در این درس یاد می‌گیرید پلی‌بوک اجرای AI در دولت را به یک تصمیم قابل اجرا تبدیل کنید. تمرکز فقط روی تعریف واژه‌ها نیست؛ هدف این است که مسئله، داده، معیار موفقیت و مسیر کنترل خطا را به زبان تیم محصول و عملیات بنویسید.

شناخت عمومی از مدل‌های AI، workflowهای کاربردی و اصطلاحات پایه برای دنبال‌کردن مثال‌ها کافی است.

پلی‌بوک اجرای AI در دولت زمانی publish-ready است که ورودی، خروجی، owner و معیار پذیرش آن مشخص باشد. برای شروع، یک use case کوچک انتخاب کنید، baseline انسانی را نگه دارید و خروجی را با چند hard case بسنجید. سپس هزینه، latency، کیفیت و مسیر fallback را کنار هم ببینید.

برای ساخت چک‌لیست کنترل ریسک می‌توانید از NIST AI Risk Management Framework استفاده کنید و آن را با نیاز تیم خود ساده‌سازی کنید.

فرض کنید تیم شما می‌خواهد پلی‌بوک اجرای AI در دولت را در یک فرایند واقعی اجرا کند. ابتدا سه نمونه موفق، سه نمونه شکست و یک مورد مبهم جمع کنید. بعد از آن، معیار پذیرش را بنویسید و مشخص کنید کدام خروجی باید به انسان ارجاع شود.

• مسئله و معیار پذیرش باید قبل از ابزار مشخص شود.
• هر خروجی حرفه‌ای به owner، log و مسیر fallback نیاز دارد.
• نمونه‌های شکست بخشی از آموزش هستند، نه حاشیه آن.
• گام بعدی باید به یک pilot کوچک و قابل سنجش وصل شود.

• شروع با ابزار قبل از تعریف مسئله و معیار پذیرش.
• نداشتن log و owner برای خطاهای بعد از انتشار.
• اعتماد به demo بدون آزمون روی داده واقعی و موردهای دشوار.

این درس پلی‌بوک اجرای AI در دولت را با هدف، پیش‌نیاز، مثال، خطاهای رایج، کوییز سریع و گام بعدی توضیح می‌دهد تا یادگیرنده بتواند یک pilot قابل سنجش طراحی کند.

یک pilot دو هفته‌ای برای پلی‌بوک اجرای AI در دولت طراحی کنید: دامنه، داده، معیار، reviewer، مسیر rollback و گزارش هفتگی کیفیت را در یک صفحه بنویسید.