기타 지하 과학 및 정책 분야의 생성 AI
페이지 정보
본문
지하 과학 및 정책 분야의 생성 AI
Policy Lab은 수년간 정부 및 그 외 여러 팀과 함께 정책 개발에 인공지능(AI)을 실험했습니다. 2019년에 우리는 교통부의 데이터 과학 팀과 협력하여 AI가 정책 협의 프로세스의 효율성과 효과성을 개선하는 데 어떤 역할을 할 수 있는지 고려했습니다. 2022년에 우리는 AI를 사용하여 지방 자치 단체와 함께 Hounslow의 미래에 대한 비전을 만들었습니다. 2023년에 우리는 환경 정책에서 미래의 의사 결정에서 AI가 어떤 역할을 할 수 있는지 경험하는 데 도움이 되는 추측적 인공물인 Ecological Intelligence Agency 의 설립을 의뢰했습니다 .
이 블로그는 Policy Lab이 지하의 미래와 관련된 정책에서 생성적 AI를 어떻게 사용했는지 설명합니다. 광범위하게 말해서, 생성적 AI는 새로운 코드, 텍스트, 이미지, 비디오 또는 다른 형태의 데이터가 될 수 있는 새로운 데이터를 생성하는 시스템으로 이해될 수 있습니다. 우리는 생성적 AI를 사용하여 증거를 시각화하고, 정책 아이디어를 실현하고, Policy Lab의 공개적으로 사용 가능한 콘텐츠에 대해 훈련된 시스템으로 반복적으로 작성된 이 블로그를 만들었습니다.
지하의 미래를 다시 상상하다
Policy Lab은 정부 과학 사무소(GO-Science)와 협력하여 지하의 미래를 다시 상상 하고 정책 전문가 및 이해 관계자와 함께 고도로 상호 작용하는 워크숍에서 정책적 의미를 고려했습니다. 여기서 '지하'는 모든 지하 인프라와 자산을 포함하여 육지 또는 해저 표면 아래의 모든 것을 말합니다. 이 프로젝트에서 GO-Science는 '계획을 거꾸로 뒤집는' 프레이밍을 사용하여 정책 입안자가 지하 인프라에 부여된 중요성을 재조정하도록 장려했습니다. Policy Lab은 증거 기반에 대한 창의적이고 참여적인 탐구를 가능하게 하는 일련의 특별히 설계된 '증거 카드'를 만들었습니다.
시각적 자산을 위한 생성 AI
생성 AI를 사용하여 개발된 지하 과학 및 정책과 관련된 시각적 자산우리는 손으로 그린 방식이나 전통적인 작업 방식을 일련의 연결된 AI 모델과 결합하는 반복적 프로세스로 증거 카드를 만들었습니다. 이 기술은 '체이닝'이라고 알려진 다른 방법과 약간 다릅니다 . ' 체이닝 ' 은 한 AI 모델 의 출력이 다른 AI 모델의 입력을 형성합니다. 이 증거 카드 디자인의 예에서는 각 단계에 반복적인 인간이 주도하는 디자인 입력이 있었습니다. 이 블로그를 쓰는 과정 은 AI의 제안이 블로그 텍스트에 통합되기 전에 수정 되는 유사한 협업 프로세스를 따랐습니다 . 디자인과 쓰기 프로세스 모두에서 궁극적으로 작업을 형성 하고 출력의 품질을 결정하는 것은 인간 입니다 .
우리의 작업 흐름은 손으로 그린 이미지를 디지털 벡터로 렌더링하는 것으로 시작되었습니다.이 과정은 손으로 그린 이미지 로 시작하여 컴퓨터 선화로 전송합니다. 이것은 AI에 의해 추가로 해석되고 '확장'되기 전에 향상 됩니다. 이 AI 생성 이미지는 다양한 디지털 도구를 사용하여 다시 작업한 다음 다른 AI 모델에 의해 추가로 해석되고 확장됩니다. 완성된 제품이 달성될 때까지 AI와의 이 '협업' 과정은 여러 번 반복됩니다 . 이러한 작업 방식 의 주요 아이디어 는 반복적이고 생성적인 AI 기반 설계가 기존 기술 세트 와 작업 프로세스를 향상시키거나 증폭할 수 있다는 것입니다 .
디지털 벡터가 AI 강화 이미지로 바뀌면서 워크플로가 계속됩니다.이 과정은 지하 과학 에 대한 40 개의 증거 에 대해 반복 되었으며 , GO-Science로 신중하게 선별 되었습니다 . GO-Science의 원래 프레이밍과 연결 하기 위해 각 증거 카드에는 질문, 반성 또는 추가 증거가 포함되어 있으며, 카드를 거꾸로 돌려서만 읽을 수 있습니다.
지하의 미래를 위한 예시 증거 카드실시간 생성 AI
증거 기반과 추가적인 도발을 탐구한 후, Policy Lab은 워크숍 참가자들에게 ' 정책 캔버스 '에 대한 보다 자세한 정책 제안과 아이디어를 개발하도록 요청했습니다. 참가자들이 정보를 적는 동안, 우리는 핵심 요점을 정리하여 생성 AI가 개발 중인 작업의 실시간 시각화를 만들도록 했습니다. AI 도구를 이렇게 역동적으로 직접 적용한 결과, AI를 사용하지 않았다면 불가능했을 즉각성과 힘으로 참가자들의 아이디어를 생생하게 보여주는 매력적인 비주얼이 탄생했습니다.
AI가 생성한 캔버스 내용 시각화와 함께 정책 캔버스를 제시하는 참가자이런 방식으로 생성 AI와 협력함으로써 Policy Lab은 정책 구상 과정에 창의성과 탐구의 요소를 도입할 수 있었습니다 . 이를 통해 새로운 정책 아이디어의 다양성과 참신함을 구두 프레젠테이션과 함께 시각적으로 즉시 전달할 수 있었습니다. 어떤 의미에서 생성 AI의 예측 불가능성은 프로세스에 추가 협력자를 도입했습니다. 알고리즘이 이미지를 생성하는 방식은 종종 인간이 가질 수 있는 정신적 이미지와 상당히 다릅니다. GO-Science 팀은 현재 Future of the Subsurface 프로젝트의 일환으로 Foresight 보고서를 마무리하면서 정부 전체에 프로젝트 결과를 공유하는 과정에 있습니다.
지하의 미래를 다루기 위해 이해관계자 워크숍에서 나온 아이디어를 AI가 생성한 시각화이 블로그에서 설명한 대로 생성 AI를 사용하는 것은 Policy Lab에서 이 새로운 기술을 탐구한 방법 중 하나일 뿐입니다. 우리는 심각한 게임 디자인부터 새로운 비디오 작업 생성, 대화형 디지털 출력에 이르기까지 생성 AI를 사용하는 실험을 계속하고 있습니다. AI를 책임감 있게 사용하면 기존 기술 세트를 확대하고 이전에는 탐색하기에는 너무 많은 리소스가 필요했던 방향으로 혁신적인 방법을 적용할 수 있으며, 궁극적으로 정책 결정을 근본적으로 개선한다는 사명을 보다 효과적으로 추구할 수 있습니다. 우리는 진행 중인 실험을 공유하기를 기대합니다. 생성 AI를 정책 개발 맥락에서 안전하게 사용할 수 있는 다른 방법은 무엇이라고 생각하십니까? 이러한 실험적 방법을 업무에 사용하는 데 관심이 있으시면 team@policylab.gov.uk 로 팀에 문의하세요 .
댓글목록
등록된 댓글이 없습니다.
