根据Gartner今年二月对全球政府机构进行的调查访谈，在接受调查的233位国外政府相关首席信息官中，其中85%认为，其政府机构所提供的服务是以“被动应对”、“被动响应”性质为主，而“主动出击”提供服务的政府机构仅占4%。没有一位首席信息官认为其政府机构所提供的服务具有预见性、前瞻性。相比之下，中国政府中的一些组织部门能够更快速有效地掌握并利用先进科技的力量，尤其是疫情期间，有效地提高了响应速度和服务能力。
Gartner认为，若要实施变革，政府必须变得“可靠又主动”。为了更好的实现政府的数字化转型，推动智慧政府的建设，以及人工智能应用场景的快速落地，政府部门应该了解如下三方面的趋势发展，即如何定义数字化政府，数据管理当前趋势，以及应用人工智能的核心要素。下文中将对以上三点做详细阐述。
根据政府数字化成熟度模型，重构政府
据Gartner观察总结，成功的数字化政府通常具备三方面因素。
首先，以人为本的设计。服务的设计要遵循以人为本的思想，通过精准的公民画像，建立多维度的触达公民途径（包括线上，线下，语音，图像等方式），通过预测分析来为不同公民提供个性化的服务。
第二，以数据驱动。根据数据的洞察和趋势进行决策，重构原有服务内容和模式。
第三，构建平台和合作关系。政府需要搭建数字化的平台，以数据分析平台作为基础和连接其他平台的纽带，使其不仅能够为公民提供数字化的能力，同时能够与社会上各行各业、各生态环境内的合作伙伴进行高效的互动，利用彼此的信息和数据，提高政府的服务能力。以及通过万物互联，边缘计算，与物联网交互平台进行紧密交互，控制和管理服务终端并收集有效数据进行实时分析。同时整合政府内部的信息系统，让数据赋能业务部门，提高效率。
以价值焦点、服务模式、平台、生态系统、领导力、技术焦点和关键指标七大维度，Gartner总结出一套“数字政府成熟度模型”（如下图），通过对照评估，可粗略判断出政府当前的数字化程度与能力缺陷。
由上图可见，在初始阶段，电子政府的核心思想是把服务尽可能多的从线下转移到线上，以IT平台为导向；接下来的开放阶段则是更多地开放公共数据，例如天气、交通等，让各行各业的第三方厂商帮助政府提高服务能力。第三阶段是真正的以数字为中心，政府将不再依赖于第三方所提供的数据服务，而是“以我为主”，利用人工智能或大数据分析，彻底改变自身提供服务的动力和模式，这也是政府数字化转型的核心阶段。而当政府服务达到了第四和第五阶段，就能够真正实现让每一个服务都有通过数据去驱动的核心竞争力，真正完成和升华数字化转型。在此次疫情期间，Gartner观察到国内的很多智慧政府都在利用大数据来判断疫情爆发的可能性，通过整合多行业数据信息，创造出诸如‘健康宝’这类全民级别高效追踪疫情的工具，在这一点上，相比国外，国内政府已经抢占先机，展现了高效的危机应对能力和强大的执行力，因此Gartner认为中国政府组织未来在数字化转型方面，将会更快地迎来质变。
数据管理是数字化政府的基础
随着政府、企业数据的变化和数据孤岛的存在，很多情况下简单的数据收集已无法真正落地，因此更为提倡的方式是把来自不同数据源的数据联结在一起，通过底层基础设施的构建、不同的存储方式和数据收集方法，来梳理数据架构，让它们变成企业的资产。一旦数据资产整理完成，就需要做精细的描述、有效的组织、数据治理和实施、多样的集成以及共享给拥有不同需要的人，从而为运营用例、分析用例提供有效的数据服务。
而随着物联网的发展，动态数据分析必将成为主流应用，边缘计算越来越成为了未来数字化业务的核心部分。数字化产品，比如手机、物联网智能终端，以及用户和服务商不同的实时交互所产生的实时信息产生了两种维度的分析，一种是实时决策和实时处理，另一种是进行数据存储和离线分析。
数据集成方式又可以概括为连接、收集和同步三种方式。更为推荐的方式是因地制宜，根据不同数据分析场景来选择数据继承方式，即通过物理移动和合并（批量/批次数据移动）、抽象/虚拟整合（数据虚拟化）和变更数据捕获和传播（两个系统之间的复制、同步以及消息传递）的结合，以多维度的方式集成、同步多样的数据。
最后也是最为关键的部分——元数据的管理，如何通过元数据的管理让冗杂的数据变成有价值的、可理解的信息。在应用数据时，通过元数据整体架构，把所有多维度的数据源利用统一的视角来提供给业务与IT。
人工智能和数据无缝集成
如何通过人工智能的方式让数据发挥更好的价值？人工智能可以为政府和企业真正带来什么？
人工智能主要有三类核心技术能力：首先是最传统、发展最悠久的机器学习，它直接根据数据来做出判断；其次是自然语言识别能力，即人机交互或者语言和语音的相互转换能力，语义分析能力，现在我们看到更多的方式是自然语言识别和深度神经网络的结合，以处理复杂的人类语言；最后是在国内发展较为迅速的计算机视觉技术，在人脸识别定位、车牌识别，医疗等方面均发挥了重大作用，而凭借中国庞大的数据源和技术发展速度，我国的计算机视觉技术有着非常广阔的发展前景。
为帮助政府组织正确地引入人工智能，Gartner建议可以从以下五个方面进行准备和布局：
第一是场景。组织要对业务的驱动力进行明确，以找到适合自身的场景。业务目标是增长业务、降低成本，还是提高客户体验？不同的业务驱动力将带来不同的场景。而其他组织成功的真实案例经过定制化调整，也可为己所用。一旦明确了应用目标，组织可以根据自身数据资产、人才、技术、成本等不同指标进行场景的可行性分析，最终通过数据科学进行验证，选择出成熟且有业务价值的场景。
第二是技能。在传统的人工智能项目里，Gartner把技术人才分成三类：精通业务的领域专家、理解数据的IT人才、人工智能领域专家。只有通过三类专家的结合，才有可能实现人工智能方案的落地。
第三是数据。人工智能需要的数据有其自身特性，往往相对于传统报表分析，人工智能项目需要的数据量呈现指数级的增长，数据的维度也更多样，数据质量侧次不齐。组织要做的是给予人工智能数据一定的自由度。在这种情况下，可以创建一个孤立的“数据集市”或者“沙箱”，让人工智能专家去任意地组合数据，发现数据背后的真正洞察。
第四是技术平台。政府或企业需要积累足够的技术能力，搭建自有技术平台，以获取核心竞争力。但如果现阶段技术能力还未满足要求，又期望可以快速交付，且业务场景较为单一，那么更高效的选择是外包给服务提供商；但长远来看，此举会使组织对外包商产生依赖，最终知识产权也有可能丧失。因此更为推荐的方式是通过购买厂商级别的服务来进行本地定制化开发和优化，以确保最佳的易用性，提高内部人员解决问题的能力，把控解决问题的最佳时机，为组织的长期发展打下坚实基础。
最后是组织结构。依上文所述，业务专家、人工智能专家和数据专家为发展人工智能提供了必需的专业知识和技能，而最高效的人才分布方式是混合式分布。各业务线的头阵是业务人员，负责了解业务需求，并将业务需求转化为人工智能需求。真正理解数据的IT工程师存在于IT部门。而数据科学家既可以通过资源池的方式，由IT统一管理；也可以分属在不同的业务线，当开展人工智能项目时，让三类专家紧密配合、有效沟通，由组织管理层和指导委员会直接赋能、反复验证场景的可能性，做到在一个高自由度的开发场景下搭建人工智能，并与数据无缝集成，让数据更好地服务于人工智能场景，实现政府组织数字化进程的良性发展。
