staatliche digitale Werkzeug-Suite – mit Visualisierungswerkzeugen, Übersetzungstools usw. All das sorgt dafür, dass der KI-Assistent eine Vielzahl administrativer Aufgaben unterstützen kann – etwa Textzusammenfassungen und Dokumentenanalysen.

Wie ich Ihnen zeigen wollte: Wenn ich eine Frage dieser Art eintippe – ich habe vielleicht einen kleinen Tippfehler gemacht, aber ja –, sehen Sie, dass wir eine sehr standardisierte Art der Beantwortung haben. Ich werde das jetzt nicht alles vorlesen, aber Sie sehen, dass die Antwort sehr vollständig ist. Man kann sogar eine der Quellen sehen. Ich glaube, es gibt noch mehr, aber das Ganze ist insgesamt noch in Arbeit.

Das Projekt ist so ausgelegt, dass es dem gesamten interministeriellen Ökosystem dient. Viele Ressorts haben bereits ihre eigenen Lösungen entwickelt. Insofern zielt der Assistent darauf ab, neben diesen Initiativen zu bestehen und sie nicht zu ersetzen. Er bietet vielmehr eine gemeinsame Grundlage für Ressorts, die keine eigene Infrastruktur betreiben möchten, und stellt Bausteine bereit, um einen Wiederverwendungskontext zu unterstützen. Insgesamt wird das Ganze, wie gesagt, von uns – der Direction du Numérique – koordiniert, auch wenn Ressorts in sehr unterschiedlichen Rollen beitragen können, etwa durch Feedback, Pilotnutzer*innen, technische Beiträge und so weiter.

Ein Punkt, den ich erwähnen möchte, ist, dass wir uns derzeit in einer sehr wichtigen Projektphase befinden: der Evaluationsphase. Sie umfasst im Kern eine experimentelle Partnerschaft mit Mistral AI, der – wie Sie vielleicht wissen – französischen KI-„Einhorn“-Firma. Diese Phase kann bis Mitte 2026 andauern. Im Rahmen dieser Zusammenarbeit testet der Staat den Einsatz proprietärer Modelle auf einer gesicherten Infrastruktur – in realistischen Maßstäben. Ziel dieser Erprobung ist es, mehrere Fragen zu beantworten: Welche Modelle sind am besten geeignet? Wie viel Rechenkapazität wird benötigt? Welche Arten von Anwendungsfällen entstehen? usw.

Wir werden also sehr viele Rückmeldungen, Daten und Informationen sammeln, um die Kosten und die Machbarkeit einer möglichen Skalierung auf größere Nutzergruppen zu bewerten. Und wie schon gesagt, auf technischer Ebene stützt sich das Backend auf Albert API bzw. Opengate LLM – wie auch immer wir es nennen wollen – und wird wiederum auf sehr souveränen und sicheren Infrastrukturen betrieben.

Ich komme zum Schluss, weil ich sehe, dass die Zeit recht knapp ist. Zusammenfassend möchte ich noch einmal betonen, dass es sich um eine öffentliche digitale Infrastruktur handelt, die sich noch im Aufbau befindet. Die Evaluationsphase dient dazu, möglichst viel Feedback zu sammeln. Es ist also noch stark „work in progress“. Das System ist dafür gedacht, Verwaltungen zu unterstützen, die generative KI in einem kontrollierten und souveränen Rahmen nutzen möchten. Ich möchte unterstreichen, wie wichtig das kommende Jahr für die Weiterentwicklung dieses Werkzeugs sein wird, da wir unsere gesamte Energie in die Bewertung seiner Nutzung, seiner – wie soll ich sagen – Relevanz stecken werden, also ob und wie es genutzt wird, und wir gemeinsam bestimmen werden, wie es letztlich aussehen und sich entwickeln soll, um öffentliche Verwaltungen bestmöglich zu unterstützen.

Das war’s von meiner Seite. Ich bin per E-Mail erreichbar, falls Sie Fragen haben, und hoffe, dass ich Sie bei einem künftigen Treffen persönlich sehen kann. Vielen Dank.

Hallo zusammen.

Hall, Dawn 1:08:18
Hallo, willkommen zurück. Vielen Dank an Nicolas und ich gebe zurück an Jonathan.

Macdonald, Jonathan 1:08:25
Vielen Dank. Ja, soweit ich weiß, beginnen wir jetzt mit einer Fragerunde. Wenn es also Fragen im Chat oder im Q&A-Bereich dieser Sitzung gibt, können wir darauf eingehen und auf die Expertise unserer Gäste zurückgreifen, um Antworten zu finden. Mark, an dich zur Moderation.

Levene, Mark 1:08:51
Danke, Jonathan. Das ist jetzt, glaube ich, der interaktivere Teil unserer heutigen Präsentation. Wir haben bereits einige Fragen im Q&A-Bereich. Wenn Sie weitere stellen möchten, tun Sie das gerne. Sie können das in einer der beiden Amtssprachen Kanadas tun. Wir beginnen mit ein paar Fragen, die wir bereits haben. Die erste lautet: Gehört der Bereich öffentliche Gesundheit in den Geltungsbereich dieser Challenge?
Vielleicht kannst du anfangen, Dawn.

Hall, Dawn 1:09:18
Klar, auf jeden Fall. Auch wenn keine der Problemstellungen ausdrücklich auf den Bereich öffentliche Gesundheit zugeschnitten ist, kann ich mir sehr gut vorstellen, dass Public Health im Rahmen dieser Challenge eine Rolle spielen kann. Regierungen stellen zum Beispiel sehr wichtige Gesundheitsinformationen bereit, und Sie könnten dies im Kontext von Problemstellung 4 betrachten, bei der es um barrierefreie Regierungskommunikation geht, damit Menschen diese wichtigen Gesundheitsinformationen – also wirklich kritische Gesundheitsinformationen – über Sprachen, Kulturen und Fähigkeiten hinweg erhalten. Das wäre ein sehr positives Beispiel im Gesundheitsbereich.

Ein anderes Beispiel wäre, dass es sehr große Informationsmengen zu Gesundheit geben kann, die die Regierung verarbeiten muss. Im Rahmen von Problemstellung 1 könnten Sie Ihre Lösung also stärker auf den Gesundheitsbereich zuschneiden, und ebenso bei Problemstellung 2 oder 3, wenn Sie an Gesetzgebung denken – dort gibt es Gesundheitsgesetzgebung; bei Problemstellung 3 können Sie zum Beispiel an zahlreiche Prozesse denken, wenn Sie sich mit Logistik und Lieferketten befassen, etwa beim Transport von Masken oder Kitteln und ähnlichen Dingen quer durchs Land.

Ich überlasse es Ihnen, zu entscheiden, ob Sie sich mit Public Health im Rahmen dieser Challenge wohl fühlen, aber es gibt definitiv Anknüpfungspunkte, die Sie nutzen könnten. Danke.

Levene, Mark 1:10:45
Danke, Dawn. Eine allgemeinere Frage lautet: Was sind einige der größten Herausforderungen, mit denen Ihre Teams derzeit konfrontiert sind und bei denen diese Challenge helfen könnte? Vielleicht kann ich diese Frage an einige der Referent*innen weitergeben. Liam, hättest du dazu Einblicke?

Wilkinson, Liam 1:11:06
Gerne. Ich denke, dass das institutionelle Gedächtnis eines der wirklich zentralen Themen in der britischen Regierung ist. Regierungspolitik ist riesig; Regierungen müssen mit unglaublich vielen unterschiedlichen und komplexen Problemen umgehen, und das bedeutet, dass wir eine Menge großartiger Dokumentation und Berichte haben, die dazu verfasst werden. Aber manchmal werden diese Berichte ein- oder zweimal von den richtigen Leuten gelesen und geraten dann sozusagen in Vergessenheit.

Ich sehe hier die große Chance von KI darin, wie wir sie nutzen können, um diese riesigen Wissensbestände zu indexieren und zu strukturieren, sodass sie uns dabei helfen, bessere Politik zu machen. Wenn es zum Beispiel um Gesundheitspolitik geht: Wie balancieren wir unsere Krankenhäuser und unser Pflegesystem richtig aus? Was sind die passenden Mechanismen, denen wir folgen sollten? Dazu gibt es im Laufe der Jahre enorme Forschungsbestände, deren Entwicklung im Zeitverlauf es sich lohnt nachzuvollziehen.

Für mich ist also die Aufgabe, das institutionelle Gedächtnis der Regierung nutzbarer und zugänglicher zu machen, ein sehr großes Problemfeld, über das wir im Vereinigten Königreich viel nachdenken.

Levene, Mark 1:12:13
Super, danke. Möchte einer der anderen Referentinnen diese Frage ebenfalls beantworten? Anna, vielleicht?

Logie, Anna 1:12:24
Gerne. Ich würde aus dem Stegreif sagen, dass wir eine Reihe von Gesetzen haben, mit denen Bürger*innen im Alltag häufig in Berührung kommen. Ich denke etwa an den Access to Information Act oder den Privacy Act, bei denen Menschen Anfragen stellen und verstehen wollen, wie all diese komplexen Regeln auf ihren konkreten Fall angewendet werden könnten.

Regierungen versuchen, diese Informationen etwa durch Leitfäden in klarer Sprache zugänglicher zu machen, aber das ist immer noch sehr viel Stoff. Das können hunderte Seiten mit Klartext-Leitlinien sein. Ein KI-Tool, das Alltagsnutzer*innen hilft, besser zu verstehen, wie diese Regeln auf die spezifischen Fakten ihres Falles angewendet werden, könnte den Zugang zur Justiz verbessern und den Zugang zu Informationen ausweiten – besonders, da diese Regeln immer komplexer werden. Danke.

Levene, Mark 1:13:11
Danke, Anna. Eine weitere Frage in einem ganz anderen Themenfeld – entschuldigen Sie, ich war kurz stummgeschaltet. Vielleicht ist das eine für Laurent oder Damian: Wir wissen, dass eine der größten Hürden bei der Veröffentlichung von Zensusdaten und offenen Daten generell die Offenlegung oder potenzielle Offenlegung personenbezogener Daten ist. Erleben Sie nach wie vor Herausforderungen, bei denen KI helfen könnte – insbesondere im Umgang mit der Menge an personenbezogenen Daten in offenen Datensätzen bzw. Zensusdatensätzen? Wäre das ein potenzielles Feld, auf das sich diese Challenge richten könnte?

Martel, Laurent 1:13:51
Das ist eine sehr gute Frage, Mark. Ich kann zu 100 % bestätigen, dass bei Statistics Canada einer unserer höchsten Werte darin besteht, die Vertraulichkeit der Informationen zu schützen, die uns die Kanadier*innen anvertrauen. Wenn die Daten einmal bei Statistics Canada sind, verlassen sie die Behörde nicht mehr. Wir haben strenge Vertraulichkeitsregeln.

Wir stellen sicher, dass in unseren Datentabellen – insbesondere Zensustabellen auf sehr lokaler Ebene – niemand identifiziert werden kann, etwa eine Person in einer sehr kleinen Gemeinde mit ganz spezifischen Merkmalen. Darauf müssen wir besonders achten. Unsere methodologischen Dienste bei StatsCan sorgen dafür, dass Rundungsprozesse angewendet werden, die Daten zusammenfassen und aggregieren, sodass keine Einzelperson identifizierbar ist.

Eine der größten Herausforderungen, denen wir uns derzeit mit diesen neuen Werkzeugen wie KI gegenübersehen, besteht darin, herauszufinden, wie sie unsere bestehenden statistischen Prozesse unterstützen können. Diese Prozesse gibt es bereits seit langer Zeit, um Vertraulichkeit sicherzustellen, und wir evaluieren derzeit, wie sich diese neuen Instrumente nutzen lassen. Ich habe dazu im Detail noch keine konkrete Antwort. Aber es wird definitiv alles daraufhin geprüft, ob diese neuen Werkzeuge genutzt werden können.

Wir überprüfen all unsere Aktivitäten im Zensusprogramm, und wie gesagt, es gibt davon sehr viele. Es könnte Potenzial geben, zum Beispiel effizientere Rundungsverfahren mit KI zu entwickeln. Wir produzieren sehr viele Daten und sehr viele Datentabellen. Die Abläufe zur Erstellung all dieser Daten zu verbessern und gleichzeitig Vertraulichkeit sicherzustellen – darin liegt wahrscheinlich der wichtigste Nutzen von KI und neuen Automatisierungswerkzeugen für uns.

Levene, Mark 1:16:09
Danke.

Laverty, Damian 1:16:10
Ich ergänze nur kurz etwas, weil ich gefragt wurde, auch wenn ich vielleicht nicht die beste Antwort darauf habe. Nur zur Erinnerung: Bei uns geht es im Open Government Portal ausschließlich um offene Informationen. Wir haben also nicht dieselben Herausforderungen.

Der einzige Bereich, in dem sich „private“ Aspekte einschleichen könnten, wären unsere Zusammenfassungen zu Access to Information-Anfragen. Dabei veröffentlichen wir kurze Zusammenfassungen bereits bearbeiteter Auskunftsanfragen. Aber auch das betrifft keine Daten, die an sich unter den Privacy Act fallen.

Ich kann Ihnen daher leider keine konkreten Beispiele nennen. Es tut mir leid. Das wäre eher eine Frage an die einzelnen Institutionen, wie sie ein KI-Tool einsetzen könnten, um ihre Informationen und Aktivitäten zu schützen. Sorry, dass ich hier nicht hilfreicher sein kann.

Levene, Mark 1:17:07
Das ist völlig in Ordnung, Damian, danke. Wir haben drei eher prozessorientierte Fragen für Dawn und Jonathan. Die erste lautet: Ist das Ziel, Lösungen zu entwickeln, die direkt den Nutzer*innen von Regierungsdienstleistungen dienen, oder können wir auch Lösungen ins Auge fassen, die für Beschäftigte im öffentlichen Dienst oder Regierungsmitglieder bestimmt sind?

Macdonald, Jonathan 1:17:28
Ich fange an, und Dawn kann gern ergänzen, was sie für sinnvoll hält. Aus egoistischer Sicht möchte ich sagen, dass wir natürlich an Tools interessiert sind, die dem öffentlichen Dienst helfen. Aber nein, die Lösungen hier sind tatsächlich für beides gedacht. Wir suchen nach Lösungen, die jede Art von Interaktion mit der Öffentlichkeit verbessern – ob direkt oder indirekt. Es kann auch etwas sein, das weniger direkt mit der Öffentlichkeit zu tun hat, sondern eher aus dem Bereich Wissenschaft und Forschung kommt.

Es gibt eine Vielzahl potenzieller Lösungen und Ansatzpunkte, solange sie gut unter eine der vier Problemstellungen fallen. Ich denke, das ist das einzige wirkliche Kriterium. Aber ob sie nun für die interne Nutzung durch Beschäftigte im öffentlichen Dienst gedacht sind oder stärker auf Bürgerinnen bzw. Klientinnen ausgerichtet sind – beides ist absolut in Ordnung.

Levene, Mark 1:18:25
Super, danke, Jonathan. Die nächste Frage ist an Dawn gerichtet, weil ich weiß, dass wir sie schon einmal hatten: Ist es für alle vier Problemstellungen zwingend nötig, Open-Source-LLMs zu verwenden, oder können proprietäre Modelle für Inferenz und NLP-Zwecke eingesetzt werden? Ich bin mir nicht sicher, ob ich weiß, wofür NLP steht.

Hall, Dawn 1:18:41
Das steht für Natural Language Processing. Aber ja, Sie können auf jeden Fall proprietäre Modelle einsetzen. Allerdings müssen Sie sicherstellen, dass Sie über die entsprechenden Lizenzen und Genehmigungen verfügen – insbesondere, weil wir skalieren und Lösungen regierungsweit einsetzen möchten. Open Source kann hier manchmal etwas leichter handhabbar sein, aber es gibt keine Einschränkung gegen die Nutzung proprietärer Modelle, solange Sie die entsprechenden Genehmigungen und Rechte am geistigen Eigentum besitzen.

Levene, Mark 1:19:15
Super. Und dann noch eine Frage, wahrscheinlich ebenfalls für Dawn: Ich bin im öffentlichen Dienst bei Global Affairs Canada beschäftigt. Benötige ich die Zustimmung meiner Führungskraft, um an dem Wettbewerb teilzunehmen?

Hall, Dawn 1:19:30
Ich fange an, und Jonathan kann dann ergänzen. Beschäftigte im öffentlichen Dienst können teilnehmen. Sie können jedoch keine Fördermittel erhalten. Sie müssen ihre Teilnahme und die Entwicklung ihrer Lösungen in ihrer Freizeit und ohne Nutzung staatlicher Ressourcen durchführen.

Ich empfehle generell, mit Ihrer Führungskraft so offen und transparent wie möglich zu sein. Es ist also wahrscheinlich eine gute Idee, mit ihr oder ihm zu sprechen. Aber Sie müssen sich bewusst sein, dass Sie das in Ihrer Rolle als Privatperson tun. Jonathan, möchtest du etwas hinzufügen?

Macdonald, Jonathan 1:20:06
Ich denke, du hast es abgedeckt, Dawn. Ich würde nur noch einmal unterstreichen, wie wichtig Transparenz gegenüber der eigenen Führung ist. Es kann auch sinnvoll sein, kurz mit den internen Stellen für Werte und Ethik zu sprechen, falls das angemessen erscheint.

Levene, Mark 1:20:22
OK, ich glaube, das waren alle Fragen, die wir erhalten haben. Zur Erinnerung: Sie können uns jederzeit direkt kontaktieren. Dana hat den Link gepostet, den wir oben im Q&A-Bereich angepinnt haben. Wir sind per E-Mail erreichbar, es gibt einen Discord-Server, über den sich die Teilnehmenden untereinander austauschen können. Und natürlich haben wir auch eine öffentlich zugängliche Website mit allen Kontaktinformationen.

Ich gebe zurück an Jonathan, um die Veranstaltung abzuschließen. Vielen Dank für Ihre Teilnahme heute. Es gab wirklich großartige Fragen – vielen Dank dafür.

Macdonald, Jonathan 1:20:56
Fantastisch. Danke, Mark. Damit sind wir am Ende. Ich möchte mich noch einmal bei allen Gästen bedanken, wie Mark es bereits getan hat – sowohl bei denen, die live dabei waren, als auch bei den Kolleg*innen mit vorab aufgezeichneten Beiträgen – für ihre Zeit und ihren Einsatz heute. Und bei den Teilnehmenden: Wirklich vielen Dank für Ihr Interesse an dieser Challenge.

Ich hoffe sehr, dass diese Expert*innensession Ihnen einige Ideen gegeben, Ihre Gedanken geklärt oder Ihnen geholfen hat, Ihre Energie zu fokussieren, um etwas wirklich Innovatives zu entwickeln. Und dazu möchte ich noch sagen: Ich habe in letzter Zeit viel über „Moonshots“ gehört. Das ist ein guter Ansatzpunkt, um über Ihre Lösung nachzudenken – darüber, wie sie transformativ sein kann. The sky’s the limit. Vielen Dank Ihnen allen. Viel Erfolg beim Entwickeln. 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.)

Macdonald, Jonathan 00:13
Ciao a tutti. Mi chiamo Jonathan Macdonald. Sono il direttore responsabile del team Dati e IA qui al Segretariato del Consiglio del Tesoro del Governo del Canada. Il mio team ed io siamo responsabili della definizione della strategia e delle politiche per sostenere l’adozione responsabile dell’IA in tutto il governo. Questo include successi come la recente pubblicazione della strategia sull’IA per la funzione pubblica federale, così come il nostro strumento di politica fondamentale, la Direttiva sul processo decisionale automatizzato. E più recentemente è il team che guida il lavoro dal lato canadese per offrirvi questo GovAI Grand Challenge.Voglio iniziare dicendo che mi collego a voi dal territorio tradizionale non ceduto del popolo Algonquin Anishinaabe. Riconosco che lavoriamo tutti in luoghi diversi e che forse lavorate in un altro territorio tradizionale Indigeno, e vi incoraggio a prendervi un momento per riflettere su questo.
Sono lieto di darvi il benvenuto oggi alla tavola rotonda di esperti. Il secondo di tre eventi che si svolgono durante i Rapid Solution Labs.

Prima di procedere, alcuni punti operativi. Stiamo registrando questo evento e sarà pubblicato online in modo che chi non può partecipare in tempo reale possa comunque ottenere le informazioni necessarie. Le vostre telecamere e i vostri microfoni sono disattivati. Se avete domande, utilizzate la sezione Q&A dell’evento Teams. Alla fine dell’evento risponderemo alle domande più popolari, quindi assicuratevi di mettere “mi piace” alle domande che vi interessano di più.

E la maggior parte dell’incontro si svolgerà in inglese. Le trascrizioni in francese e in altre lingue saranno disponibili dopo la sessione.
Prima di iniziare, passerò rapidamente in rassegna ciò che abbiamo in programma per voi oggi. Per cominciare, la mia collega Dawn ed io riprenderemo il Grand Challenge e i Rapid Solution Labs, nonché alcuni dettagli relativi alla partecipazione. Poi, il nostro collega di Services partagés Canada parlerà della sua esperienza con l’automazione e l’IA in azione in un contesto governativo.
Quindi la mia collega Dawn si prenderà un po’ di tempo per esaminare le dichiarazioni di problema e condurre una discussione sui set di dati con numerosi ospiti illustri, qui in Canada e all’estero.

Macdonald, Jonathan 2:03
Dall’altro lato di quella discussione, avremo un’altra demo interessante di strumenti di IA utilizzati dai nostri cari amici del Governo della Francia. E infine concluderemo la sessione con una Q&A moderata dal nostro collega Mark Levene, che è stato anche determinante nel mettere insieme questa sfida. Quindi, oggi per voi è una sessione ricca di azione. E credo che a questo punto siamo quasi pronti per iniziare.

Dunque, che cos’è il Grand Challenge? Se vi siete persi l’evento di lancio di lunedì, il Grand Challenge è un’iniziativa ambiziosa progettata per sfruttare il potere dell’intelligenza artificiale per risolvere alcune delle sfide più urgenti che i governi si trovano oggi ad affrontare. E si svolge dal 17 novembre al 1° dicembre.

La sfida è composta da quattro Rapid Solution Labs o hackathon virtuali. Ogni laboratorio è incentrato su un problema complesso che abbiamo nel governo, di cui sentiremo parlare meglio più tardi.

La sfida offre fino a 100.000 dollari canadesi in finanziamenti totali distribuiti su 8 categorie per paese e due categorie per giovani per riconoscere soluzioni innovative e scalabili. Ora passerò la parola a Dawn per qualche informazione in più.

Hall, Dawn 3:09
Perfetto. Grazie mille, Jonathan. Come Jonathan ha menzionato, abbiamo lanciato lunedì e, se vi siete persi quell’evento di lancio, potete trovare la registrazione e le trascrizioni sul nostro sito web e tutti i link di cui avete bisogno per questa sessione si trovano nella sezione Q&A, dove la nostra collega Dana li ha appena pubblicati.

Per continuare a sostenervi e mantenere lo slancio, abbiamo l’evento di oggi e poi un altro martedì prossimo, in cui ci sarà una sessione “ask me anything”, in cui avremo altri stimati ospiti dal governo pronti a rispondere alle vostre domande.

E se avete domande, potete inviarcele via e-mail oppure potete inserirle nel canale “ask me anything” sulla nostra pagina Discord. La sfida si chiude poi lunedì 1° dicembre alle 15:00, ora dell’Est. Prossima slide, per favore.

Un breve promemoria su alcune questioni logistiche relative alla sfida. Primo, l’ammissibilità: chiunque provenga da paesi del G7 o dall’UE può presentare domanda. La partecipazione è consentita ai funzionari pubblici federali canadesi.

Tuttavia, non sono ammissibili ai finanziamenti, mentre lo sono persone provenienti da imprese a scopo di lucro, organizzazioni senza scopo di lucro e istituzioni post-secondarie. Tutti questi sono ammissibili a presentare domanda e, in termini di finanziamento, abbiamo fino a 100.000 dollari canadesi in totale.

Questi 100.000 dollari canadesi saranno suddivisi tra 10 beneficiari, che potrebbero ricevere fino a 10.000 dollari ciascuno. Ora, abbiamo ricevuto molte domande sulle nostre categorie di età. La prima cosa che vogliamo chiarire davvero è che chiunque di qualsiasi età può presentare domanda.

Tuttavia, ci sono due categorie speciali per le età 13–17 e 18–29. Quindi, se non rientrate in quella fascia di età, potete comunque presentare domanda. Tuttavia, concorrereste semplicemente per la categoria paese. Abbiamo finanziamenti disponibili per ciascun paese del G7 e per l’UE, e questo è per persone di qualsiasi età. Abbiamo poi quella categoria speciale per età 13–17 e 18–29, come ho menzionato. Quindi, se volete candidarvi, il portale di candidatura è stato aperto lunedì ed è aperto fino alle 15:00, ora dell’Est, del 1° dicembre.

Dovete compilare un modulo di candidatura che contenga dettagli sul vostro team e su di voi. Potete anche partecipare come singoli. Non è necessario far parte di un team. Anche alcune informazioni sulla vostra soluzione di IA allineata ai criteri di valutazione.
E un link a un video che non superi i 5 minuti e che mostri la vostra soluzione in azione. E vogliamo davvero vedere quel prodotto minimo funzionante (MVP). Questo link dovrebbe essere un URL YouTube non modificato.

Potete anche fornire un link opzionale a un repository GitHub. Dovete inoltre confermare e accettare i termini e le condizioni della guida per i partecipanti, e avrete il link alla guida per i partecipanti lì. Ci sono un sacco di informazioni davvero utili. Abbiamo elementi su conflitti di interesse, privacy, proprietà intellettuale e licenze e, cosa molto importante, il nostro codice di condotta, che illustra i comportamenti appropriati. È ciò che spunterete e a cui attesterete, dichiarando di accettare queste condizioni.

Altre piccole cose: dovete avere 18 anni per presentare domanda oppure potete avere un tutore non partecipante che la presenti a vostro nome. Le proposte possono essere in inglese o in francese e abbiamo limiti rigorosi di parole e limiti di tempo per il video, quindi assicuratevi di rispettarli, altrimenti sarete squalificati.

Di nuovo, consultate la nostra guida per i partecipanti per maggiori informazioni.

Prossima slide, per favore.

Oltre a questi eventi, siamo anche in grado di fornire supporto tramite il nostro canale Discord e il nostro indirizzo e-mail. Siamo davvero fortunati ad avere una grande rete di mentori a cui possiamo rivolgerci, e entrambi i link si trovano nella chat.
Ora passo di nuovo la parola a Jonathan.

Macdonald, Jonathan 7:36
Eccellente. Grazie mille, Dawn, per il riepilogo dettagliato. A questo punto, daremo la parola al nostro caro amico e collega Josh Turner di Services partagés Canada, che ci racconterà una storia di un’innovazione in ambito IA a cui ha partecipato e che ha davvero prodotto risultati. Quindi, Josh, a te la parola.

Turner, Joshua 7:53
Grazie mille, Jonathan. Per gli organizzatori, se possiamo anche proiettare le mie slide, sarebbe fantastico. Dunque, ciao a tutti, sono Josh. Attualmente lavoro come responsabile di un team tecnologico incaricato di data science e intelligenza artificiale presso Services partagés Canada e… eccoci. Ecco la presentazione. Oh, mi chiedo se gli organizzatori possano sistemare le mie slide per favore. Sì, appaiono e scompaiono.
Un altro tentativo. Eccoci. OK, sì, inizieremo con la prima domanda. Qualcuno ha sentito notizie sui dazi doganali ultimamente? Non lo so. Non è stato un argomento di grande discussione, no? Scherzi a parte.

In Canada, per legge, il Dipartimento delle Finanze deve consultare l’industria e i singoli cittadini canadesi prima che venga emesso un dazio e per poter considerare eventuali remissioni se ci sono esenzioni specifiche da prendere in considerazione per proteggere o preservare determinati settori dell’industria canadese. Tuttavia, per la modifica che si è verificata all’inizio di quest’anno, sapete, dove normalmente abbiamo un afflusso tipico di circa 50 commenti di questo tipo da parte del pubblico, ci aspettavamo un volume di 50.000. Il Dipartimento delle Finanze semplicemente non aveva il personale per gestire questo volume usando tecniche manuali e quindi si è rivolto al nostro team qui a Services partagés per avere un po’ di aiuto su come avremmo potuto applicare in modo sicuro l’IA per affrontare il volume che si aspettavano.
Quindi il mio team interviene. Abbiamo sviluppato inizialmente un modello usando la RPA, robotic process automation. Il modello serviva a esaminare il flusso di lavoro fisico che veniva svolto da Finanze, in modo da poter vedere tutti i flussi di informazioni da qui a lì e mappare quanto sforzo venisse fatto in ciascuno di essi. E, poiché abbiamo usato la RPA, siamo stati in grado di produrre questo modello estremamente rapidamente. A volte si dice che il modo più semplice per ottenere una risposta giusta non sia chiederla, ma proporre una risposta sbagliata, e questo funziona molto, molto bene con la prototipazione rapida. Una delle cose emerse da quella modellizzazione, però, è che uno dei flussi che attraversa il processo assorbiva qualcosa come il 95% del carico di lavoro. E concentrandoci su quella parte molto, molto ristretta del carico di lavoro, siamo riusciti a semplificare la soluzione proposta in qualcosa che siamo stati in grado di consegnare in un periodo di tempo molto, molto breve.
Quello che abbiamo fornito è stata una piccola IA in grado di prendere i commenti che arrivavano in toni, strutture e lingue estremamente variabili e trasformarli in dati strutturati, coerenti e adatti all’analisi.
Chi di voi lavora nel campo dei dati sa quanto questo sia assolutamente fondamentale.
Dunque, cosa abbiamo messo insieme?
Per prima cosa, abbiamo iniziato con un piccolo modello linguistico di grandi dimensioni, che so è una sorta di contraddizione in termini, ma i tipi di cose di cui stiamo parlando sono modelli come il Phi-4 di Microsoft, compresso a 4 bit per parametro, il che significa che potete eseguirlo su hardware consumer convenzionale.
La seconda cosa che abbiamo introdotto è stato un prompt per l’elaborazione dei dati che includeva definizioni specifiche dello schema di dati che sarebbe stato prodotto. Qual è il significato esatto dei campi che devono essere generati e il pezzo critico che abbiamo inserito è stata una grammatica controllata. Ora, una grammatica… sapete che i modelli linguistici di grandi dimensioni emettono i token uno alla volta, in modo analogo alle sillabe. Ma una grammatica controllata garantisce che, a ogni sillaba, il contenuto generato sia allineato a un formato di dati strutturati rigoroso e agisca come un insieme di binari che un modello linguistico di grandi dimensioni può seguire quando produce i risultati. Abbiamo poi preso tutte le cose selvagge e varie che arrivavano a Finanze, le abbiamo fatte passare attraverso il modello usando un runtime chiamato llama.cpp. llama.cpp è un runtime open source creato da un certo Georgi Gerganov. Spero di non aver massacrato troppo il suo nome.
E lo abbiamo eseguito su “waste compute”. E con “waste compute” intendo il tempo serale e del fine settimana sull’hardware già acquistato, all’interno del perimetro di sicurezza, nei dipartimenti governativi. Il risultato sono dati strutturati.
Colonne con definizioni specifiche, tipi di dato nelle colonne, in un formato adatto a essere trasferito in database standard o in Microsoft Excel o in qualsiasi strumento vogliate usare per l’elaborazione dei dati, R o qualsiasi altro strumento adatto al vostro compito di analisi. Ancora più importante, siamo stati in grado di fornire questo in modo tale che potesse essere utilizzato non solo da Services partagés, ma potesse essere integrato all’interno del Dipartimento delle Finanze e utilizzato dalle loro risorse tecniche. Non abbiamo solo fornito una soluzione, abbiamo fornito una capacità.
Ora, come tutte le cose belle, è meglio quando viene condivisa, come un pasto. E gli standard digitali in Canada suggeriscono che ogni volta che creiamo una soluzione, dobbiamo assicurarci che venga condivisa come capacità con l’intero governo federale. E la buona notizia è che, poiché tutti i componenti di input erano aperti – modelli a pesi aperti, software open source e binding aperti – siamo stati in grado di pubblicare questa soluzione anche come open source per il consumo non solo da parte del Governo del Canada, ma del mondo intero. Quello che vedete lì è un indirizzo GitHub del mio team, Services partagés Canada, Data Science and artificial intelligence, e tutte le nostre soluzioni basate su open source sono pubblicate lì e siete più che benvenuti a inviare pull request se trovate qualcosa che possa contribuire al benessere complessivo di questi prodotti.
Detto questo, aprirò lo spazio alle domande. Oppure dovremmo tornare a Jonathan? Qual è il modo migliore per procedere?

Hall, Dawn 14:21
Ciao a tutti, ci sono. Eccomi. Ecco anche Jonathan.

Macdonald, Jonathan 14:28
Perfetto. Se ci sono domande nella chat, sono felice di passare a quelle in questo momento.
Aspetterò che qualcuno le segnali, ma se non ce ne sono, sono felice di proseguire la conversazione con Dawn, che può guidarci in una discussione con gli altri stimati ospiti che abbiamo, per esaminare le dichiarazioni di problema e una discussione sui dati.

Hall, Dawn 14:54
Fantastico.

Macdonald, Jonathan 14:55
Grazie. Grazie mille, Josh.

Hall, Dawn 14:58
Ribadisco i ringraziamenti a Josh e grazie anche a Jonathan. Per quanto riguarda le dichiarazioni di problema, siamo molto fortunati ad avere oggi con noi numerosi esperti provenienti dai governi per parlarci delle diverse dichiarazioni di problema e dei dati che potreste prendere in considerazione.
I dati di cui parleremo oggi non rappresentano tutti i dati di esempio che abbiamo fornito; tutti i link ai dati si trovano espandendo la sezione delle dichiarazioni di problema sul sito di Impact Canada. Quindi andate sul sito del Grand Challenge, cliccate su “espandi dichiarazione di problema” e sotto troverete tutti i dati.

Hall, Dawn 15:35
Inoltre, potete anche utilizzare dati provenienti da altre fonti. Assicuratevi solo di rispettare i requisiti necessari in materia di licenze e protezione dei dati quando decidete di usare dati che non sono quelli che abbiamo fornito.
Prossima slide, per favore.
Per cominciare, diamo il benvenuto a Liam Wilkinson, che è responsabile dell’incubazione dell’IA nell’incubatore per l’IA, quindi i.AI, del Government Digital Service del Regno Unito. Liam parlerà della dichiarazione di problema 1. A te la parola, Liam.

Wilkinson, Liam 16:14
Ciao a tutti e grazie per avermi invitato. Farò partire alcune slide in background e poi condividerò il mio schermo.
OK, cambio schermo. Scusate, di solito non uso Teams. Ecco qui.
Allora, ciao a tutti. Mi chiamo Liam Wilkinson. Sono il responsabile dell’incubazione dell’IA presso l’incubatore per l’IA del governo del Regno Unito. Vorrei ringraziare davvero i miei omologhi canadesi per avermi invitato oggi e anche tutti i colleghi del G7 che fanno parte di questo evento.
Nell’incubatore per l’IA analizziamo moltissimi dati e uno dei casi d’uso davvero importanti è come possiamo aiutare le persone a comprendere una quantità enorme di informazioni e documenti nei governi. La memoria istituzionale è un problema molto reale per la maggior parte dei governi nel mondo.
Quando si hanno persone che lavorano in ambiti molto complessi, spesso cambiano ruolo ogni due o tre anni, e gran parte di quell’esperienza esce dalla porta insieme a loro. Quindi, quando guardiamo all’IA e a questo caso d’uso, ciò a cui cerchiamo di arrivare sono tecnologie e soluzioni che possano aiutarci a metterci al passo con una massa enorme di informazioni in un lasso di tempo relativamente breve. E per rendere questo più concreto per voi nel contesto del Regno Unito, ogni anno circa abbiamo questo grande evento in Parlamento chiamato “King’s Speech”, in cui tutte le nostre principali iniziative di politica per l’anno vengono annunciate in un’unica grande occasione. È una cerimonia molto scintillante, piena di pompa e circostanza. Ma ciò che non vedete sono le centinaia e migliaia di funzionari a Whitehall che corrono dietro le quinte per costruire effettivamente tutte queste parti della legislazione, facendolo in modo solido e basato sulle evidenze.
Quindi il set di dati a cui vorrei richiamare la vostra attenzione è un set di dati aperto del Parlamento. La maggior parte dei paesi del G7 ha una biblioteca della Camera dei Comuni o un equivalente, dove molti diversi rapporti di ricerca sono messi a disposizione del pubblico.
E sto condividendo il mio schermo in modo leggermente… ok, ricondivido.
Se vado nel browser, questo è il sito web della House of Commons Library. Qui potete accedere a tutti i rapporti di ricerca mai redatti nella House of Commons Library. Ogni anno vengono pubblicati centinaia di questi rapporti e spesso ciascuno di essi è un rapporto di ricerca di livello mondiale per il governo. Sono utilizzati dai funzionari e dai decisori politici per definire politiche migliori. Ma, come ho detto, ci sono tantissime informazioni.
Quindi una cosa che vi incoraggerei a fare è vedere come potreste usare la tecnologia per estrarre (scrape) parte di questi contenuti, portare tutti quei dati in, potenzialmente, un motore di ricerca e nei tipi di esperienze “agentiche” che potete costruire sopra. E per mostrarvi che non è solo il Regno Unito ad avere questo tipo di sistema, questo è il servizio equivalente del Parlamento canadese, e ciascun paese ha un proprio servizio equivalente. Quindi forse un’IA che possa attraversare tutte le politiche del G7 per capire cosa funziona bene in alcuni paesi e magari cose che potrebbero funzionare meglio nel nostro. Questo è solo un esempio possibile. Ma tutto questo per dire che c’è una quantità enorme di informazioni e contesto al di fuori del Parlamento, al di fuori delle nostre istituzioni democratiche.
Molti di questi diversi siti governativi dispongono di API aperte, quindi un altro esempio da guardare è gov.uk. gov.uk è il sito in cui sono accessibili tutti i nostri servizi governativi nel Regno Unito. Di nuovo, molti equivalenti nelle diverse nazioni.
Ma molti di questi siti hanno anche API aperte che consentono di cercare liberamente in tutti i contenuti presenti. Quindi comprendere come possiamo razionalizzare i consigli del governo nel corso di anni e persino decenni, per garantire che i cittadini abbiano un’esperienza coerente nell’interagire con il governo, è un altro caso d’uso enorme per noi qui nel G7. Ma con questo penso di riconsegnare la parola a Dawn.

Hall, Dawn 20:31
Meraviglioso. Grazie mille, Liam, per questa panoramica fantastica. È stato davvero interessante e ho apprezzato come hai richiamato anche i dati equivalenti disponibili per gli altri paesi del G7. Quindi grazie mille per questo.

Wilkinson, Liam 20:44
È stato un piacere.

Hall, Dawn 20:50
Ora tornerò in realtà da Josh, perché abbiamo una domanda nella nostra area Q&A specifica per la sua presentazione e terremo le altre domande per dopo. Ma sapevamo di voler far rispondere Josh a questa domanda mentre era ancora fresca. Quindi grazie per essere tornato, Josh. Ed ecco la domanda. Qual è stato il modello LLM finale che è stato implementato o è ancora Phi a causa delle limitazioni di calcolo?

Turner, Joshua 21:14
Ottima domanda. Al momento in cui abbiamo consegnato la funzionalità al Dipartimento delle Finanze, era ancora Phi-4, il modello da 8 miliardi di parametri. Questo solo perché era il migliore disponibile alla fine del 2024, quando il lavoro è iniziato.
Da allora ne sono stati rilasciati altri eccellenti. C’è un gruppo chiamato Liquid.AI che ha creato piccoli modelli specializzati proprio per il caso d’uso dell’estrazione dei dati. Li hanno ridotti a circa 3 miliardi di parametri. È sorprendente quanto siano ormai ridotti i requisiti di calcolo per questi modelli. E se volete rimanere con qualcosa di collaudato, Llama 3.1 da 8 miliardi instruct funziona anch’esso molto bene per questo caso d’uso, anche se bisogna guardare con molta attenzione i termini d’uso prima di applicarlo al proprio caso.
È utile?

Hall, Dawn 22:13
Per me suona bene. Abbiamo in realtà una seconda domanda di follow-up, che è: sono curioso di sapere come si applica lo schema JSON a livello di token durante la generazione.

Turner, Joshua 22:13
Eccellente.
OK, quindi oggi il modo più semplice è che sia stato integrato direttamente nella libreria di Georgi Gerganov. Quando chiamate il completamento dei token o il metodo di chat completion che troverete nella maggior parte delle librerie, c’è un elemento che potete passare, chiamato “schema”. Passate un insieme di vincoli in formato JSON Schema e la libreria li traduce in BNF e li applica per voi. Questo rende le cose molto, molto più semplici oggi. Se può essere utile, Dawn, posso inserire un link nella chat.

Hall, Dawn 22:59
Certo, consiglio di inserire un link nella sezione Q&A e sì, ora passeremo alla nostra seconda dichiarazione di problema e proseguiremo. Vedo che c’è un’altra domanda in chat sui dati sanitari, ma la terremo per la fine. Volevamo solo assicurarci che Josh avesse il tempo, perché purtroppo deve andare.

Turner, Joshua 22:59
Fantastico.
Oh, meglio così. Ancora meglio, sì.
Molto bene.

Hall, Dawn 23:17
Quindi grazie mille per essere stato con noi, Josh. Lo apprezziamo davvero e passiamo alla dichiarazione di problema 2. Il prossimo intervento è di Anna Logie, giurista del Legislative Council presso Justice Canada, e Anna è qui per parlare della dichiarazione di problema 2. A te la parola, Anna.

Logie, Anna 23:40
Grazie. Sono felice di essere qui oggi. Oggi parlo a titolo personale e non a nome del mio dipartimento. Dunque, la seconda dichiarazione di problema è che la funzione pubblica lavora con molte leggi, politiche e regolamenti che sono complessi da navigare sia per i clienti che per i dipendenti.
Come menzionato nell’evento di lancio di lunedì, il volume e la complessità delle regole rappresentano una sfida significativa sia per i funzionari che lavorano con le regole, sia per le persone comuni che cercano di capire come le regole si applichino alla loro situazione. E ci si aspetta che i cambiamenti legislativi, regolamentari e di politica continuino a crescere sia in volume che nel ritmo. Tuttavia, le risorse disponibili per gestire questo cambiamento probabilmente rimarranno più o meno le stesse. Questo può portare a risultati indesiderati, come ritardi, un’applicazione incoerente delle regole e una non conformità involontaria dovuta a un’errata comprensione del modo in cui le regole si applicano.
Per questa sfida, il vostro compito è progettare una soluzione per semplificare l’interpretazione e l’applicazione delle regole al fine di aumentare la coerenza e la conformità, e ridurre il carico cognitivo sui dipendenti. L’obiettivo è rendere più facile comprendere le regole applicabili, in modo che siano applicate in modo più coerente e rispettate più facilmente.
Un esempio di questo tipo di strumento potrebbe essere uno strumento predittivo che identifica la legislazione e i regolamenti pertinenti che incidono su un programma o su una richiesta di servizio. Questo tipo di strumento potrebbe aiutare una persona che presenta domanda per un programma o un servizio a trovare le norme giuridiche rilevanti per la sua domanda. Un altro esempio potrebbe essere uno strumento di IA neuro-simbolica o ibrida che utilizza qualcosa come un albero decisionale tracciabile per fornire spiegazioni in linguaggio semplice delle regole e del loro ambito di applicazione. Questi sono solo esempi e la vostra soluzione potrebbe avere un aspetto diverso.
Una cosa da sottolineare qui è l’importanza dell’accuratezza e della spiegabilità, che sono valori importanti dello stato di diritto. Uno strumento influenzato da bias o fattori irrilevanti, o che omette fattori pertinenti, o che si basa su un processo opaco o “black box”, sarà in genere più rischioso e un po’ meno distribuibile rispetto a uno strumento in grado di fornire risultati accurati, coerenti e spiegabili. Per concludere sulle ultime diapositive, ci sono dati di esempio provenienti da una varietà di paesi. Ad esempio, qui in Canada, il sito Justice Laws fornisce una consolidazione ufficiale o versione aggiornata delle leggi e dei regolamenti federali. Queste informazioni sono fornite anche come set di dati XML aperto. Vedrete anche dati di esempio provenienti da diversi altri paesi del G7. Sentitevi liberi di usare qualsiasi dato di esempio, se lo desiderate. Grazie per la vostra partecipazione e buona fortuna.

Hall, Dawn 26:21
Meraviglioso. Grazie mille, Anna. È stata un’ottima panoramica della dichiarazione di problema, delle potenziali soluzioni e anche dei dati di esempio. Ora sono lieta di invitare di nuovo Liam, che parlerà di alcuni dei dati forniti per la dichiarazione di problema 2 nel Regno Unito. Di nuovo a te, Liam.

Wilkinson, Liam 26:41
Ciao, sono di nuovo io. Bellissimo rivedervi tutti. Vi mostrerò qualcosa che è in una fase leggermente di “early access” e che non abbiamo ancora rilasciato ampiamente al grande pubblico, ma si tratta di un nuovo set di dati che abbiamo pubblicato su tutta la legislazione del governo del Regno Unito.
Tutto il percorso fino al 1267, che credo sia vicino alla Magna Carta. È tutta la storia legislativa del Regno Unito, ed è disponibile ora come API e anche come server MCP. Solo per darvi un punto di riferimento.
Questo è legislation.gov.uk, quindi è il servizio britannico equivalente a quello illustrato per i canadesi. Qui abbiamo tutta la nostra legislazione fino al 1267, come si vede, ma queste informazioni includono anche un sacco di vecchi PDF scansionati.
Legislazione vittoriana, modifiche manoscritte a testi del Medioevo, ma include anche una rete di come tutte queste diverse disposizioni legislative si interconnettono e sono lieto di dire che non avete bisogno di estrarre tutto questo da soli.
Perché abbiamo ora pubblicato una nuova API chiamata Lex API. È qualcosa a cui potete connettervi direttamente come endpoint REST, ma che potete anche sfruttare tramite un’interfaccia MCP.
Per mostrarvi cosa significa in termini pratici, vuol dire che possiamo collegare questo a uno strumento pronto all’uso come Claude Desktop o Microsoft Copilot in questo modo. Qui ho posto una domanda ampia del tipo “come è disciplinata la protezione dei dati nel diritto del Regno Unito?”.
E quello che abbiamo è una serie di passaggi in cui un agente va a consultare una varietà di diverse normative sulla protezione dei dati dietro le quinte, per poi fornire una risposta di ricerca motivata con citazioni.
Quindi questo è un server MCP che siete liberi di usare nel corso dell’hackathon e, si spera, anche dopo. Tutto il codice è open source se volete imparare come l’abbiamo costruito, insieme al link diretto all’API se volete usarla.
Ma ancora una volta, tutto il codice qui è molto aperto. Una capacità chiave di questo set di dati che vorrei sottolineare è che abbiamo tutte le interazioni incrociate della legislazione. Possiamo vedere qui che, nel 2025, molta della nostra legislazione moderna torna ancora a modificare leggi del 1700, per esempio. Quindi, usare l’IA per aiutare le persone a scoprire quale legislazione dovrebbe essere modificata quando vogliamo introdurre nuove politiche è un caso d’uso davvero interessante per noi nel Regno Unito oggi.
Sì, è gratuito e disponibile per voi come parte della vostra soluzione, se lo desiderate. E ci sono anche prodotti equivalenti in XML e altri dati per tutte le diverse legislature delle nazioni del G7. Grazie per il vostro tempo.

Hall, Dawn 29:49
Ottimo. Grazie ancora, Liam. Ed è davvero entusiasmante che ci sia una sorta di accesso anticipato qui. Quindi grazie per questo. Stiamo lavorando per pubblicare queste informazioni sul sito web in questo momento. Speriamo che siano disponibili entro uno o due giorni – le abbiamo già trasmesse al nostro team. Tenete dunque gli occhi aperti, arriveranno presto.
Andiamo avanti. Ah, e Liam ha incollato il link anche nella chat, e ci assicureremo che venga inserito nella sezione Q&A. Grazie mille.
Quindi, per la nostra terza dichiarazione di problema, abbiamo anche due relatori.
Inizieremo con il maggiore Mohsin Bhatti, Canadian Armed Forces Liaison Officer e policy analyst presso il Department of National Defence e il Canadian Armed Forces AI Centre. Il maggiore Bhatti parlerà della dichiarazione di problema, quindi passo a lei la parola.

Bhatti, Major Mohsin 30:41
Buongiorno a tutti. Sono il maggiore Mohsin Bhatti. Sono il Liaison Officer presso il DND CAF AI Center. La dichiarazione di problema che mi è stata affidata è che i governi hanno molti processi, spesso complessi, e può essere difficile prevedere con precisione le esigenze future e allocare le risorse in modo efficiente. Quindi sì, non è una sorpresa per nessuno. Quando parliamo di governo, parliamo di sanità, trasporti, infrastrutture e servizi sociali, difesa e gestione delle emergenze, che spesso interagiscono tra loro e con tempi di pianificazione e di investimento molto lunghi.
In questo contesto, è generalmente difficile prevedere di cosa avremo bisogno, dove ne avremo bisogno e quando, mentre la domanda può cambiare più rapidamente rispetto al nostro ciclo di pianificazione.
È qui che l’IA può aiutarci a fare previsioni basate sui dati disponibili: dati sul clima, cambiamenti della popolazione, nuovi rischi emergenti, ecc. ecc.
Il risultato, ancora una volta, è molto familiare a tutti noi. A volte destiniamo risorse in aree dove non sono particolarmente necessarie e togliamo risorse, denaro e strumenti alle aree che sono spesso sotto forte stress.

In modo analogo, nel contesto della difesa non si tratta solo di efficienza, ma anche di prontezza operativa, resilienza e gestione delle emergenze e, in ultima analisi, della fiducia del pubblico che i canadesi ripongono in noi come professionisti delle armi.
È esattamente ciò che stiamo esaminando all’AI Center, che cito senza pudore perché è il mio luogo di lavoro: come possiamo utilizzare dati e intelligenza artificiale per passare da una postura reattiva a una postura proattiva?
La dichiarazione di problema qui è molto semplice, ma è molto difficile da mettere in pratica, soprattutto quando si tratta di anticipare le esigenze future e le allocazioni di risorse, ridurre gli sprechi e migliorare i servizi rendendo persone, denaro e strumenti disponibili dove e quando servono.

Per esempio, vi faccio un esempio nell’area di infrastruttura, popolazione e ambiente.
Immaginate di riunire i dati sulle condizioni di strade, ponti, edifici e basi, gli storici di manutenzione, le proiezioni climatiche e la crescita prevista della popolazione nelle diverse regioni.
Un modello di IA può apprendere dai dati e stimare quali asset è più probabile che si guastino prima, dove aumenterà la domanda di infrastrutture e dove gli impatti climatici saranno più severi. Ciò significa che, invece di aspettare che qualcosa si rompa e spesso correre per trovare i fondi, possiamo classificare gli investimenti in modo proattivo.
Possiamo, per esempio, stilare una lista dei 10 asset più critici da affrontare nei prossimi 5–10 anni per ridurre i rischi e mantenere i livelli di servizio.
Per DND CAF, questo potrebbe significare dare priorità agli investimenti in hangar, moli, aree di addestramento e infrastrutture moderne che supportano operazioni critiche. Potrebbe evidenziare dove i cambiamenti climatici influenzeranno piste, strade, installazioni remote e infrastrutture attorno alle basi che supportano il nostro personale e le loro famiglie. Si possono poi allineare le decisioni di finanziamento a queste analisi. Ogni dollaro investito fa il massimo in termini di riduzione del rischio e di prontezza.

Per riassumere, DND CAF, attraverso l’AI Defense Center, ha la sfida di progettare e implementare soluzioni abilitate dall’IA in un modo che riduca gli sprechi, migliori i servizi e rafforzi la prontezza, mantenendo allo stesso tempo i valori, l’etica e la fiducia che sono centrali per il servizio pubblico e la professione delle armi. Grazie. E passo la parola a Dawn.

Hall, Dawn 36:03
Ottimo. Grazie mille, maggiore Bhatti. È stato davvero molto interessante. Apprezziamo tutto il contesto che hai portato, basato sulla tua esperienza vissuta. È fantastico.
Ora passerò la parola a Laurent Martel, direttore del Centre de la démographie di Statistics Canada. Laurent parlerà di alcuni dei dati di esempio forniti per questa dichiarazione di problema, in particolare i dati del censimento in Canada. Notate che, oltre a questi dati, ci sono ulteriori informazioni disponibili nelle slide e sul sito web. A te la parola, Laurent.

Martel, Laurent 36:34
Grazie, Dawn. Buongiorno a tutti. Vorrei anche ringraziare Jonathan, Mark e gli altri colleghi per questa opportunità di parlare del censimento del Canada, che è fondamentalmente una delle attività più grandi svolte in questo paese in tempo di pace. È un’impresa davvero impegnativa enumerare tutti i canadesi che vivono — o tutte le persone che vivono in Canada — e il prossimo censimento si terrà nel 2026. Un promemoria a tutti: sarà a maggio 2026. Assicuratevi di rispondere al censimento, naturalmente.

Il Canada ha una lunga tradizione censuaria. Abbiamo censimenti sin dagli inizi. Risalgono alla Nuova Francia sotto Jean Talon nel 1666, e attualmente il censimento si tiene ogni cinque anni nel paese, negli anni che finiscono per 1 e per 6. Quindi 2021, 2026, 2031, ecc. Questa è la situazione attuale. Ricordo a tutti che il censimento fornisce un’istantanea della popolazione canadese in un preciso momento. Molte leggi nel paese fanno riferimento al censimento canadese e ai dati che fornisce. Il grande, grande punto di forza — e lo sottolineo — del censimento della popolazione è la capacità di produrre dati molto affidabili a livello locale, per le comunità in tutto il paese. Questo è il valore di avere un censimento.
Possiamo produrre — Statistics Canada ha molte tabelle di dati sul suo sito web per tutte le comunità del paese. Possiamo arrivare fino ai quartieri nelle città più grandi o alle riserve, per esempio. Il censimento copre anche le “collective dwellings” (strutture collettive). È quindi una vera enumerazione esaustiva della popolazione canadese, tenetelo a mente. È molto impegnativo, come ho detto, enumerare la popolazione che vive su un territorio così vasto.
E con una tale diversità. Ci sono moltissime attività che devono essere svolte per organizzare il censimento. Il ciclo del censimento copre in realtà un periodo di sette anni. Si va dalla consultazione sui contenuti e dalla definizione dei contenuti.
Alla progettazione dei sistemi e dei processi; dobbiamo assumere personale quando facciamo il censimento, ci sono le operazioni sul campo che inizieranno presto, per esempio gli invii postali e la distribuzione dei questionari in più lingue.
Dopo la raccolta dei dati, si svolgono attività di follow-up per i non rispondenti. C’è un processo di revisione e imputazione dei dati, ovviamente la valutazione della qualità. Poi diffondiamo i dati, cosa che avverrà nel 2027, e diffondiamo i risultati del censimento canadese per tutti i canadesi. E naturalmente ci sono molti documenti di riferimento associati a questi dati che vengono pubblicati. È un’iniziativa molto vasta e, nell’ultimo decennio, abbiamo aggiornato i metodi per condurre il censimento. Per esempio, usiamo molto più di prima i dati amministrativi, quando possibile, per ridurre il carico di risposta per i canadesi. Vi darò due esempi di dati amministrativi usati nel censimento.
Usiamo i dati dell’ARC (Agenzia delle Entrate del Canada) per il reddito dei canadesi, e questo viene usato nel contesto del censimento. Usiamo anche i dati di IRCC (Immigration, Refugees and Citizenship Canada) per lo status di immigrazione. Quindi non poniamo più domande sullo status di immigrazione. Raccogliamo le informazioni direttamente da IRCC, usando i loro dati amministrativi. Aggiorniamo anche, ovviamente, tutti i nostri processi quando possibile per sfruttare i nuovi strumenti a nostra disposizione, per esempio il machine learning. L’IA, ovviamente. L’automazione è usata più che mai. Abbiamo iniziato a usare, per esempio, il machine learning qualche anno fa, e viene sicuramente utilizzato nell’area della codifica e in altre attività, per esempio quando convalidiamo i dati, quando cerchiamo di capire se ci sono outlier nei dati che abbiamo raccolto. L’identificazione degli outlier può essere migliorata con questi nuovi strumenti, ed è sicuramente qualcosa che Statistics Canada sta facendo.
Usiamo anche questi nuovi strumenti ogni volta che ci sono compiti ripetitivi e, per esempio, quando dobbiamo raccogliere o recuperare risposte scritte a mano dai canadesi nei questionari del censimento. Usiamo molti di questi nuovi strumenti per aiutarci ad accelerare l’elaborazione dei dati delle risposte scritte a mano che i canadesi ci hanno fornito. Concluderò questa breve presentazione sul censimento e su come possiamo sfruttare questi nuovi strumenti dicendo che stiamo effettivamente cercando e usando più IA per l’analisi e, in futuro, per aiutarci a redigere alcuni comunicati stampa per diffondere i dati e le analisi ai canadesi, cosa che avverrà nel 2027, come ho detto. E ricordate sempre che il censimento è anche la base di molti altri programmi statistici in corso a Statistics Canada. Un esempio è il programma di proiezioni della popolazione. Usiamo molti dati del censimento per stabilire proiezioni per il futuro, e queste proiezioni vengono utilizzate da moltissimi dipartimenti per le loro esercitazioni di pianificazione, tra cui la pianificazione delle infrastrutture necessarie per il futuro e la prestazione di programmi. Quindi le proiezioni della popolazione sono, essenzialmente, come altri programmi statistici che utilizzano fortemente i dati del censimento che pubblichiamo. Mi fermo qui, Dawn, per vedere se ci sono domande.

Hall, Dawn 43:05
Ottimo. Grazie mille, Laurent, e grazie ancora anche al maggiore Bhatti. Informazioni davvero molto interessanti sulla nostra dichiarazione di problema 3. Passeremo alla dichiarazione di problema 4 e, per questa ultima dichiarazione di problema, sono lieta di dare il benvenuto a Natasha D’Souza dell’Office of the Chief Information Officer, Treasury Board of Canada Secretariat, nonché a Shane Tompkins dell’Expenditure Management Sector, anch’esso al Treasury Board of Canada Secretariat. Passo la parola a Natasha.

DSouza, Natasha 43:37
Grazie mille, Dawn, e grazie per l’opportunità di essere qui oggi. Ciao a tutti. Come Dawn ha menzionato, Shane ed io siamo qui, dal Treasury Board of Canada Secretariat, per condividere alcune informazioni su un paio di set di dati relativi ai programmi e ai servizi del Governo del Canada che potrebbero aiutarvi a progettare una soluzione al problema secondo cui i clienti hanno una vasta gamma di esigenze comunicative e le interazioni con il governo possono essere difficili, frustranti e aggravare barriere esistenti.
Il vostro compito sarebbe quindi progettare una soluzione per comunicare con le persone in modo accessibile per un’ampia gamma di lingue, culture e/o abilità. Ad esempio, potrebbe essere uno strumento per acquisire e verificare le informazioni fornite da un cliente, oppure uno strumento per aiutare a mettere insieme le informazioni pertinenti per compilare moduli o prepararsi a un colloquio con rappresentanti del governo.
Prima di iniziare, volevo menzionare che il Canada ha un sistema di governo federale con tre livelli distinti: federale, provinciale o territoriale e municipale. Ogni livello fornisce servizi ai canadesi, e le informazioni che Shane ed io condivideremo oggi riguardano il livello federale, cioè programmi e servizi forniti dal Governo del Canada.
Il governo federale eroga oltre 1500 servizi al pubblico, che vanno dai passaporti e l’assicurazione impiego ai servizi di frontiera e immigrazione, al sostegno alle imprese, ai viaggi, ai consigli sanitari e persino alle previsioni del tempo.
Questi servizi sono forniti attraverso più di 70 dipartimenti e agenzie che variano ampiamente per mandato, dimensione e base di clientela. L’inventario dei servizi del Governo del Canada è uno dei due set di dati di cui parleremo oggi.
È stato creato per offrire visibilità sui servizi che il governo federale eroga a persone, imprese e persino ad altri dipartimenti governativi. Il set di dati è disponibile sul Portale del governo aperto del Canada ed è aggiornato annualmente tra settembre e dicembre. Quindi, se state visitando il link in questo momento, potrebbe esserci qualche informazione parziale disponibile per l’anno più recente, che è il 2024–25.
Ci sono anche due file che compongono l’inventario dei servizi. Il primo contiene informazioni di base per identificare i servizi e il secondo contiene informazioni sulle prestazioni rispetto agli standard di servizio. In sostanza, l’inventario dei servizi è un set di dati standardizzato sui servizi del Governo del Canada che contiene informazioni sui volumi per canale, la disponibilità online, i tipi di servizio e i destinatari, nonché le prestazioni degli standard di servizio. Tuttavia, come con qualsiasi set di dati, ci sono alcune avvertenze quando si utilizza questo dato.
Prima di tutto, l’inventario dei servizi spesso descrive i servizi governativi dal punto di vista del governo, quindi non cattura sempre il modo in cui un cliente sperimenterebbe i servizi o in quale punto del processo potrebbe avere difficoltà. Include informazioni sui metodi di soddisfazione del cliente o sulla raccolta del feedback, ma non include misure come i punteggi di soddisfazione del cliente. E, in alcuni casi, la natura del servizio fa sì che determinati campi dell’inventario possano non essere applicabili a quel servizio. Per esempio, i servizi correttivi erogati in presenza probabilmente non avranno dati relativi al canale di domanda online. In particolare per il canale di domanda, raccomandiamo un’interpretazione ampia di ciò che intendiamo per “domanda”, perché non tutti i servizi richiedono una domanda per accedervi. Pensate a questi dati più come volumi complessivi per il servizio.
Un’altra cosa da sapere è che c’è una complessità aggiuntiva quando un servizio è una responsabilità condivisa tra dipartimenti. Per esempio, il programma canadese per i passaporti e il programma canadese per l’assistenza dentale sono responsabilità di un dipartimento e vengono amministrati in tutto o in parte da un altro dipartimento. Questo si traduce in due voci separate per lo stesso servizio. In altri casi, una voce di servizio rappresenta l’intero servizio end-to-end, come l’assicurazione impiego, che include sia il call center sia l’amministrazione del servizio. Per questa sfida, vi incoraggerei a usare l’inventario dei servizi del Governo del Canada per familiarizzare con il panorama dei servizi del Governo del Canada e, nel farlo, raccomanderei di esaminare i dati per l’esercizio finanziario 23/24, che è l’anno finanziario più completo e recente che abbiamo.
Vi suggerirei di concentrarvi sui servizi forniti ai clienti, in cui l’ambito del servizio (service scope), per esempio, contiene la parola “external” (esterno) e in cui il numero totale di domande è superiore a zero. Potete visitare il sito web dei servizi, che di solito è fornito nel set di dati di identificazione dei servizi, per saperne di più sui singoli servizi, se necessario. E un’ultima cosa: i dati sui servizi richiedono anche di creare un collegamento con le informazioni sui programmi. Troverete quindi il nome del programma nell’inventario dei servizi, il che può aiutarvi a costruire una comprensione migliore, scusatemi, della natura del servizio.
Ora cedo la parola a Shane per parlare più in dettaglio dei programmi. Shane, a te.

Tompkins, Shane 48:55
Grazie, Natasha. I dati dell’inventario dei programmi, a mio avviso, rappresentano un complemento a questa iniziativa e ai dati dell’inventario dei servizi di cui ha parlato Natasha, mostrando in modo più ampio come le risorse e i risultati del governo siano strutturati dietro i servizi con cui le persone interagiscono.
Questo può aiutare a rispondere a domande su come il Governo del Canada — il governo federale — sia organizzato attraverso un insieme esaustivo di programmi e finanziamenti, e il lavoro degli equivalenti a tempo pieno (FTE) all’interno di quei programmi.
E su come si allineino alle responsabilità fondamentali e agli obiettivi di ciascun dipartimento, tutti soggetti alla Treasury Board Policy on Results. Potete esplorare queste informazioni in modo più visivo su GC InfoBase, che è una delle piattaforme di visualizzazione dati pubbliche più longeve del Governo del Canada. Ma potete anche scaricare i set di dati dell’inventario dei programmi dalla pagina dei dati aperti di GC InfoBase. Questi set includono risorse pianificate e effettive, spesa e FTE, e prestazioni nel tempo in una struttura coerente e “cross-government”.
Mentre l’inventario dei servizi fornisce un’attenzione più diretta alle interazioni di prima linea, potreste trovare utile l’inventario dei programmi per comprendere meglio il panorama complessivo, come i programmi sono dotati di risorse e come tali risorse sono collegate ai risultati.
Gli ID dei programmi e i nomi dei programmi sono presentati nel set di dati dell’inventario dei servizi e vi permettono di collegare questi ultimi ai programmi di cui Natasha ha parlato, usando il set di dati dell’inventario dei programmi nel Portale del governo aperto. Quindi, se filtrate per l’esercizio finanziario 23/24 nell’inventario dei servizi, vorrete ovviamente fare lo stesso per il set di dati dell’inventario dei programmi, così da mantenere coerenza. Spero che questo set di dati supplementare sia utile per voi insieme ai dati dell’inventario dei servizi. E con questo restituisco la parola a Dawn.

Hall, Dawn 50:58
Ottimo. Grazie mille, Natasha e Shane. Apprezzo davvero l’aggiornamento e passeremo alla slide successiva, che è l’ultima presentazione di questa parte dell’evento. Passo ora la parola a Damian Laverty del team Open Government qui al Treasury Board of Canada Secretariat. Damian parlerà dell’Open Government Portal e, sebbene si riferisca al contesto canadese, molti degli altri governi del G7 hanno anch’essi portali di governo aperto. Quindi passo la parola a te, Damian.

Laverty, Damian 51:32
Grazie, Dawn, e buongiorno o buon pomeriggio a tutti, a seconda da dove vi collegate. Vi guiderò molto rapidamente, a un livello molto alto, per darvi qualche informazione sul nostro portale di governo aperto, che potete trovare su open.canada.ca.
Fondamentalmente, riguarda l’abilitazione della divulgazione proattiva e continua di dati e informazioni governative. Ciò significa due cose. Può essere qualsiasi cosa che dobbiamo per legge rendere pubblicamente accessibile al pubblico e/o informazioni di valore che riteniamo possano essere utili ai cittadini, al mondo accademico, ecc. Prossima pagina, per favore.
Ancora una volta, a un livello molto alto, il portale di governo aperto è stato lanciato nel 2011 principalmente come un repository centrale per dati e informazioni aperti. Da allora è diventato la piattaforma prescritta per tutte le informazioni che devono essere pubblicate in modo proattivo ai sensi della parte 2 della nostra Access to Information Act.
Quindi è interessante: abbiamo questo enorme sito che chiunque può visitare e usare come strumento per consultare i dati che riteniamo di valore per chiunque. Ma è anche la nostra piattaforma prescritta affinché tutte le istituzioni pubblichino nello stesso punto, per tutti, in modo proattivo, alcune informazioni che sono richieste per legge, come informazioni sui contratti, divulgazioni delle spese di viaggio, ospitalità, sovvenzioni e contributi, cose di questo tipo. Abbiamo attualmente oltre 45.000 pubblicazioni provenienti da più di 170 istituzioni federali e attualmente 11 province e territori; registriamo in media oltre 300.000 visite al mese, senza alcuna pubblicità. Non stiamo cercando di incrementare queste visite con campagne pubblicitarie, ma forse il numero più grande è che abbiamo superato da poco i 3 milioni di record individuali di pubblicazioni proattive. È enorme. Sono 3 milioni di elementi che sono stati divulgati a tutti nel mondo nel nostro tentativo di essere trasparenti in tutto ciò che facciamo come governo. Tutto ciò che è pubblicato sul portale di governo aperto ricade inoltre sotto la Open Government Licence senza restrizioni, quindi queste informazioni possono essere riutilizzate per qualsiasi scopo. Potrebbe trattarsi di avviare un’azienda, di fare un progetto scolastico, di raccogliere informazioni o semplicemente di imparare. Non ci sono restrizioni. Prossima slide, per favore.
Usare il portale è piuttosto semplice. Quando arrivate alla pagina principale, troverete una suddivisione tra “open information and data”, “Government spending and operations”, che è la nostra sezione di pubblicazioni proattive, e poi i sommari delle precedenti richieste di accesso alle informazioni divulgate. Tuttavia,
una volta entrati nella funzione di ricerca del portale, vedrete che ci sono molti modi per fruire dei dati attraverso i filtri: potete filtrare per organizzazione, per tipo di pubblicazione, potete essere specifici nelle vostre ricerche. Ovviamente dovrete prestare attenzione ai vostri “AND”, “OR” e “NOT” nelle parole chiave.
Controllate l’istituzione che ha pubblicato il dato. È molto importante perché, ancora una volta, il portale non possiede nessuno di questi dati, né lo fa il Treasury Board. Forniamo semplicemente il veicolo attraverso cui questi vengono comunicati e un unico punto centrale per tutti per fruire di queste informazioni. Quindi, se avete domande specifiche sui dati, è sempre meglio contattare le singole istituzioni, in quanto sono loro i proprietari dei dati, sì. E, di nuovo, grazie agli strumenti di ordinamento dei risultati, potete risalire fino al 2011. Vorrei forse sottolineare ciò che può essere ovvio a molti: i dati più recenti sono solitamente migliori e più utilizzabili. Man mano che cambiamo le priorità, stiamo cercando di concentrare le nostre energie per rendere i dati non solo più trasparenti ma anche più utilizzabili e standardizzati. Stiamo quindi cercando opportunità per trovare set di dati vecchi in cui potrebbero non essere stati usati standard di dati che oggi potrebbero essere piuttosto ovvi, come il formato per date, orari, luoghi, in modo da rendere tutti i nostri dati più leggibili dalle macchine. Prossima slide, per favore.
Senza entrare troppo nel tecnico, il portale gira su software open source. Quindi abbiamo il nostro coinvolgimento con CKAN, con Drupal, un database SQL e Solr. Potete consultare i link all’interno dei documenti per saperne di più, se volete.
Incoraggerei anche tutti, in fondo alla pagina del nostro portale di governo aperto — sempre open.canada.ca — a cliccare sul link su come caricare, consultare e usare i dati. Cliccando su quel link, troverete guide su come lavorare con i dati e le API per chi potrebbe appena entrare in questo ambiente.
Prossima slide, per favore.
Sì. E penso che sia tutto. Quindi grazie mille a tutti e restituisco la parola a Dawn. Merci.

Hall, Dawn 56:51
Meraviglioso. Grazie mille, Damian. E ancora un enorme grazie a tutti i nostri esperti che hanno potuto unirsi a noi oggi per parlare delle loro aree di competenza e di come l’IA e i dati possano davvero aiutarli a continuare l’ottimo lavoro che stanno facendo.
Ora passerò la parola a Jonathan.

Macdonald, Jonathan 57:12
Grazie mille, Dawn. E a tutti, grazie mille per la discussione. È stata davvero ricca, con molte informazioni e contesto, e ora abbiamo un’altra dimostrazione per voi da parte del Governo della Francia. Il nostro collega Nicolas Sévin, AI Institutional Relations Officer presso la Direction interministérielle du numérique, ha preregistrato una demo di alcuni strumenti di IA che sono utilizzati oggi nel Governo francese. E quindi daremo un’occhiata a quali strumenti sono.

Sévin, Nicholas via Kinsman, Alison 57:50
Ciao a tutti, spero che stiate bene. Mi dispiace non poter partecipare a questa chiamata. Come richiesto dai nostri colleghi canadesi, ho registrato la presentazione in cui illustrerò due strumenti “code dependent” che il governo francese ha sviluppato, il primo dei quali è Albert API e il secondo è l’assistente di IA, e parlerò di queste due iniziative. Prima di descrivere l’assistente interministeriale di IA, è importante presentare Albert API, che potete vedere ora sul mio schermo e che costituisce uno dei suoi componenti tecnici centrali. È noto anche come Opengate LLM nella sua versione open source.
È uno strumento sviluppato dallo stato francese per fornire un modo unificato, sicuro e sovrano di accedere ai modelli di IA generativa. In termini pratici, Albert API funge da unico punto di ingresso attraverso il quale si possono utilizzare diversi modelli.
Questi modelli possono essere modelli open source, modelli con pesi aperti, oppure modelli proprietari in contesti di sperimentazione molto specifici, di cui parlerò tra un secondo. L’idea di fondo è che, centralizzando l’accesso in questo modo, lo stato può garantire una governance coerente, un’integrazione molto più facile e il controllo dell’uso delle risorse di calcolo in tutto il sistema. Una scelta progettuale fondamentale è la compatibilità con gli standard dell’API di OpenAI, che rende Opengate LLM, o Albert API, interoperabile con un’ampia gamma di strumenti e framework esistenti. Di conseguenza, i team all’interno dell’amministrazione possono riutilizzare numerose librerie
o prodotti senza dover riprogettare l’intera architettura software, e ciò supporta anche funzionalità più avanzate oltre la semplice generazione di testo, come la retrieval-augmented generation che include la ricerca corrente, l’OCR ma anche text-to-speech, speech-to-text, traduzione, “model context protocol”. Tutte queste funzionalità consentono all’API di essere usata non solo per interfacce conversazionali ma anche per l’elaborazione di documenti, l’analisi e assistenti specifici di dominio.
Infine, menzionerò che questo strumento è distribuito su infrastrutture molto sovrane, quindi oggi gira in un ambiente cloud con qualificazione di secondo livello, gestito dal settore privato, Outscale. Ma in futuro le distribuzioni passeranno progressivamente
al Nubo, che è il cloud interministeriale del governo francese, garantendo che nel complesso i dati elaborati tramite Albert API rimangano sotto il controllo dello stato francese.
Quindi, sì, in breve, l’API fornisce il fondamento tecnico che permette alle diverse amministrazioni di sperimentare la generativa in modo sicuro, standardizzato e interoperabile, che è allo stesso tempo un asset comune e un abilitatore, insieme ai servizi più visibili costruiti sopra di essa, tra cui l’assistente interministeriale di IA, che presenterò ora. Questa sarà la mia dimostrazione nel lettore Microsoft.
Vi presenterò quindi questo assistente, che è un progetto guidato dallo stato francese e coordinato da noi, la Direction du numérique. Il suo obiettivo è fornire una base comune, sovrana e riutilizzabile per l’IA generativa, un po’ come lo è l’API, ma con l’API al livello tecnico, mentre l’assistente è il modo, direi, più pubblico di usare l’IA. Nel complesso, direi che è parte di uno sforzo governativo più ampio per modernizzare i servizi pubblici, assicurando al contempo il controllo delle tecnologie che contribuiscono in modo massiccio al lavoro amministrativo, quindi l’obiettivo non è creare un unico strumento imposto a tutte le amministrazioni, ma offrire una base condivisa che i ministeri possono adottare, integrare o estendere in base alle proprie esigenze. Questa base condivisa è costruita per rimanere aperta, interpretabile e compatibile con i requisiti di sicurezza che si applicano alle infrastrutture dello stato e aggiungerei che, nel suo nucleo, l’assistente è più di una semplice interfaccia di chat, perché si basa su una catena end-to-end di elaborazione con molteplici modelli linguistici, dati vettorializzati e, naturalmente, le API di cui parlavo prima. Questa catena permette all’assistente di integrarsi negli strumenti esistenti, in particolare nella Suite numerique, che è la suite digitale governativa.
Include strumenti visuali, strumenti di traduzione e così via. Tutto ciò fa sì che l’assistente di IA possa supportare vari compiti amministrativi, coprendo un’ampia gamma di attività, come la sintesi di testi e l’analisi di documenti.
Quindi, come stavo per mostrarvi, se scrivo questo tipo di domanda… potrei aver fatto un piccolo errore di battitura ma… vedrete che abbiamo un modo molto standardizzato di
rispondere.
Non leggerò tutto, ma potete vedere che è molto completo. Potete persino vedere una delle fonti. Credo che ce ne siano di più, ma è ancora un lavoro in corso, nel complesso. Quindi, il progetto è davvero pensato per servire l’intero ecosistema interministeriale.
Molti ministeri hanno già sviluppato il proprio strumento, quindi in questo senso l’assistente mira davvero a coesistere e non a sostituire queste iniziative. E offre una base comune per i ministeri che non desiderano mantenere una propria infrastruttura, e fornisce anche componenti da utilizzare in contesti di riuso, ed è nel complesso coordinato ancora una volta da noi, la Direction du numérique, anche se i ministeri possono contribuire in vari ruoli, come feedback, progetti pilota, contributi tecnici e così via. Una cosa che voglio sottolineare è che siamo attualmente in una fase molto importante del progetto, che è la fase di valutazione. Include al centro un partenariato di sperimentazione con Mistral AI, che è, come sapete, la “unicorn” francese dell’IA, e potrebbe proseguire fino a metà 2026. Quindi, in questo quadro, fondamentalmente lo stato sta testando l’uso di modelli proprietari su un’infrastruttura sicura.
Su larga scala, quindi l’obiettivo di questa sperimentazione è rispondere a diverse domande: quali modelli sono più adeguati, quanta capacità di calcolo è necessaria, quali tipi di casi d’uso emergono e così via. Raccoglieremo quindi molte informazioni, molti dati, molti feedback per aiutare a identificare i costi e la fattibilità di un eventuale ampliamento a una popolazione di utenti più ampia. E quindi sì, come dicevo, a un livello più tecnico, il backend si basa su Albert API o Opengate LLM, come preferiamo chiamarlo, ancora una volta lo strumento precedente, e il tutto è ospitato su infrastrutture molto sovrane e sicure.
Sì, concluderò perché vedo che i tempi sono piuttosto stretti, in realtà. Per concludere, ricordo che si tratta di un’infrastruttura digitale pubblica, ma è ancora in costruzione. Ancora una volta, la fase di valutazione è qui per raccogliere feedback. E sì, è ancora un lavoro in corso. È progettata per supportare le amministrazioni che desiderano utilizzare la GenAI in un contesto molto controllato e sovrano e voglio sottolineare quanto il prossimo anno sarà cruciale per sviluppare questo strumento, perché dedicheremo tutti i nostri sforzi a valutare il suo utilizzo, a valutare la
diciamo così… importanza di questo strumento, se sarà usato o meno, e a determinare collettivamente come, alla fine, debba presentarsi e come debba evolvere per servire al meglio le amministrazioni pubbliche, e questo è tutto per la mia presentazione. Resto disponibile via e-mail se volete, se avete domande, e spero di vedervi in un incontro futuro. Grazie mille.

Ciao a tutti.

Hall, Dawn 1:08:18
Ciao, bentornati. Grazie mille a Nicolas e passo di nuovo la parola a Jonathan.

Macdonald, Jonathan 1:08:25
Grazie mille. Sì, ora credo che inizieremo il periodo dedicato alle domande. Quindi, se ci sono domande in chat o nella sezione Q&A di questo incontro, possiamo passarle in rassegna e attingere all’esperienza dei nostri ospiti per arrivare ad alcune risposte. Dunque, Mark, a te per facilitare.

Levene, Mark 1:08:51
Grazie, Jonathan. Questa è la parte più interattiva della nostra presentazione di stamattina, direi. Abbiamo già alcune domande nella sezione Q&A. Se volete porne altre, sentitevi liberi di farlo. Potete farlo in una delle due lingue ufficiali del Canada. Partiremo con alcune delle domande che abbiamo già. La prima è: la sanità pubblica rientra nell’ambito di questa sfida?
Forse, Dawn, puoi iniziare con la tua risposta.

Hall, Dawn 1:09:18
Certo, assolutamente. Anche se nessuna delle dichiarazioni di problema è specificamente sulla sanità pubblica, posso facilmente immaginare come la sanità pubblica possa rientrare nell’ambito di questa sfida. Per esempio, i governi forniscono molte informazioni sanitarie molto importanti e potreste pensare a questo nel contesto della dichiarazione 4, dove dobbiamo avere comunicazioni governative accessibili per aiutare le persone a ricevere queste importanti informazioni sanitarie attraverso lingue, culture e abilità diverse. Sarebbe un esempio chiaramente positivo per la salute. Un altro esempio è che si potrebbe vedere come ci siano grandi quantità di informazioni sulla salute che il governo dovrebbe analizzare. E quindi, per la dichiarazione 1, potreste adattare la soluzione a qualcosa di più orientato alla sanità e, in modo analogo, per la dichiarazione 2, se pensate a… o 3, quando pensate alla legislazione, esiste una legislazione sanitaria; per la dichiarazione 3, potreste pensare che ci siano molti processi quando pensate, ad esempio, alla logistica, alle forniture e alla distribuzione di mascherine, camici e così via in tutto il paese.
Lascio a voi decidere se vi sentite sicuri a procedere con la sanità pubblica in questo contesto, ma ci sono certamente collegamenti che potrebbero essere stabiliti. Grazie.

Levene, Mark 1:10:45
Grazie, Dawn. Una domanda più generale è: quali sono alcune delle sfide più grandi che i vostri team stanno affrontando e alle quali la sfida potrebbe aiutare a rispondere? Potrei girare questa domanda ad alcuni dei relatori. Non so, Liam, se hai qualche idea su alcune delle sfide più grandi che avete in questo momento?

Wilkinson, Liam 1:11:06
Certo. Credo che la memoria istituzionale sia un tema davvero centrale nel governo del Regno Unito. La politica è enorme, il governo deve affrontare un sacco di problemi diversi e interessanti, il che significa che abbiamo una grande quantità di documentazione e di rapporti eccellenti che le persone scrivono. Ma a volte questi rapporti vengono letti una o due volte dalle persone “giuste” e poi possono essere dimenticati col tempo. Quindi penso che la grande opportunità dell’IA sia capire come possiamo usarla per indicizzare e strutturare queste gigantesche basi di conoscenza che potrebbero aiutarci davvero a fare politiche migliori. Ad esempio, se si parla di politiche sanitarie — come gestiamo l’equilibrio tra ospedali e sistema di assistenza sociale? Quali sono i meccanismi giusti che dovremmo seguire? — su questi temi ci sono state enormi ricerche nel corso degli anni, ed è utile seguirne l’evoluzione nel tempo. Per me, prendere la memoria istituzionale dei governi e renderla molto più accessibile è un’area problematica davvero grande su cui riflettiamo molto nel Regno Unito.

Levene, Mark 1:12:13
Perfetto. Grazie. Qualcun altro tra i relatori vorrebbe rispondere anche a questa domanda? Anna, magari?

Logie, Anna 1:12:24
Certo. Forse dirò, a braccio, che abbiamo numerose leggi con cui i cittadini comuni interagiscono spesso. Penso all’Access to Information Act o al Privacy Act, in cui possono voler presentare richieste e cercare di capire come tutte queste regole complesse si applichino al loro caso specifico.
I governi cercano di rendere queste informazioni più accessibili attraverso linee guida in linguaggio semplice, per esempio, ma è comunque davvero tanto da assimilare. Può trattarsi di centinaia di pagine di linee guida in linguaggio semplice. Quindi avere qualcosa come uno strumento di IA che possa aiutare gli utenti comuni a capire meglio come le regole si applichino ai fatti specifici del loro caso potrebbe aiutare con l’accesso alla giustizia e aumentare l’accesso all’informazione, soprattutto mentre queste norme continuano a diventare più complesse. Grazie.

Levene, Mark 1:13:11
Grazie, Anna. Un’altra domanda, su un tema completamente diverso. Scusate, ero in muto. Forse questa è per Laurent o Damian, ma sappiamo che uno dei maggiori ostacoli alla pubblicazione dei dati del censimento e dei dati aperti in generale è il rischio di rivelare, o potenzialmente rivelare, dati personali. Vedete ancora sfide che l’IA potrebbe forse affrontare nel trattamento della quantità di dati personali contenuti nei set di dati aperti o nei set di dati del censimento? È qualcosa che potrebbe rappresentare un’opportunità per questa sfida?

Martel, Laurent 1:13:51
È una domanda molto buona, Mark. Posso confermare al 100% che, a Statistics Canada, uno dei nostri valori principali è proteggere la riservatezza delle informazioni che i canadesi ci forniscono. Quando arrivano in Statistics Canada, non escono. Abbiamo regole rigorose sulla riservatezza. Ci assicuriamo che, nelle nostre tabelle del censimento, poiché lavoriamo a livello di aree molto locali, dobbiamo prestare particolare attenzione in alcune tabelle, in modo che nessuno possa identificare un individuo in una cittadina molto piccola con caratteristiche specifiche, per esempio. Dobbiamo prestare attenzione a questo. E ciò è garantito dai nostri servizi metodologici qui a StatsCan, che si assicurano che i processi di arrotondamento siano in atto per arrotondare i dati in modo da aggregarli, in modo che nessuno possa essere identificato come individuo. Una delle sfide più grandi che affrontiamo oggi con questi nuovi strumenti come l’IA è identificare come possano aiutarci nei nostri processi statistici già esistenti, perché questi processi per garantire la riservatezza sono in vigore da molto tempo, e stiamo attualmente valutando come questi nuovi strumenti possano essere sfruttati. Quindi non ho una risposta precisa nei dettagli. Ma sicuramente stiamo esaminando tutto usando questi nuovi strumenti. Stiamo rivedendo tutte le attività che rientrano nel programma del censimento e potrebbe esserci un potenziale per garantire modalità più efficienti di arrotondamento usando l’IA. Produciamo molti dati, quindi e molte tabelle di dati, quindi migliorare il flusso di produzione di tutti questi dati e garantire la riservatezza è probabilmente l’area in cui l’IA e questi nuovi strumenti di automazione possono essere più utili.

Levene, Mark 1:16:09
Grazie.

Laverty, Damian 1:16:10
Aggiungerò qualcosa solo perché mi è stata posta la domanda, ma potrei non avere la risposta migliore. Solo un promemoria: qui si tratta di informazioni aperte. Quindi non abbiamo le stesse sfide. L’unica informazione che potrebbe avvicinarsi alla sfera personale sarebbero i nostri sommari delle richieste di accesso alle informazioni e questo è il contesto in cui pubblichiamo un sommario di richieste di accesso alle informazioni già completate. Ma non è informazione coperta dalla Privacy Act, giusto, quindi anche lì stiamo parlando di informazioni che per natura non ricadono sotto la legge sulla privacy. Non posso davvero darvi esempi concreti, mi dispiace. Credo che sarebbe più una domanda specifica per le singole istituzioni, su come possano usare questo tipo di strumento di IA per proteggere le loro informazioni e le attività che svolgono.
Mi dispiace non poter essere più utile.

Levene, Mark 1:17:07
Va benissimo, Damian. Grazie. Ti abbiamo messo un po’ sul posto. Abbiamo tre domande più orientate al processo per Dawn e Jonathan. La prima è: l’obiettivo è creare soluzioni che servano direttamente gli utenti dei servizi governativi o possiamo pensare a soluzioni per i funzionari pubblici o i membri del governo?

Macdonald, Jonathan 1:17:28
Inizio io e, Dawn, sentiti libera di aggiungere ciò che ritieni opportuno. Da un punto di vista egoistico, vorrei dire che ovviamente siamo interessati a strumenti che aiutino la funzione pubblica, ma no, le soluzioni qui sono per entrambi, in realtà. Cerchiamo soluzioni che migliorino, in qualsiasi modo, il modo in cui abbiamo a che fare con il pubblico, sia direttamente sia indirettamente o anche in ambiti
che potrebbero avere una connessione meno diretta con il pubblico, ma che potrebbero riguardare il campo della scienza e della ricerca. Ci sono davvero numerosi percorsi e soluzioni da esplorare, purché
rientrino bene in una delle quattro dichiarazioni di problema. Credo che sia l’unico criterio reale. Ma soluzioni rivolte ai funzionari pubblici internamente o rivolte più direttamente ai cittadini o ai clienti sono entrambe perfettamente accettabili.

Levene, Mark 1:18:25
Perfetto. Grazie, Jonathan. Questa è per Dawn, perché so che abbiamo già ricevuto questa domanda. Per tutte e quattro le dichiarazioni, è fondamentale usare LLM open source o si possono usare modelli proprietari per inferenza e compiti di NLP? Non sono sicuro di sapere cosa sia l’NLP, però.

Hall, Dawn 1:18:41
È il Natural Language Processing. Ma sì, assolutamente, potete usare modelli proprietari. Tuttavia, dovete davvero assicurarvi di avere le licenze e i permessi appropriati, in particolare perché vogliamo poter scalare e usare queste soluzioni in tutto il governo. Quindi gli open source potrebbero prestarsi più facilmente a qualcosa di questo genere, ma non ci sono restrizioni contro l’uso di modelli proprietari, a condizione che abbiate gli opportuni permessi e la proprietà intellettuale in ordine.

Levene, Mark 1:19:15
Perfetto. E poi un’altra domanda, probabilmente ancora per Dawn: sono un funzionario pubblico presso Affari Globali Canada. Ho bisogno dell’approvazione del mio manager per partecipare al concorso?

Hall, Dawn 1:19:30
Inizio io e poi Jonathan può completare. I funzionari pubblici possono partecipare. Tuttavia, non possono ricevere finanziamenti. I funzionari pubblici devono partecipare e sviluppare le loro soluzioni nel loro tempo libero e senza usare risorse governative. In generale, consiglio di essere il più aperti e trasparenti possibile con il proprio manager, quindi probabilmente è una buona idea parlarne con lui o lei, ma tenete a mente che dovrete farlo come privati cittadini.
Jonathan, qualcosa da aggiungere?

Macdonald, Jonathan 1:20:06
Credo che tu abbia coperto tutto, Dawn. Sottolineerei solo, ancora una volta, l’importanza di essere molto trasparenti con la propria struttura di gestione, e potrebbe anche essere necessario un breve confronto con i vostri referenti interni in materia di valori ed etica, se ritenuto appropriato.

Levene, Mark 1:20:22
OK, penso che siano finite tutte le domande che abbiamo ricevuto. Come promemoria, potete contattarci direttamente. Dana ha pubblicato il link che abbiamo fissato in alto nella sezione Q&A. Siamo disponibili via e-mail, c’è un server Discord che i partecipanti possono usare per parlare tra loro e, ovviamente, abbiamo un sito web pubblico. Lì troverete tutte le nostre informazioni di contatto. Restituisco la parola a Jonathan per concludere l’evento. Vi ringraziamo tutti per la partecipazione di oggi. Ci sono state ottime domande, quindi grazie davvero.

Macdonald, Jonathan 1:20:56
Fantastico. Grazie, Mark. Quindi, sì, direi che è tutto. Vorrei ringraziare tutti gli ospiti, facendo eco a ciò che ha appena detto Mark, sia quelli in diretta sia quelli preregistrati, per il tempo e l’impegno di oggi, e i partecipanti, davvero. Grazie per il vostro interesse in questa sfida.
Spero davvero che questa sessione di esperti vi abbia dato qualche idea, magari chiarito i vostri pensieri o aiutato a focalizzare le vostre energie per sviluppare qualcosa di davvero innovativo e, su questo, dirò solo che negli ultimi tempi ho sentito parlare molto di “moonshots”. È un buon modo per iniziare a pensare alla vostra soluzione e a come possa essere trasformativa. Quindi, il cielo è il limite. Grazie a tutti. Buon lavoro con lo sviluppo. Grazie mille.

「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.

Macdonald, Jonathan 00:13
皆さん、こんにちは。私はジョナサン・マクドナルドと言います。カナダ政府財務委員会事務局（Treasury Board Secretariat）でデータとAIチームのディレクターを務めています。私はチームとともに、政府全体でAIを責任を持って導入するための戦略とポリシーを策定する役割を担っています。
ここには、最近公表された「連邦公務員向けAI戦略」などの取り組みや、基盤となるポリシー文書である「自動化された意思決定に関する指令（Directive on Automated Decision-making）」が含まれます。さらに最近では、この GovAI グランドチャレンジをカナダ側で主導しているチームでもあります。

まずお伝えしたいのは、私は現在、アルゴンキン・アニシナアベ（Algonquin Anishinaabe）民族の未割譲の伝統的な土地から参加しているということです。皆さんはそれぞれ異なる場所で働いていると思いますし、別の先住民の伝統的な領域でお仕事をされている方もいるでしょう。その点を少し思い起こしていただければと思います。

本日は、エキスパート・パネルディスカッションへようこそお越しくださいました。これは、ラピッド・ソリューション・ラボの期間中に開催される3つのイベントのうち2つ目にあたります。

その前に、運営面の注意事項をいくつかお伝えします。このイベントは録画しており、リアルタイムで参加できなかった方々も後から必要な情報を得られるようオンラインに掲載されます。
カメラとマイクはオフになっています。ご質問がある場合は、TeamsイベントのQ&Aセクションをご利用ください。イベントの最後に、最も人気の高かった質問にお答えしますので、関心のある質問にはぜひ「いいね」やアップボートをしてください。

会議の大半は英語で行われますが、フランス語やその他の言語での書き起こしもセッション後に提供されます。

始める前に、本日の流れを簡単にご紹介します。まず最初に、私と同僚のドーンから、グランドチャレンジとラピッド・ソリューション・ラボの概要、そして参加に関する詳細を振り返ります。
次に、シェアード・サービス・カナダ（Shared Services Canada）の同僚が、政府現場における自動化とAI活用の経験についてお話しくださいます。

その後、同僚のドーンが問題文（プロブレムステートメント）について説明し、カナダ国内および海外からお招きしている多くの尊敬すべきゲストの皆さんとともに、データセットに関するディスカッションをリードしてくれます。

Macdonald, Jonathan 2:03
そのディスカッションの後には、フランス政府の皆さんによるAIツール活用の興味深いデモも予定しています。最後に、本チャレンジの立ち上げにも大きく貢献してくれた同僚のマーク・レヴィーンが司会を務めるQ&Aセッションで締めくくります。
今日はこのように盛りだくさんの内容になっています。それでは、そろそろ本題に入りましょう。

まず「グランドチャレンジとは何か？」というところからです。
もし月曜日のローンチイベントを見逃していたら、グランドチャレンジとは、AIの力を活用して、現在政府が直面している最も喫緊の課題のいくつかを解決しようという非常に野心的なイニシアチブです。期間は11月17日から12月1日までです。

このチャレンジは、4つのラピッド・ソリューション・ラボ（バーチャル・ハッカソン）で構成されています。各ラボでは、政府が抱える難しい課題1つ1つに焦点を当てており、その内容についてはこの後詳しくお聞きいただけます。

チャレンジでは、イノベーティブかつスケーラブルな解決策を表彰するため、G7各国8つの国別カテゴリと2つのユースカテゴリに分かれて、合計最大10万カナダドルの資金提供を行います。
それでは、もう少し詳しい情報をお伝えするため、ドーンにバトンを渡したいと思います。

Hall, Dawn 3:09
ありがとうございます、ジョナサン。
ジョナサンも言ったとおり、私たちは月曜日にチャレンジを正式に立ち上げました。もしそのローンチイベントを見逃した場合は、録画と書き起こしがウェブサイトに掲載されているのでそちらをご覧ください。本セッションに必要なリンク類はすべて、同僚のデイナが投稿しているQ&Aセクションにまとめてあります。

皆さんを引き続きサポートし、勢いを維持するために、本日のイベントに加えて、来週火曜日には「なんでも聞いて（Ask Me Anything）」セッションも予定しています。そこでは、政府内の著名なゲストが待機しており、皆さんからの質問にお答えします。

質問がある場合は、メールを送っていただくか、Discordページの「Ask Me Anything」チャンネルに投稿していただくこともできます。チャレンジの締め切りは、12月1日（月）の東部時間午後3時です。次のスライドをお願いします。

ここでチャレンジのロジスティクスについて簡単におさらいします。
まず参加資格についてです。G7各国またはEUの居住者であれば誰でも応募できます。カナダ連邦公務員も参加は可能です。

ただし、公務員は資金の対象にはなりません。一方で、営利企業、非営利団体、高等教育機関などに所属する方は、資金提供の対象となります。
資金面では、合計最大10万カナダドルを準備しています。この10万カナダドルは、最大10件の採択者に分配され、それぞれ最大1万カナダドルを受け取る可能性があります。

年齢区分についても多く質問をいただいていますので、ここで明確にさせてください。
まず最初に強調したいのは、「年齢に関係なく誰でも応募できる」ということです。

そのうえで、13〜17歳と18〜29歳の方を対象とした特別カテゴリが2つ用意されています。
この年齢層に該当しない場合でも応募は可能ですが、その場合は国別カテゴリでの応募となります。G7各国およびEUごとに資金枠があり、これはすべての年齢の方が対象です。
一方で、13〜17歳と18〜29歳の方には、先ほどの特別年齢カテゴリがある、という形です。

応募したい方は、月曜日にオープンした応募ポータルから、12月1日午後3時（東部時間）までに申し込みを行ってください。
必要なのは、まずチームやご自身に関する情報を記入する申請フォームです。個人での応募も可能で、チームである必要はありません。また、評価基準に沿ってAIソリューションの内容を記入していただく必要があります。

さらに、5分以内のビデオへのリンクも必須です。このビデオでは、皆さんのソリューションが実際に動いている様子を見せてください。私たちが見たいのは、きちんと動作する「ミニマム・バイアブル・プロダクト（MVP）」です。このリンクは編集されていないYouTubeのURLである必要があります。

オプションとして、GitHubリポジトリへのリンクを提供することもできます。また、参加者ガイドの条件と規約を読み、同意する必要があります。リンクはポータルから参照できます。そこには、利益相反、プライバシー、知的財産権とライセンス、そして非常に重要な「行動規範（Code of Conduct）」など、多くの有益な情報が含まれています。
応募の際は、これらの条件に同意することを明示的に承認していただきます。

その他の注意点として、応募者本人が申請する場合は18歳以上である必要があります。18歳未満の方は、参加しない保護者が代理で申請することができます。
提出物は英語またはフランス語で構いません。なお、ビデオの時間や文字数には厳格な上限がありますので、それらを超えると失格となります。詳細は必ず参加者ガイドを確認してください。

次のスライドをお願いします。

これらのイベントに加えて、Discordチャンネルとメールアドレスを通じてのサポートも提供しています。とても心強いメンターのネットワークにも恵まれており、その情報もチャットに掲載しています。

では、ここで再びジョナサンに戻します。

Macdonald, Jonathan 7:36
素晴らしい説明をありがとう、ドーン。
ここからは、シェアード・サービス・カナダの同僚であるジョシュ・ターナーにバトンを渡したいと思います。彼は、非常に成果を上げたAIイノベーションの事例を紹介してくれます。それではジョシュ、よろしくお願いします。

Turner, Joshua 7:53
ありがとうございます、ジョナサン。運営のみなさん、私のスライドを表示していただけると助かります。

皆さん、こんにちは。私はジョシュです。現在、シェアード・サービス・カナダ（Shared Services Canada）で、データサイエンスと人工知能を担当する技術チームのマネージャーをしています。あ、表示されましたね。プレゼンテーションが見えていると思います。

では、最初の質問から始めましょう。「最近ニュースで関税の話題を耳にしたことはありますか？」どうでしょうね。そんなに大きな話題ではなかったですかね。…冗談です。

カナダでは、法律により、関税を導入する前には、財務省（Department of Finance）がカナダの産業界や個人から意見募集（コンサルテーション）を行わなければなりません。また、特定の産業セクターを保護するための例外措置（レミッション）を検討する必要がある場合もあります。

ところが、今年の初めに変化があり、通常であればこうした意見提出は50件程度なのに対して、今回は5万件にのぼると見込まれました。財務省は、このボリュームを従来の手作業プロセスで処理できるだけの人員を抱えていませんでした。そこで、我々シェアード・サービスのチームに、AIをどのように安全に適用してこの大量処理に対応できるか相談があったのです。

そこで私たちのチームが登場しました。まずRPA（ロボティック・プロセス・オートメーション）を使ってワークフロー全体をモデリングしました。財務省で実際に行われていた作業フローを観察し、情報がどこからどこへ流れているのか、その各ステップでどれくらいの工数がかかっているのかを可視化したのです。
RPAを使ったことで、このモデルを非常に短期間で作り上げることができました。「正しい答えを得る最も簡単な方法は、まず間違った答えを出してみることだ」とよく言われますが、これはラピッド・プロトタイピングにとてもよく当てはまります。

このモデリングの結果分かったのは、全体のワークフローのうち、あるひとつのフローが全体の約95%もの負荷を占めていた、ということでした。そこで、そのごく細いボトルネック部分に絞ることで、提案するソリューションをぐっとシンプルにすることができ、非常に短期間で提供できる形に落とし込めました。

最終的に私たちが提供したのは、「小さなAI」です。これは、さまざまなトーン・構成・言語で寄せられるコメントを、分析に適した一貫性のある構造化データへと変換するものです。
データの仕事をされている方なら、これがどれほど重要なことかはよくご存じだと思います。

では、具体的に何を作ったのか。
まず、「小さい」大規模言語モデルを用いました。「小さな大規模言語モデル」というのは矛盾した表現のようですが、ここで想定しているのは、たとえばMicrosoftの Phi-4 モデルを4ビット量子化したものなどです。これなら一般的なコンシューマ向けハードウェアでも動かせます。

次に、データ処理用のプロンプトを用意しました。ここには出力されるべきデータスキーマの定義、つまり各フィールドの意味や型などが詳細に含まれています。そして、重要な要素として「制御文法（controlled grammar）」を組み込みました。

ご存じのとおり、大規模言語モデルはトークンを1つずつ生成します。たとえるなら音節をひとつずつ出していくようなものです。制御文法は、その1トークンごとに「きちんと決められた構造化データ形式に沿った内容になるように制約をかける」仕組みであり、結果としてモデルがレールに沿って出力していくような形になります。

こうして、財務省に届く多種多様なコメントをすべてモデルに通し、ランタイムには llama.cpp を使用しました。llama.cpp は、Georgi Gerganov 氏が開発したオープンソースのランタイムです（彼の名前をあまりひどく間違えていないといいのですが）。

さらに、私たちは「遊休コンピュート（waste compute）」を活用しました。これは、すでに政府部門に調達済みのハードウェアで、夜間や週末などに空いている時間を指します。その時間帯に処理を走らせることで、余計な投資をせずに済みました。

このようにして得られたのは、「構造化データ」です。
具体的には、明確に定義されたカラムとデータ型を持つテーブルであり、市販のデータベースやMicrosoft Excel、Rなど、あらゆるデータ分析ツールにそのまま投入できる形式です。

さらに重要なのは、このソリューションをシェアード・サービス内だけでなく、財務省の中に取り込んで、彼ら自身の技術者が使えるようにした点です。私たちは「ソリューション」を単発で提供したのではなく、「ケイパビリティ（能力）」を引き渡したのです。

そして、良いものは共有されてこそ価値があります。カナダのデジタル・スタンダードでも、ソリューションを作るたびに、より広く連邦政府全体が利用できる「共通の能力」として共有すべきだとしています。

幸いなことに、今回のソリューションはすべてオープンコンポーネント――オープンウェイトモデル、オープンソースソフトウェア、オープンバインディング――を使って構成されていたため、世界中の誰もが利用できるようにオープンソースとして公開することができました。今スライドに表示されているのは、私たちのチーム「Shared Services Canada – Data Science and Artificial Intelligence」のGitHubリポジトリです。オープンソースベースのソリューションはすべてここに公開しており、「ここをこうした方がよい」という点があればプルリクエストも大歓迎です。

それでは、ここでいったん質問を受け付けましょうか。それともジョナサンに戻した方がよいでしょうか。どちらがよいですかね？

Hall, Dawn 14:21
はい、私です。戻ってきました。ジョナサンもいますね。

Macdonald, Jonathan 14:28
ありがとうございます。チャットに質問があれば、ここで取り上げたいと思います。
誰かが質問をピックアップしてくれるのを待ちつつ、なければドーンと一緒に、先ほどご紹介したゲストの皆さんと問題文やデータに関するディスカッションを続けてもよいと思います。

Hall, Dawn 14:54
素晴らしいですね。

Macdonald, Jonathan 14:55
ジョシュ、本当にありがとうございました。

Hall, Dawn 14:58
改めてジョシュに感謝をお伝えします。そしてジョナサンにも。
ここからは問題文についてお話ししていきます。今日は、各問題文とそれに関連するデータについて話してくださる政府内のエキスパートの皆さんをお迎えしています。

今日ご紹介するデータは、用意しているサンプルデータの一部に過ぎません。すべてのデータへのリンクは、Impact Canada のウェブサイトで問題文のセクションを展開すると見つかります。グランドチャレンジのウェブサイトにアクセスし、「Problem Statement（問題文）」を展開して、その下をスクロールするとすべてのデータが確認できます。

Hall, Dawn 15:35
また、ここで紹介する以外のデータを使うことも可能です。その場合は、ライセンス条件やデータ保護の要件を必ず守っていただくようお願いします。

次のスライドをお願いします。

最初の登壇者は、英国政府の Government Digital Service 内にある incubator for AI（i.AI）の AI インキュベーション責任者、リアム・ウィルキンソンさんです。リアムには問題文1についてお話しいただきます。それでは、リアムお願いします。

Wilkinson, Liam 16:14
皆さん、こんにちは。お招きいただきありがとうございます。今スライドを表示しますので、少々お待ちください。
ええと、画面入れ替えですね。すみません、普段あまりTeamsを使わないもので。…はい、表示できました。

皆さんこんにちは。リアム・ウィルキンソンです。英国政府の incubator for AI にて、AIインキュベーションの責任者を務めています。まず、今回ご招待くださったカナダの皆さん、そしてこのイベントに参加しているG7各国の皆さんに大きな感謝をお伝えしたいと思います。

私たち incubator for AI では、大量のデータを扱っています。その中でも特に大きなユースケースのひとつが、「政府が保有する膨大な情報や文書を、人々がどう理解しやすくするか」というものです。
「制度的記憶（institutional memory）」という課題は、世界中の多くの政府で共通する、とても現実的な問題です。複雑な分野で働く人たちは、2〜3年ごとにポジションを変えることがよくあります。そのとき、多くの知識や経験が一緒に組織の外へ出て行ってしまいます。

AIとこのユースケースを考えるとき、私たちが目指しているのは、「膨大な情報を短時間でキャッチアップするための技術やソリューション」を作ることです。

英国の文脈でわかりやすい例を挙げると、毎年のように議会（Parliament）で「国王演説（The King's Speech）」という大きなイベントがあります。ここで、その年の主要な政策発表が一斉に行われます。非常に華やかな儀式なのですが、その裏側では、ホワイトホールの何百・何千もの公務員が、新しい法律や政策を、エビデンスに基づき、かつ堅牢な形で作り上げるために奔走しています。

ここで私が注目してほしいデータセットは、議会（Parliament）から提供されているオープンデータセットです。G7各国の多くには、「下院図書館（House of Commons Library）」や同等の機関があり、そこから一般向けに多くの調査レポートが公開されています。

（共有画面が切れているかもしれませんが）ブラウザでお見せすると、これは英国の House of Commons Library のウェブサイトです。ここでは、これまでに作成された議会図書館の調査レポートすべてにアクセスできます。毎年何百本ものレポートが公開されており、それぞれが世界水準の政府向けリサーチとなっています。公務員や政策立案者は、こうしたレポートを利用して、よりよい政策判断を行っています。

とはいえ、ご覧のとおり情報量は膨大です。そこで皆さんにぜひやってみていただきたいのが、「この情報をスクレイピングして、検索エンジンやエージェント的な体験を構築する」ということです。

また、これは英国だけの話ではありません。こちらはカナダ議会の同等サービスの例です。各国にも同じような仕組みがあります。たとえば、「G7各国の政策を横断的に探索し、どの国で何がうまくいっていて、自国では何が改善できるかを理解するためのAI」といったものも考えられるでしょう。

要するに、議会や民主的な制度の外側にも、膨大な情報とコンテキストが存在しているということです。

さらに、多くの政府ウェブサイトにはオープンAPIが用意されています。もうひとつの例として、こちらは gov.uk です。英国の政府サービスのポータルサイトであり、他国にも同様のサイトがあります。多くの場合、こうしたサイトにもオープンAPIが用意されており、掲載されているコンテンツを自由に検索できます。

こうしたデータを使えば、何十年にもわたる政府のアドバイスやガイダンスを整理・統合し、市民が政府と接する際に、一貫した経験を得られるようにすることができます。これは、G7にとって非常に大きなユースケースです。

以上を踏まえ、ここでいったんドーンにお返しします。

Hall, Dawn 20:31
リアム、素晴らしい概要説明をありがとうございました。他のG7各国で利用できる同等データについても触れていただき、大変興味深かったです。

Wilkinson, Liam 20:44
こちらこそ、光栄です。

Hall, Dawn 20:50
ここで再びジョシュに戻りたいと思います。Q&Aエリアにジョシュのプレゼンテーションに関する質問が寄せられており、他の質問は後ほどまとめて取り上げる予定ですが、ジョシュがまだ参加している間にお答えいただこうと思います。

では質問です。「最終的に実装されたLLMは何ですか？それとも、計算資源の制約から、今でも Phi を使っているのでしょうか？」

Turner, Joshua 21:14
とても良い質問ですね。財務省に機能を引き渡した時点では、Phi-4、8Bパラメータモデルを使用していました。これは、この取り組みを開始した2024年末時点で、利用可能な中で最も良いモデルだったからです。

その後、この用途に非常に適したモデルがいくつか登場しています。たとえば、Liquid.AI のチームは、データ抽出ユースケースに特化した非常に小さなモデルを作っています。パラメータ数は3B程度まで小さくされていて、驚くほど少ない計算資源で動きます。

より「実績ある」モデルを使いたい場合は、Llama 3 8B instruct もこの用途で非常に良い性能を発揮します。ただし、自分のユースケースに適用する前に利用規約をよく確認する必要があります。

質問の答えとしては、そんなところでしょうか。

Hall, Dawn 22:13
ありがとうございます。もう1つ関連質問があります。「トークンレベルでJSONスキーマをどのように強制しているのか、詳しく知りたいです。」

Turner, Joshua 22:13
これも良い質問ですね。
いちばん簡単な方法は、いまでは Georgi Gerganov 氏のライブラリに直接統合されているやり方です。トークン補完あるいはチャット補完のメソッドを呼び出す際に、 schema という名前の要素を渡せるようになっています。ここに JSON Schema 形式の制約を渡すと、それをBNFに変換して適用してくれます。
これで以前よりずっと簡単に使えるようになりました。もし役に立つようなら、ドーン、Q&Aにリンクを貼ってもかまいませんか？

Hall, Dawn 22:59
ぜひ、Q&Aセッションの方にリンクを投稿してください。
それでは、問題文2に移りたいと思います。ヘルスデータに関する質問がチャットに来ていますが、それは最後にまとめて取り上げます。ジョシュが退席される前に質問にお答えいただきたかったので、今こちらを優先しました。

Turner, Joshua 22:59
素晴らしいですね。そうしましょう。
ありがとうございました。

Hall, Dawn 23:17
ジョシュ、本当にありがとうございました。ご参加いただき感謝しています。
それでは問題文2に進みましょう。次の登壇者は、カナダ司法省（Justice Canada）の立法顧問（Legislative Counsel）であるアンナ・ロジーさんです。アンナには問題文2についてお話しいただきます。よろしくお願いします。

Logie, Anna 23:40
ありがとうございます。ここにいられて光栄です。今日は私個人の立場からお話ししており、所属する省庁を代表するものではない点を最初にお伝えしておきます。

問題文2ですが、公務員は多くの法律・ポリシー・規則を扱っており、それらはクライアントや職員にとって非常に複雑で、ナビゲートしづらいという課題があります。
月曜日のローンチイベントでも触れたように、ルールの量と複雑さは、公務員にとっても、そして自分の状況にそのルールがどう適用されるのかを理解しようとする一般の人々にとっても、大きな負担となっています。

今後も、立法・規制・政策変更の量とスピードは増え続けると予想されますが、それに対応するためのリソースはほぼ横ばいのままでしょう。その結果として、処理の遅延、ルール適用の不整合、「どのようにルールが適用されるか」を誤解したことによる意図しない不遵守など、望ましくない結果が生じるおそれがあります。

このチャレンジにおける皆さんのタスクは、「ルールの解釈と適用プロセスを効率化し、一貫性とコンプライアンスを高め、公務員の認知負荷を減らすソリューションを設計すること」です。
目的は、「どのルールが適用されるのかを理解しやすくし、その結果、ルールがより一貫して適用され、守られやすくなること」です。

例としては、その人が利用するプログラムやサービスに関連する法律・規則を特定してくれる予測ツールなどが考えられます。そのようなツールは、ある人が申請しようとしているプログラムに対して、どの法令が関連しているのかを見つけるのに役立つでしょう。

もう一つの例としては、トレース可能な意思決定ツリーなどを用いて、ルールとその適用方法について平易な言葉で説明できる、ニューロシンボリックあるいはハイブリッド型のAIツールなどがあります。
これはあくまで例なので、皆さんのソリューションはこれとは全く異なる形でも構いません。

ここで特に強調したいのは、「正確性」と「説明可能性」の重要性です。これらは、法の支配にとって非常に重要な価値です。
バイアスや無関係な要因に影響されたり、関連する要素を見落としたり、ブラックボックス型で不透明なプロセスに依存したりするツールは、一般的にリスクが高く、デプロイしづらくなります。一方で、正確で一貫し、説明可能な出力を提供できるツールは、より活用しやすくなります。

最後に、サンプルデータについて触れます。ここには、複数の国からのサンプルデータが含まれています。
たとえばカナダでは、「Justice Laws」ウェブサイトで、連邦法および規則の「公式コンソリデーション（最新版）」を公開しています。これはオープンなXMLデータセットとしても提供されています。
その他にも、いくつかのG7諸国からのサンプルデータが掲載されています。必要に応じて、こうしたサンプルデータを自由にお使いください。

皆さんのご参加に感謝するとともに、健闘を祈ります。

Hall, Dawn 26:21
アンナ、素晴らしい概要説明と、ソリューションの例、そしてサンプルデータの紹介をありがとうございました。
ここで再びリアムに戻り、英国における問題文2向けデータについてお話しいただきます。リアム、またよろしくお願いします。

Wilkinson, Liam 26:41
またお会いできて嬉しいです。
今日は、まだ一般にはあまり公開されていない、少し「先行アクセス」的なデータセットをご紹介します。それは、英国の全立法データをまとめたものです。

1267年、ほぼマグナ・カルタの時代に近い頃から今日までのすべての英国の立法履歴が含まれています。このデータはすでにAPIとして利用可能であり、MCPサーバーとしても利用できます。

まずはこちらで全体像をお見せします。
これは legislation.gov.uk です。先ほどカナダの例をご紹介いただいたのと同様に、こちらは英国版のサービスにあたります。ここには、1267年から現在までのすべての立法が掲載されていますが、その中にはPDFでスキャンされた古い法令も含まれています。

ビクトリア朝時代の立法や、中世の法令への手書き修正などもあります。また、このサイトには、法令同士がどのように相互参照・改正し合っているかという「関係性の網」も含まれています。

そして皆さんにとって良いニュースは、こうした情報を自分でスクレイピングする必要がないということです。
私たちはこれらをまとめて利用できる新しいAPI「Lex API」を公開しました。これはREST APIとして直接利用できるほか、MCPインターフェースを通じて利用することもできます。

実際の使い方の例をお見せします。
ここでは、Claude Desktop や Microsoft Copilot のような既製ツールに、このAPIを接続した例です。たとえば「英国法におけるデータ保護はどのように規定されていますか？」という問いを投げると、エージェントが舞台裏で各種データ保護に関する法令を調べ、その結果を引用付きのリサーチ回答としてまとめて返してくれます。

このMCPサーバーは、今回のハッカソン期間中はもちろん、その後も自由に利用できます。コードはすべてオープンソースで公開されており、その作り方やAPIへの直接アクセス方法も含めて確認できます。

このデータセットで特に重要なのは、立法間の「クロスインタラクション（相互関係）」がすべて格納されている点です。
たとえば2025年に制定された現代の法律が、1700年代の立法をいまだに修正し続けていることもわかります。新しい政策を導入しようとするときに、どの立法を改正する必要があるのかをAIで見つけるというのは、いま英国で非常に有望なユースケースのひとつです。

このAPIとサーバーは、皆さんのソリューションの一部として自由に使っていただけます。また、他のG7の立法機関にも、同様のXMLやデータ製品があります。

ご清聴ありがとうございました。

Hall, Dawn 29:49
ありがとうございます、リアム。そして早期アクセスの共有、とてもワクワクしますね。
この情報はすでに私たちのチームに送られていて、現在ウェブサイトへの掲載準備中です。1〜2日以内にはサイト上でも確認できるようになると思います。リアムがチャットにもリンクを貼ってくれましたので、Q&Aセクションにも反映させます。

では、次の問題文に進みましょう。
問題文3には2人の登壇者をお招きしています。

まずは、カナダ国防省およびカナダ軍AIセンターで連絡将校兼政策アナリストを務める、モヒシン・バッティ少佐からお話しいただきます。
少佐には、問題文3の概要についてお話しいただきます。それでは、よろしくお願いします。

Bhatti, Major Mohsin 30:41
おはようございます。私はモヒシン・バッティ少佐です。DND/CAF AIセンターの連絡将校を務めています。
私に与えられた問題文は、「政府には多数の、しばしば非常に複雑なプロセスがあり、将来のニーズを正確に予測し、効率的にリソースを配分することは難しい」というものです。

これは、おそらく誰にとっても驚きではないでしょう。政府というのは、保健医療、交通、インフラ、社会サービス、防衛、緊急対応など、多岐にわたる分野を抱えています。そして、それらが互いに連動しながら、長期的な計画と投資を必要としています。

このような環境では、「どんなニーズが」「どこで」「いつ」発生するのかを予測するのは一般的に非常に難しく、需要が私たちの計画サイクルよりも速く変化することがよくあります。

ここでAIが役に立ちます。
AIは、利用可能なデータ――気候データ、人口動態の変化、新たなリスクなど――をもとに、将来を予測するのに役立ちます。

現状では、私たちはしばしば、必要性の低い分野にリソースを配分してしまう一方で、本当は強いストレスがかかっている分野からリソースや資金、装備を引き上げてしまうことがあります。これは皆さんにも馴染みのある状況だと思います。

防衛の文脈では、これは単なる効率性の問題ではなく、「作戦準備態勢（operational readiness）」「レジリエンス」「緊急対応」にも関わる問題です。そして最終的には、「国民が私たち防衛の専門職に寄せる信頼」に直結する問題でもあります。

AIセンターではまさに、「どうすればデータとAIを活用して、反応的な姿勢から予防的・先行的な姿勢に移行できるか」を検討しています。

問題文そのものは、とてもシンプルです。しかし実務ではとても難しい課題です。
「将来のニーズとリソース配分を予測し、無駄を減らし、人員・資金・装備が必要な場所に、必要なときに届くようにすること」が求められています。

インフラ、人口、環境を例に挙げてみましょう。
道路、橋、建物、基地などの状態、過去のメンテナンス履歴、気候予測、地域ごとの今後の人口増加といったデータを組み合わせることを想像してください。

AIモデルは、そうしたデータからパターンを学習し、
・どの資産がより早く劣化しそうか
・どの地域でインフラ需要が高まりそうか
・どこで気候変動の影響が最も深刻になりそうか
などを推定することができます。

これによって、「壊れてから修理する」「問題が起きてから慌てて予算確保する」のではなく、5〜10年先を見据えて、リスク低減やサービス維持の観点から優先すべき投資案件トップ10をあらかじめリストアップできるようになります。

DND/CAFにとっては、ハンガー、岸壁（ピア）、訓練エリア、そして重要な作戦を支える近代的なインフラへの投資を優先することを意味するかもしれません。
また、気候変動によって滑走路や道路、遠隔地の施設、基地周辺のインフラ、さらにそこに暮らす隊員とその家族を支えるインフラがどのような影響を受けるかを可視化することにもつながります。
そのうえで、こうしたインサイトに沿って資金配分の決定を行えば、1ドルあたりのリスク低減や準備態勢の向上に最大限貢献できるようになります。

まとめると、DND/CAFおよびAIセンターの課題は、「AIを活用して無駄を減らし、サービスを改善し、準備態勢を強化しつつ、公務の中核をなす価値・倫理・信頼を守る形でソリューションを設計・実装すること」です。

ありがとうございました。ここでドーンにお返しします。

Hall, Dawn 36:03
バッティ少佐、ありがとうございました。ご自身の経験に基づいた背景説明、とても興味深かったです。

続いて、カナダ統計局（Statistics Canada）の人口統計センターのディレクター、ローラン・マーテルさんにご登壇いただきます。ローランには、この問題文に関連するサンプルデータ、とくにカナダの国勢調査データについてお話しいただきます。なお、ここで紹介する以外にもさまざまなデータがスライドやウェブサイトに掲載されています。

それではローラン、お願いします。

Martel, Laurent 36:34
ありがとうございます、ドーン。
皆さん、おはようございます。まず、この場を設けてくれたジョナサン、マーク、その他の同僚の皆さんに感謝します。今日は、カナダの国勢調査についてお話しします。国勢調査は、この国で平時に行われる最大級の取り組みのひとつです。

カナダに住むすべての人を調査することは、非常に大きなチャレンジです。次回の国勢調査は2026年に行われる予定で、実施は2026年5月です。ぜひ皆さんも回答をお願いします。

カナダには長い国勢調査の歴史があります。最初の調査は1666年、ジャン・タロンの統治下にあったヌーベルフランス時代までさかのぼります。現在のカナダでは5年ごとに国勢調査が実施され、西暦の下一桁が1と6の年――たとえば2021年、2026年、2031年…といった具合です。

国勢調査は、ある特定の時点におけるカナダ人口の「スナップショット」を提供するものです。国内の多くの法律や制度は、この国勢調査と、そのデータを参照しています。

そして、ドーンも少し触れましたが、国勢調査の最大の強みは、全国の地域社会に対して非常に信頼性の高いデータを提供できる点です。
カナダ統計局のウェブサイトには、全国各地のコミュニティ向けの多数のデータテーブルが掲載されています。大都市の近隣地域（neighbourhood）レベルから、先住民居留地（reserve）レベルまで、非常に細かい単位でデータを提供できます。

国勢調査は、集合住宅（collective dwellings）もカバーしており、カナダに住む人々をほぼ完全に把握することができます。これを実現するのは非常に難しいことで、広大な国土と多様性を抱えるカナダに暮らす人々を全員調査するには、多くのプロセスが必要です。

国勢調査のサイクルは7年にわたります。
内容の検討と決定から始まり、システムやプロセスの開発、スタッフの採用、フィールド業務（郵送や配布など）の開始、調査票の多言語対応…と続きます。

データ収集後には、未回答者へのフォローアップ、回答の編集と補完、データ品質の評価などが行われます。その後、2027年に国勢調査の結果をカナダ全体に公表し、各種のリファレンス文書もあわせて公開します。非常に大規模なプロジェクトです。

ここ10年ほどの間に、私たちは国勢調査の方法もアップデートしてきました。たとえば、以前よりもずっと多く行政データを活用し、回答者の負担を減らしています。

具体例を2つ挙げると：
・カナダ歳入庁（CRA）のデータを用いて、所得情報を取得しています。
・移民・難民・市民権カナダ（IRCC）のデータを用いて、移民ステータスを取得しています。このため、国勢調査では移民ステータスそのものを質問していません。

また、機械学習やAI、オートメーションなどの新技術を可能な限り活用するよう、プロセスの更新を続けています。

数年前にはじめて機械学習を取り入れましたが、現在では、コーディング作業やデータ検証の際の外れ値検出など、さまざまな領域で活用しています。国勢調査は膨大な量のデータを生み出しますので、外れ値の検出などでAIを使うことで効率を大きく向上させることができます。

また、手書き回答の読み取りやデータ処理の加速のためにも、こうした新技術を活用しています。カナダ統計局では、繰り返しが多い作業では積極的に自動化を進めています。

最後にお伝えしたいのは、解析や広報にもAIを活用しようとしていることです。2027年に国勢調査の結果を公表する際には、プレスリリースの作成などをAIに手伝ってもらうことも視野に入れています。

国勢調査は、カナダ統計局の多くの他の統計プログラムの基盤にもなっています。
そのひとつが人口推計（Population Projections）プログラムです。人口推計では国勢調査データを多用し、将来の人口構造を予測します。
こうした人口推計は、将来のインフラ整備やプログラム提供を計画する多くの省庁で利用されています。

以上で国勢調査と新技術の活用例の紹介を終えます。
ドーン、何か質問があれば受けたいと思います。

Hall, Dawn 43:05
ローラン、ありがとうございました。そしてバッティ少佐も、問題文3について非常に興味深いお話をありがとうございました。

それでは問題文4に移ります。最後の問題文では、Treasury Board of Canada Secretariat（財務委員会事務局）のChief Information Officer（CIO）オフィスからナターシャ・ディスーザさん、そして同じくExpenditure Management Sector（支出管理部門）からシェーン・トンプキンスさんをお招きしています。

まずはナターシャからお願いします。

DSouza, Natasha 43:37
ありがとうございます、ドーン。そしてこのような機会をいただき感謝します。
皆さん、こんにちは。ドーンが紹介してくれたとおり、シェーンと私は、問題文4に関連する「カナダ政府のプログラム・サービスに関するデータセット」についてご紹介します。これらのデータセットは、次のような問題の解決に役立つかもしれません。

「クライアントのコミュニケーションニーズは多様であり、政府とのやり取りが難しかったり、フラストレーションの原因になったり、既存の障壁を悪化させてしまうことがある」という問題です。

皆さんが取り組むべきタスクは、「多様な言語・文化・能力に対応しつつ、人々とよりアクセシブルな形でコミュニケーションができるソリューションを設計すること」です。
たとえば、クライアントが提供した情報を取り込み、検証するためのツールや、フォームの記入や政府職員との面談準備のために必要な情報を取りまとめるツールなどが考えられます。

まず最初にお伝えしておきたいのは、カナダは連邦制の国であり、「連邦」「州・準州」「市町村」という3つのレベルの政府が存在するということです。それぞれのレベルが市民向けのサービスを提供していますが、今日シェーンと私がお話しするのは、連邦政府レベルのプログラムとサービスについてです。

連邦政府は、パスポートや雇用保険、国境・移民サービス、企業支援、旅行、健康アドバイス、天気予報など、1500以上のサービスを提供しています。
これらのサービスは、70以上の省庁・機関によって提供され、それぞれが目的や規模、対象とするクライアント層などの面で大きく異なります。

今日ご紹介する2つのデータセットのうちの1つが、「カナダ政府サービス・インベントリ（service inventory）」です。
これは、連邦政府が個人・企業・他の政府機関に対して提供しているサービスを可視化するために作られたものです。

このデータセットはカナダのオープンガバメント・ポータル（Open Government Portal）で公開されており、毎年9月から12月にかけて更新されます。したがって、今このリンクにアクセスすると、最新年度（2024/25）のデータはまだ一部しか掲載されていない可能性があります。

サービス・インベントリは2つのファイルで構成されています。
1つめは、サービスを識別するための基本情報を含むファイル。
2つめは、サービス標準（Service Standards）の実績情報を含むファイルです。

要するに、サービス・インベントリは、「連邦政府のサービスを標準化された形式で記述したデータセット」です。チャネル別の取扱件数、オンライン提供状況、サービスの種別・対象者、標準の遵守状況などが含まれます。

ただし、どのデータセットにも言えることですが、利用にあたってはいくつか留意点があります。

1つめは、「サービス・インベントリは、しばしば政府側の視点からサービスを記述している」という点です。
つまり、実際にクライアントがどうサービスを体験するのか、どこでつまずきやすいのかといったことが十分に表現されていない場合があります。
クライアント満足度を把握する仕組み（たとえば満足度調査の手段など）に関する情報は載っていますが、具体的な満足度スコアなどは含まれていません。

また、サービスの性質上、インベントリの特定の項目が適用できない場合もあります。たとえば、矯正サービス（刑務所など）が対面のみで提供されているケースでは、「オンライン申請チャネル」に関する項目は空欄になるでしょう。
そのため、特に申請チャネルに関する情報を解釈する際には、「必ずしも申請という形式を取らないサービスもある」ということを念頭に置き、「サービス全体の取扱件数」と捉えるのがよい場合もあります。

さらに、複数の省庁が共同で1つのサービスを提供しているケースでは、事情が少し複雑になります。
たとえば、パスポートプログラムやカナダ歯科ケアプログラムは、ある省庁が責任を持ち、別の省庁が一部または全部を実務として運営しています。この場合、同じサービスに対して2つの別々のエントリが存在し得ます。
一方で、雇用保険（Employment Insurance）のように、コールセンター業務と給付の運営を1つのサービスエントリとしてまとめている場合もあります。

このチャレンジの文脈では、まずカナダ政府のサービス・インベントリを使って、連邦政府のサービス状況全体を把握するところから始めていただくのが良いと思います。
その際、2023/24年度のデータを重点的に見ることをおすすめします。これは現時点で最も完全かつ最新の会計年度のデータだからです。

また、「service scope（サービスの範囲）」の項目に「external（外部向け）」と記載されているサービス、そして「total applications（総申請数）」が0より大きいサービスに絞り込むとよいでしょう。
各サービスの詳細は、多くの場合、インベントリ内にサービスのウェブサイトへのリンクがあるので、必要に応じてそこから確認できます。

最後に、サービス・インベントリには、それぞれのサービスに紐づく「プログラム名」が記載されています。これを使うことで、シェーンが説明するプログラム・インベントリ側のデータと結びつけ、より深くサービスの背景を理解することができます。

それでは、プログラムについて詳しく説明してもらうため、シェーンにバトンを渡します。よろしくお願いします。

Tompkins, Shane 48:55
ありがとうございます、ナターシャ。

プログラム・インベントリのデータは、今回のイニシアチブや、ナターシャが紹介したサービス・インベントリ・データを補完するものと捉えるとよいと思います。
これにより、「カナダ連邦政府のリソースや成果が、どのようなプログラム構造のもとで整理されているのか」をより広い視野から把握することができます。

このデータを使えば、次のような問いに答えることができます。
・連邦政府は、どのようなプログラムの集合として組織化されているのか
・それぞれのプログラムに、どれだけの予算やフルタイム換算職員（FTE）が割り当てられているのか
・各省庁の中核的な責務や目標（Core Responsibilities & Objectives）と、プログラムがどのように紐づいているのか

これらはすべて、「成果に関するポリシー（Policy on Results）」に基づく共通の枠組みの中で整理されています。

この情報は、カナダ政府のオープンデータ可視化プラットフォームのひとつであり、最も歴史の長い「GC InfoBase」で視覚的に探索することができます。
また、GC InfoBase のオープンデータページから、プログラム・インベントリのデータセットをダウンロードすることも可能です。

ここには、計画および実績の支出、FTE数、パフォーマンス情報などが、政府全体で統一された構造のもとに収録されています。

サービス・インベントリは、フロントラインのサービス提供により直接フォーカスしているのに対し、プログラム・インベントリは、「その裏側にあるリソース構造や成果とのつながり」を理解するのに役立ちます。

サービス・インベントリにはプログラムIDやプログラム名が記載されているため、先ほどナターシャが説明したサービスと、こちらのプログラム・インベントリのデータセットとを紐づけることができます。
たとえばサービス・インベントリで2023/24年度データに絞り込んだ場合、プログラム・インベントリ側でも同じ年度に絞り込む必要があります。

このように、サービス・インベントリと組み合わせることで、プログラム・インベントリは皆さんのソリューションにとって有用な補助データセットになり得ると思います。

では、ドーンにお返しします。

Hall, Dawn 50:58
ナターシャ、シェーン、ありがとうございました。とても有益なアップデートでした。

次のスライドに移りましょう。
ここが、このパートでの最後のプレゼンテーションになります。
今度は、Treasury Board of Canada Secretariat のオープンガバメントチームから、デイミアン・ラバーティさんにご登壇いただきます。

デイミアンには、カナダのオープンガバメント・ポータルについてお話しいただきます。彼の話はカナダの文脈に基づいていますが、他のG7諸国にも同様のオープンガバメント・ポータルがあることに注意してください。

それでは、デイミアンお願いします。

Laverty, Damian 51:32
ありがとうございます、ドーン。そして皆さん、おはようございます、またはこんにちは。どこから参加されているかによって時間帯は違うと思います。

ここでは、オープンガバメント・ポータル（open.canada.ca）について、かなり大まかな高い視点からご説明します。

オープンガバメント・ポータルの目的は、「政府のデータや情報を、継続的かつ積極的に公開すること」を可能にすることです。
これは大きく2つの意味を持ちます。
1つは、法律に基づいて公開義務がある情報を、一般に公開するという意味。
もう1つは、私たちが「市民やアカデミアにとって価値がある」と判断した情報を積極的に公開するという意味です。

次のページをお願いします。

かなりざっくりとした紹介になりますが、オープンガバメント・ポータルは、もともと2011年に、オープンデータや情報への「中央リポジトリ」として立ち上げられました。
それ以来、「Access to Information Act（情報公開法）」第2部のもとで、公的に公開が義務づけられている情報を掲載する「標準プラットフォーム」として位置づけられるようになりました。

つまり、このポータルは、私たちが「価値がある」と考えて公開している情報への入口であると同時に、各機関が法律に基づいて公開しなければならない情報――たとえば契約情報、出張・接遇の支出、交付金・助成金など――を、ひとつの場所で確認できる場にもなっています。

現在、170以上の連邦機関と11の州・準州から、45,000件以上の公開情報が掲載されています。
広告キャンペーンをほとんど行っていないにもかかわらず、月平均30万件以上の訪問があります。

おそらく最もインパクトのある数字は、「先日、プロアクティブな公開件数が300万件を超えた」ということです。
つまり、カナダ政府として300万件以上の情報を世界中に公開し、透明性を確保しようとしているということです。

オープンガバメント・ポータル上の情報はすべて、「オープンガバメント・ライセンス（制限なし）」のもとで公開されています。
したがって、これらの情報は、どのような目的にも再利用可能です。会社を立ち上げるために使っても構いませんし、学生が課題や研究のために利用することもできます。あるいは純粋な学習目的で使ってもかまいません。

次のスライドをお願いします。

ポータルの使い方は、比較的シンプルです。
トップページでは、「オープン情報」「オープンデータ」「政府の支出・運営」「過去の情報公開請求のサマリー」などの区分があります。

検索に入ると、組織別、公開種別、キーワードなど、さまざまなフィルターを使ってデータを絞り込むことができます。「AND」「OR」「NOT」などの論理演算子を使った検索も可能です。

また、公開主体（publishing institution）を確認することが非常に重要です。
ポータルそのものはデータの「オーナー」ではなく、Treasury Board もデータの所有者ではありません。私たちはあくまで、「データを公開し、ひとつの場所からアクセスできるようにするためのプラットフォーム」を提供しているに過ぎません。
したがって、個々のデータについて質問がある場合は、元の機関に問い合わせるのが最も適切です。

検索結果は2011年までさかのぼることができますが、一般的には、新しいデータの方が使いやすいです。
というのも、私たちは現在、オープンデータをより透明かつ使いやすく、標準化されたものにすることを重視しており、日付や時間、所在地などを機械可読な形で表現するよう努めています。

次のスライドをお願いします。

少し技術的な話になりますが、ポータルはオープンソースで構築されています。CKAN、Drupal、SQLデータベース、Solr などを組み合わせて動いています。
これらについて詳しく知りたい方には、関連リンクをスライドに掲載しています。

また、open.canada.ca のトップページの下部に、「データのアップロードと利用方法」に関するリンクがあります。そこから、データやAPIの扱い方に関するガイドにアクセスできます。特に、オープンデータに初めて触れる方にはおすすめです。

次のスライドをお願いします。

はい、以上となります。
皆さん、ありがとうございました。
それではドーンにお返しします。メルシー。

Hall, Dawn 56:51
ありがとうございます、デイミアン。そして改めて、本日ご参加いただいたエキスパートの皆さまに感謝申し上げます。AIとデータが、皆さんの重要な業務にどのように貢献しているかがよくわかるお話ばかりでした。

ここでジョナサンにバトンをお渡しします。

Macdonald, Jonathan 57:12
ありがとうございます、ドーン。そして皆さん、本当にありがとうございました。大変内容の濃いディスカッションだったと思います。

このあとは、フランス政府からのデモンストレーションをご覧いただきます。
フランス政府のデジタル担当省庁（Interministerial Directorate for Digital Affairs）でAIの機関間調整を担当されているニコラ・セヴァン氏が、現在フランス政府で実際に使われているAIツール2つについて、事前収録のプレゼンテーションで紹介してくれます。それでは見ていきましょう。

Sévin, Nicholas via Kinsman, Alison 57:50
皆さん、こんにちは。お元気でしょうか。
今日は、この会議にリアルタイムで参加できず申し訳ありません。カナダの同僚からの依頼を受けて、2つの相互依存するツール――1つ目が「Albert API」、2つ目が「AIアシスタント」――について説明するプレゼンテーションを録画しました。

まず、インターミニステリアルAIアシスタントをご説明する前に、その中核となる技術コンポーネントの1つである「Albert API」についてご紹介します。画面に表示されているものがそれです。オープンソース版では「Opengate LLM」としても知られています。

Albert API は、フランス政府が開発したツールで、生成AIモデルへのアクセスを、統一的かつ安全で主権性の高い形で提供するものです。
実務的には、Albert API は複数のモデルを利用するための「単一の入口（Single Entry Point）」として機能します。
ここでいうモデルには、オープンソースモデル、オープンウェイトモデル、そして特定の実証実験枠組みの下で利用されるプロプライエタリモデルなどが含まれます。その実証実験枠組みについては後ほどもう少し触れます。

このようにアクセスを一元化したことで、政府はガバナンスを一貫させやすくなり、統合も容易になり、各機関でのコンピューティングリソースの利用を統制しやすくなりました。

重要な設計上のポイントのひとつは、「OpenAI API の標準と互換性がある」という点です。
これにより、Opengate LLM / Albert API は既存のさまざまなツールやフレームワークと互換性を持ちます。その結果、行政機関のチームは、ソフトウェアアーキテクチャ全体を作り直す必要なく、既存のライブラリや製品を再利用できるようになっています。

また、このAPIはテキスト生成だけでなく、より高度な機能もサポートしています。
たとえば、検索機能を組み合わせたRAG（Retrieval-Augmented Generation）、OCR、テキスト読み上げ（Text-to-Speech）、音声認識（Speech-to-Text）、翻訳、コンテキストプロトコルなどです。これらの機能により、このAPIは会話型インターフェースに限らず、文書処理、分析、ドメイン特化型アシスタントなどにも利用できます。

最後に、このツールは「主権性の高いインフラ上にデプロイされている」ことも重要です。
現時点では、民間事業者「Outscale」が運用する、資格認定済みクラウド（SecNumCloud）環境で稼働していますが、将来的には、フランス政府のインターミニステリアル・クラウドである「Nubo」への移行を予定しています。これにより、Albert APIを通じて処理されるデータがフランス国家の管理下にとどまることが保証されます。

詳しい情報はGitHubのページやドキュメントにも掲載しており、そこからAPIのユースケースや利用方法を確認できます。リンクは後ほど共有しますが、多くは英語で書かれているので、皆さんにも問題なく読んでいただけると思います。

まとめると、Albert API は、行政機関が生成AIを安全・標準的・相互運用可能な形で実験できるようにする、技術的な基盤と言えます。これは共通資産であり、さまざまな分野におけるソリューションを支える「土台」となります。

ここからは、「インターミニステリアルAIアシスタント」について説明します。先ほどのAlbert APIの上に構築される、よりユーザーに近いレイヤーのサービスと言えます。

このアシスタントは、フランス政府が主導し、私たちデジタル担当局が調整しているプロジェクトです。その目的は、「生成AIを活用するための共通基盤を、主権性を維持しつつ再利用可能な形で提供すること」です。
Albert APIが技術レベルでの共通基盤であるのに対して、AIアシスタントは、行政職員にとってよりわかりやすい「利用の入り口」です。

このプロジェクトは、公共サービスを近代化しつつ、その根幹となる技術を国家がコントロールできるようにするという、政府全体の取り組みの一部でもあります。
目的は、「行政に単一のツールを押し付けること」ではありません。むしろ、各省庁が自分たちのニーズに応じて採用・統合・拡張できるような共通基盤を提供することです。

この共通基盤は、オープンで相互運用可能でありつつ、政府インフラのセキュリティ要件を満たす形で設計されています。
そして、このアシスタントは単なるチャットインターフェース以上の存在です。
複数の言語モデル、ベクトル化されたデータ、APIなどからなる「エンドツーエンドの処理チェーン」の上に構築されています。

このチェーンにより、アシスタントは「La Suite Numérique（政府のデジタルツール群）」に統合され、文書作成ツールや翻訳ツールなど、既存のツール群と連携できます。

こうして、アシスタントはさまざまな行政タスクを支援できるようになります。
たとえば、テキスト要約や文書分析などです。
（ここで、私は実際に質問を入力してみせました。「〜」と入力すると、多少のタイプミスがあっても、アシスタントはきちんと回答を返してくれます。）

回答は標準化されたスタイルで返ってきて、たとえば出典も表示されます。現時点ではまだ開発中ですが、複数のソースを引用することも可能になってきています。

このプロジェクトは、行政全体のための「公共デジタルインフラ」です。ただし、まだ構築途中であり、現在は評価フェーズの真っ只中にあります。

この評価フェーズの中核には、仏AI企業「Mistral AI」との実証実験パートナーシップがあります。ミストラルAIは、いわゆる「フランスのAIユニコーン」とも呼ばれています。
この実証実験は、2026年半ばまで続く見込みです。

この枠組みのもとで、私たちは、セキュアなインフラ上でプロプライエタリモデルをスケールさせて運用するケースを検証しています。
目的は、次のような問いに答えることです：
・どのモデルが行政ニーズに最も適合するのか
・どれくらいの計算資源が必要なのか
・実際にどのようなユースケースが現場から上がってくるのか

こうしたフィードバックを収集することで、大規模に展開する場合のコストや実現可能性を評価し、「どこまで、どのようにスケールすべきか」を判断できるようにすることが狙いです。

技術的な観点から言えば、このアシスタントのバックエンドは、先ほど紹介したAlbert API / Opengate LLMの上に構築されています。
そしてすべてが主権性の高いセキュアなインフラ上で稼働しています。

最後にまとめとして、このインターミニステリアルAIアシスタントは「公共デジタルインフラ」であり、現在も開発と評価が進行中であるという点を強調したいと思います。
生成AIを、管理された主権的な枠組みの中で行政が活用することを支えるものとして設計されており、今後1年はその有用性や影響を評価するうえで極めて重要な期間になります。

皆さんのフィードバックや利用状況から多くを学び、「このツールが将来的にどうあるべきか」を共同で決めていきたいと思っています。
以上で私のプレゼンテーションを終わります。何か質問があれば、メールでご連絡ください。
また皆さんと次の機会にお会いできることを願っています。ありがとうございます。

Hi everyone.

Hall, Dawn 1:08:18
おかえりなさい。ニコラに感謝を申し上げます。それではジョナサンにお返しします。

Macdonald, Jonathan 1:08:25
ありがとうございます。
ここからは質疑応答の時間に入りたいと思います。チャットやQ&Aセクションに寄せられた質問を取り上げ、ゲストの皆さんの知見を活かしながらお答えしていきます。
それでは、モデレーターのマークにお任せします。

Levene, Mark 1:08:51
ありがとうございます、ジョナサン。
ここからは、よりインタラクティブな時間になります。すでにQ&Aセクションにはいくつか質問が届いています。質問は、カナダの公用語いずれでも投稿していただけます。

まず最初の質問です。
「公衆衛生（Public Health）は、このチャレンジの範囲に含まれますか？」というものです。
ドーン、最初にお答えいただけますか？

Hall, Dawn 1:09:18
もちろんです。
問題文には公衆衛生に特化したものはありませんが、公衆衛生がチャレンジのスコープに含まれるケースは十分考えられると思います。

たとえば、政府は健康に関する重要な情報を多く提供しています。これを問題文4の文脈で捉えると、「言語・文化・能力の違いを超えて、重要な健康情報をアクセシブルに届けるための政府コミュニケーションをどう実現するか」というテーマに当てはまります。これは、公衆衛生にとって非常にポジティブな例になるでしょう。

また、政府が扱う健康情報は膨大であることが多く、問題文1の文脈で、「ヘルス分野に特化した情報処理ソリューション」を検討することもできるでしょう。

同様に、問題文2や3の文脈でも考えられます。
たとえば、健康関連の立法・規制（Health Legislation）や、マスク・ガウンなど医療物資の物流といった、プロセスやサプライチェーンの問題です。

最終的には、ご自身が公衆衛生をテーマに自信を持って取り組めるかどうかで判断していただければと思いますが、少なくともチャレンジとの接点は十分にあります。

ありがとうございます。

Levene, Mark 1:10:45
ありがとうございます、ドーン。
次の質問は、もう少し一般的な内容です。「皆さんのチームが直面している最大の課題のうち、このチャレンジが助けになり得るものにはどんなものがありますか？」という質問です。

いくつかの登壇者にお答えいただければと思います。
リアム、英国の状況について何かコメントはありますか？

Wilkinson, Liam 1:11:06
はい。
英国政府において、制度的記憶（institutional memory）の問題は非常に大きなテーマです。政府は膨大で多様な問題に日々向き合っており、それに関連する大量の文書やレポートが生まれています。

しかし、そうしたレポートが本当に必要としている人に1回か2回読まれて、そのまま忘れ去られてしまう、ということもよくあります。

AIの大きなチャンスのひとつは、この膨大な知識ベースをインデックス化・構造化し、政策立案に活かしやすくすることだと考えています。

たとえば、ヘルスケア・システムとソーシャルケア・システムのバランスをどう取るべきか。
病院と介護サービスの間でリソースをどう配分すべきか。
こうしたテーマについては、何年にもわたって大量の研究やレポートが蓄積されています。

私たちにとっては、「時間の経過とともにこうした知見がどう進化してきたか」を追跡し、それを今の政策判断に結びつけることが重要です。
その意味で、「政府の制度的記憶をアクセスしやすくすること」は、英国政府にとって非常に重要な課題だと考えています。

Levene, Mark 1:12:13
ありがとうございます。
他の登壇者の方で、この質問についてコメントされたい方はいらっしゃいますか？
アンナ、いかがでしょう？

Logie, Anna 1:12:24
そうですね。少し直感的な観点からお話しすると、「一般市民がよく関わる法律の中には、非常に複雑なものがある」というのが大きな課題だと思います。

たとえば、「情報公開法（Access to Information Act）」や「プライバシー法（Privacy Act）」などです。
これらの法律のもとで、一般の方は情報公開請求を行ったり、自分のケースにどのようにルールが適用されるのかを理解しようとします。

政府は、わかりやすい平易な言葉でガイダンスを提供することで、アクセスしやすくしようとしていますが、それでもなお、数百ページに及ぶガイダンスを読み込まなければならないこともあります。

このとき、AIツールがあれば、「特定の人の具体的な事案に、どのようにルールが適用されるのか」を、平易な言葉で説明することが可能になるかもしれません。
それは、司法アクセスの改善や、情報へのアクセス向上につながると思います。特に、ルールが今後ますます複雑化していくことが予想される中ではなおさらです。

ありがとうございます。

Levene, Mark 1:13:11
ありがとうございます、アンナ。
次の質問に移りましょう。
今度は、かなり毛色の違う質問です。ローランかデイミアンにお答えいただくのがよいかもしれません。

「国勢調査データやオープンデータの公開における最大の障壁のひとつは、『個人情報が露出してしまう可能性』です。AIを使って、こうした個人情報の扱いを改善することはできるでしょうか？また、今回のチャレンジで取り組むべきテーマになり得るでしょうか？」という質問です。

ローラン、いかがでしょうか？

Martel, Laurent 1:13:51
とても良い質問ですね、マーク。

カナダ統計局にとって、「カナダ国民が提供してくれた情報の機密性を守ること」は、最も重要な価値のひとつです。
統計局に入った個人情報は、決して外に出ることはありません。
厳格な機密保持ルールがあり、国勢調査データのテーブルでも、個人が特定されないよう細心の注意を払っています。

国勢調査はローカルレベルのデータも提供するため、非常に小さな町で特定の属性を持つ個人が識別されてしまう危険性があります。そうしたリスクを避けるために、私たちはラウンディング（端数処理）などさまざまな手法を用いて、データを集約し、個人が推測されないようにしています。

こうしたプロセスは、カナダ統計局のメソドロジー・サービス部門によって長年かけて整備されてきたものです。

AIなどの新しいツールについては、既存の統計プロセスのどこに適用できるか、現在評価を進めているところです。
国勢調査に関連する各プロセスをすべて見直し、「どこでAIが助けになるか」を検討しています。

現時点で、具体的な技術的詳細を述べることは難しいですが、たとえば：
・ラウンディングをより効率的に行う方法
・大量のテーブル生成時のワークフローの効率化
といった領域では、AIや自動化が大きな可能性を秘めていると考えています。

Levene, Mark 1:16:09
ありがとうございます。

Laverty, Damian 1:16:10
少しだけ補足します。（最適な答えになっていなかったら申し訳ありませんが…）

オープンガバメント・ポータルで扱っているのは「オープン情報」です。
個人情報が問題になるケースは基本的にありません。

唯一関係しうるのは、「情報公開請求のサマリー」です。
ここでは、過去に処理された情報公開請求の内容が要約された形で公開されます。
ただし、それらの情報はプライバシー法の対象となるものではありません。

したがって、プライバシー保護という観点では、むしろ各機関が、自身の内部情報を守るためにどのようにAIツールを活用できるか、という問題になると思います。
オープンガバメント・ポータルの運用として具体例を挙げるのは難しいですが、各機関が独自に検討すべきテーマと言えるでしょう。

あまり明確な答えにならず申し訳ありません。

Levene, Mark 1:17:07
いえ、とても参考になりました。ありがとうございます、デイミアン。

ここからは、ドーンとジョナサンに向けた「プロセスに関する質問」を3つ続けてお聞きしたいと思います。

1つ目の質問です。
「4つの問題文すべてにおいて、政府サービスの利用者に直接役立つソリューションを作る必要がありますか？
それとも、公務員や政府内部向けのソリューションを考えてもよいのでしょうか？」

ジョナサン、いかがでしょうか？

Macdonald, Jonathan 1:17:28
私から始めますが、ドーンも必要に応じて補足してください。

正直なところ、個人的には「公務員向けのツール」には大いに興味があります。
ただ、このチャレンジでは、直接・間接を問わず「国民との関わりを改善する」ソリューションを幅広く歓迎しています。

つまり、
・直接市民向けのサービスを改善するツール
・内部の業務効率化を通じて間接的に市民サービスを改善するツール
・あるいは科学研究分野での活用など、もう少し間接的な形のもの
など、いろいろなパターンが考えられます。

唯一の条件は、「4つの問題文のいずれかにきちんと沿っていること」です。
そこさえ満たしていれば、「公務員向けの内部ツール」も、「市民・クライアント向けの外部ツール」も、どちらもウェルカムです。

Levene, Mark 1:18:25
ありがとうございます、ジョナサン。

次の質問はドーン向けです。以前にもいただいたことのある質問ですが、改めてお答えいただければと思います。

「4つの問題文すべてにおいて、オープンソースのLLMを使うことは必須ですか？
それとも、推論や自然言語処理（NLP）用途としてプロプライエタリモデルを使ってもよいのでしょうか？」

NLPとは何か、という説明もあわせてお願いできますか？

Hall, Dawn 1:18:41
NLPは「Natural Language Processing（自然言語処理）」の略です。

ご質問についてですが、プロプライエタリモデルを使うことに制限はありません。
ただし、その場合はライセンスや利用許諾が正しく取得されていることが非常に重要です。

今回のチャレンジでは、「政府でのスケールや実装の可能性」も念頭に置いています。その意味では、オープンソースの方が展開しやすいケースも多いかもしれません。

とはいえ、プロプライエタリモデルの使用が禁止されているわけではありません。
ライセンスと知的財産権に関する要件を満たしている限り、プロプライエタリモデルを使っていただいてもかまいません。

Levene, Mark 1:19:15
ありがとうございます。

もう1つ、ドーン向けの質問です。
「私はグローバル・アフェアーズ・カナダ（Global Affairs Canada）の公務員です。
このコンペに応募するのに、上司の承認は必要ですか？」

Hall, Dawn 1:19:30
私からお答えしますが、その後ジョナサンにも補足してもらえればと思います。

まず、公務員もチャレンジに参加することはできます。
ただし、公務員は資金提供の対象にはなりません。

また、公務員として参加する場合、「勤務時間外に」「政府のリソースを一切使わずに」取り組む必要があります。

そのため、個人的には、上司とはオープンかつ透明性の高いコミュニケーションを取ることをおすすめします。
応募する前に上司に相談するのは、良いアイデアだと思います。

ただし、その際も、「一個人として参加する」点と、「政府リソースを使わない」点を明確にしておく必要があります。

ジョナサン、何か付け加えることはありますか？

Macdonald, Jonathan 1:20:06
ドーンがほとんどカバーしてくれましたね。
そうですね、「上司との透明性」と、必要に応じて「省庁内のバリュー＆エシックス担当への相談」が重要だと思います。

Levene, Mark 1:20:22
ありがとうございます。

これで、事前に寄せられた質問はすべてお答えできたと思います。
改めてのご案内ですが、質問があればいつでも直接ご連絡いただけます。デイナがQ&Aの上部にリンクを固定してくれています。
メールも利用できますし、参加者同士がやり取りできるDiscordサーバーもあります。
また、公開ウェブサイトにも連絡先情報が掲載されています。

それでは、クロージングのためにジョナサンにお返しします。
本日は多くのご参加とたくさんの良い質問をありがとうございました。

Macdonald, Jonathan 1:20:56
ありがとうございます、マーク。

これで本日のセッションは終了となります。
改めて、ライブ・事前収録を含め、登壇してくださったすべてのゲストの皆さんに感謝いたします。そして何より、このチャレンジに関心を持って参加してくださった皆さん、本当にありがとうございます。

今日のエキスパートセッションが、皆さんのアイデアを膨らませたり、考えを整理したり、集中させたりするのに役立っていれば嬉しく思います。

最近、よく「ムーンショット」という言葉を耳にしますが、今回のチャレンジのソリューションを考えるときにも、ぜひそのイメージを持ってみてください。
「変革的なインパクトを持つもの」「空は限界ではなく、むしろ出発点だ」といった感覚です。

それでは皆さん、ありがとうございました。
素晴らしいソリューションの開発を楽しみにしています。

誠にありがとうございます。今後の開発のご成功をお祈りします。