Modele decyzyjne w ekosystemie otwartych wag. Co ten kierunek zmienia w pracy urzędu

Większość rozmów o AI w administracji kręci się wokół generowania tekstu albo odpowiadania na pytania. Tymczasem w ekosystemie otwartych wag rośnie cicho zupełnie inny typ modelu: taki, który dostaje sprawę na wejście i zwraca decyzję. Nie akapit wyjaśnienia, nie streszczenie dokumentu. Konkretny wynik: zakwalifikować czy odrzucić, skierować do referatu A czy B, przyznać priorytet czy nie. Modele decyzyjne to osobna rodzina architektur i metod trenowania, coraz szerzej dostępna przez otwarte repozytoria.

Skąd ta różnica w stosunku do zwykłego LLM? Modele decyzyjne trenuje się najczęściej metodami ze świata uczenia przez wzmocnienie albo nadzorowanego uczenia na historycznych decyzjach. Zamiast przewidywać kolejny token, model uczy się, która opcja w danym kontekście prowadziła do dobrego wyniku. To sprawia, że wynik jest deterministyczny i mierzalny, a błędy można audytować jak błędy klasyfikatora, nie jak "halucynację".

Co to oznacza dla polskich urzędów i instytucji publicznych

Pierwsza i najważniejsza zmiana: pojawia się narzędzie, które pasuje do procedur administracyjnych lepiej niż generatywny chatbot. Procedura KPA, regulamin przyznawania dotacji czy kryteria kontroli to z gruntu rzecz biorąc drzewa decyzyjne. Model wytrenowany na historycznych rozstrzygnięciach potrafi takie drzewo odtworzyć i stosować do nowych spraw, znacznie szybciej niż człowiek i ze spójnością, której trudno oczekiwać przy rotacji pracowników.

Konkretne zastosowania, które widzimy jako pierwsze kandydatury do wdrożenia:

• Routing wniosków: model czyta nagłówek sprawy i przypisuje ją do właściwej komórki organizacyjnej lub trybu obsługi, bez ręcznego przerzucania przez sekretariat.
• Preselekcja do kontroli: na podstawie danych ze złożonych dokumentów model ocenia ryzyko i wskazuje, które podmioty warto skontrolować w pierwszej kolejności, zamiast losowania lub arbitralnej kolejności wpłynięcia.
• Sprawdzanie kompletności: wniosek trafia do modelu, który w kilka sekund zwraca listę braków formalnych, zanim w ogóle dotrze do referenta.
• Wsparcie drugiej linii: przy decyzjach uznaniowych model przedstawia rozkład podobnych spraw i jak wcześniej były rozstrzygane, urzędnik decyduje, ale na tle kontekstu historycznego.

Otwartość wag to tu argument, nie ozdobnik. Urząd może sam wytrenować taki model na własnych danych archiwalnych, bez wysyłania czegokolwiek do zewnętrznego API. To ważne wszędzie tam, gdzie dane zawierają informacje objęte tajemnicą służbową albo dotyczą osób fizycznych. Mały model decyzyjny, wytrenowany lokalnie na kilku tysiącach historycznych spraw, często bije generalny LLM właśnie dlatego, że zna specyfikę konkretnego urzędu, a nie "urzędu w ogóle".

Ostrożność jest jednak uzasadniona. Model decyzyjny powtarza wzorce z danych treningowych, więc jeśli historyczne decyzje były niespójne albo systemowo stronnicze, model to utrwali. Przed wdrożeniem potrzebny jest audyt danych i mechanizm wyjaśnialności, żeby decyzja wspomagana przez AI była tak samo zaskarżalna jak ta podjęta wyłącznie przez człowieka.

Jeśli chcecie sprawdzić, do jakich procesów w Waszej instytucji taki model pasuje najlepiej i jak wyglądałoby wdrożenie zgodne z KPA, zapraszamy na bezpłatny audyt.