نگاهی به استفاده از کلان داده‌ها و یادگیری ماشین در حکمرانی مدرن

در سال 2002، تیم بیسبال اوکلند اتلتیکز با مشکلی بزرگ روبه‌رو شد: بودجه‌ای بسیار محدود برای مدیریت تیم. در دنیای رقابتی بیسبال، جایی که تیم‌های ثروتمند می‌توانستند بهترین بازیکنان را جذب کنند، اوکلند به دنبال راهی بود تا بدون هزینه‌های سرسام‌آور با این غول‌های مالی رقابت کند تا تیمش را به سطحی رقابتی برساند. راه‌حل او به جای تکیه بر احساسات یا شهود مربیان سنتی، در یک مفهوم نوین نهفته بود: تحلیل آمار و داده‌ها …

بیلی با همکاری پیتر برند، فارغ‌التحصیل جوانی که دیدگاه اقتصادی به بیسبال داشت از تکنیکی بهره برد که بسیاری از مدیران و مربیان بیسبال تا آن زمان نادیده گرفته بودند: تحلیل داده‌های آماری بازیکنان آن‌ها شروع به تحلیل دقیق داده‌های مربوط به عملکرد بازیکنان کردند. به جای تکیه بر شهرت یا تجربه‌های کلیشه‌ای، آن‌ها از معیارهای آماری استفاده کردند که در نگاه اول شاید برای بسیاری از تیم‌های دیگر اهمیتی نداشت، اما در عمل می‌توانست تعیین‌کننده باشد. این تیم بر مبنای تحلیل داده‌ها، بازیکنانی را انتخاب کرد که با وجود اینکه کمتر شناخته شده بودند، می‌توانستند با هزینه‌ای کمتر تأثیر بزرگی در نتایج بازی‌ها بگذارند.

این تغییر رویکرد انقلابی، اوکلند را از یک تیم با بودجه محدود به تیمی توانمند تبدیل کرد که توانست به موفقیت‌های غیرمنتظره دست یابد. داستان Moneyball  نشان می‌دهد که چگونه تحلیل داده‌های کلان می‌تواند قواعد سنتی  و رایج را به چالش بکشد و مسیرهای تازه‌ای به سوی موفقیت باز کند. این تنها یک داستان بیسبال نیست، بلکه نماد قدرت Big Data و تحلیل‌های مدرن است.

همان‌طور که بیلی بین توانست از قدرت داده‌ها برای پیشبرد تیمش استفاده کند، امروزه دولت‌ها و نهادهای حکومتی نیز می‌توانند با بهره‌گیری از داده‌های کلان و یادگیری ماشین، مسائل پیچیده اجتماعی و اقتصادی را حل کنند و تصمیم‌گیری‌های هوشمندانه‌تری انجام دهند.

نقش کلان داده‌ها و یادگیری ماشین در حل مسائل کلان کشور

جهان اطراف ما به‌طور مداوم در حال تولید حجم عظیمی از داده‌هاست؛ داده‌هایی که مانند قطعات پازلی می‌توانند راه‌حل‌های نوینی برای بزرگ‌ترین چالش‌های پیش‌روی ما ارائه دهند. Big Data به‌عنوان پایه اصلی این تحولات، می‌تواند با جمع‌آوری و تحلیل حجم گسترده‌ای از اطلاعات، چشم‌انداز روشنی از مسائل پیچیده به ما نشان دهد. اما آنچه قدرت کلان داده‌ها را به‌طور قابل‌توجهی افزایش می‌دهد، یادگیری ماشین است. یادگیری ماشین می‌تواند با استفاده از این داده‌ها، به شناسایی الگوها و پیش‌بینی روندها کمک کند. به‌عبارت دیگر، کلان داده اطلاعات لازم را فراهم می‌کند و  یادگیری ماشین به ما کمک می‌کند تا این اطلاعات را به راه‌حل‌های عملی تبدیل کنیم.

در ادامه، به برخی از این چالش‌ها می‌پردازیم:

1. مدیریت قیمت و مصرف بنزین

موضوع بنزین همیشه یکی از چالش‌های اقتصادی و اجتماعی کشور بوده است. Big Data می‌تواند با تحلیل الگوهای مصرف در مناطق مختلف کشور، اطلاعات دقیقی درباره رفتار مصرف‌کنندگان ارائه دهد. این داده‌ها پایه‌ای قوی برای تصمیم‌گیری‌های هوشمندانه درباره سیاست‌های قیمت‌گذاری و مدیریت مصرف هستند. در اینجا، ماشین لرنینگ با یادگیری از داده‌های گذشته، می‌تواند به پیش‌بینی الگوهای مصرف آینده کمک کند و حتی راهکارهایی برای بهینه‌سازی سیستم‌های توزیع سوخت در مناطق مختلف پیشنهاد دهد.

قطعا با این روش، می‌شود برنامه‌های هوشمندی برای کاهش مصرف و استفاده بهینه از سوخت ارائه کرد.

2. مدیریت مصرف برق

مدیریت مصرف برق به‌ویژه در فصل‌های گرم سال یکی از چالش‌های بزرگ کشور است و قطعی برق در سال‌های اخیر به صنایع و مشاغل خسارات زیادی وارد کرده است. کلان داده‌ها می‌توانند با جمع‌آوری و تحلیل داده‌های مصرف برق در زمان‌های اوج و افت، بینش دقیقی از نیازهای آینده ارائه دهند. این اطلاعات پایه‌ای برای بهبود مدیریت انرژی و کاهش هدررفت برق هستند. یادگیری ماشین، از طریق یادگیری از این داده‌ها، می‌تواند پیش‌بینی‌های دقیقی از الگوهای مصرف برق ارائه کند و راه‌حل‌هایی برای بهینه‌سازی مصرف انرژی در خانه‌ها و صنایع پیشنهاد دهد.
این مسیر به دولت و صنعت برق کمک می‌کند تا با پیش‌بینی بهتر، مصرف برق را در زمان‌های اوج کنترل کنند.

3. ارتقای سلامت عمومی و پیش‌بینی بیماری‌ها

در حوزه سلامت، Big Data و Machine learning می‌توانند نقش محوری در ارتقای سلامت عمومی و پیشگیری از بحران‌ها ایفا کنند. کلان داده‌ها با جمع‌آوری اطلاعات از منابع گوناگون همچون پرونده‌های پزشکی، داده‌های جمعیتی و رفتارهای بهداشتی، تصویری جامع از وضعیت سلامت افراد و جوامع ارائه می‌دهد. سپس، یادگیری ماشین با استفاده از این داده‌ها، می‌تواند الگوهای پنهان را کشف کند و به پیش‌بینی بیماری‌ها، شیوع‌های احتمالی و حتی درمان‌های بهینه برای گروه‌های مختلف بپردازد. این فناوری‌ها می‌توانند به‌طور مؤثر در زمان واقعی ریسک‌های احتمالی را شناسایی کرده و سیستم‌های درمانی را قادر سازند تا به جای واکنش به بحران‌ها، به‌صورت پیشگیرانه عمل کنند. به این ترتیب، منابع درمانی به‌طور هوشمندتر توزیع می‌شوند و در نتیجه، سلامت عمومی جامعه بهبود می‌یابد.

تاریخچه کلان داده‌ها:

اصطلاح کلان داده (Big Data) از اوایل دهه ۱۹۹۰ مورد استفاده قرار گرفته است. اگرچه به طور دقیق مشخص نیست که چه کسی برای اولین بار این اصطلاح را به کار برده، اما بسیاری از افراد جان آر. مَشی (John R. Mashey) را که در آن زمان در شرکت سیلیکون گرافیکس (Silicon Graphics) مشغول به کار بود، به عنوان فردی که این اصطلاح را رایج کرد، معرفی می‌کنند.

در حقیقت، کلان داده چیزی کاملاً جدید یا منحصر به دو دهه اخیر نیست. در طول قرن‌ها، انسان‌ها همواره سعی داشته‌اند از تحلیل داده‌ها و تکنیک‌های آنالیز برای حمایت از فرایند تصمیم‌گیری خود استفاده کنند. مصریان باستان حدود ۳۰۰ سال قبل از میلاد سعی داشتند تمام داده‌های موجود را در کتابخانه اسکندریه ثبت کنند. همچنین، امپراتوری روم به دقت آمار نظامی خود را تحلیل می‌کرد تا توزیع بهینه ارتش‌های خود را تعیین کند.

با این حال، در دو دهه اخیر حجم و سرعت تولید داده‌ها به شکلی تغییر کرده که فراتر از توان درک انسانی است. حجم کلی داده‌های جهان در سال ۲۰۱۳ برابر با ۴.۴ زتابایت بود و این مقدار تا سال ۲۰۲۰ به طور چشمگیری به ۴۴ زتابایت افزایش یافت. برای درک بهتر این حجم، باید گفت ۴۴ زتابایت معادل ۴۴ تریلیون گیگابایت است. حتی با پیشرفته‌ترین فناوری‌های امروز نیز امکان تحلیل تمامی این داده‌ها وجود ندارد. نیاز به پردازش این مجموعه داده‌های بزرگ‌تر و ساختارنیافته (unstructured) است که باعث شد تحلیل داده‌های سنتی در دهه اخیر به «کلان داده» تبدیل شود.

چگونه داده‌های کلان می‌توانند سیاست‌گذاری دولتی را متحول کنند؟

۱. استفاده از داده‌های گسترده اداری

دولت‌ها حجم وسیعی از داده‌ها را از منابع مختلفی مانند سوابق بهداشتی، برنامه‌های اجتماعی، سیستم‌های مالیاتی و سایر حوزه‌ها جمع‌آوری می‌کنند. این داده‌ها با اطلاعاتی از شبکه‌های اجتماعی، دوربین‌ها و حسگرها تکمیل می‌شود و نمای جامع‌تری از وضعیت‌های اجتماعی و اقتصادی ارائه می‌دهد.

۲. پردازش آنی داده‌ها

فن‌آوری‌های پیشرفته داده‌های کلان این امکان را فراهم می‌آورند که داده‌های ملی و بین‌المللی به‌طور آنی جمع‌آوری و پردازش شوند. این فرآیند یک چرخه بازخورد را ایجاد می‌کند که در آن داده‌ها به‌طور مداوم به‌روز می‌شوند و تحلیل می‌شوند، و به سیاست‌گذاری‌های سریع‌تر و دقیق‌تر کمک می‌کند.

۳. سیاست‌گذاری با استفاده از تحلیل‌های پیشرفته

برای بهره‌برداری مؤثر از داده‌های کلان، نیاز به تحلیل‌های پیشرفته است تا داده‌ها به‌طور دقیق و مفید آماده شوند. فقط جمع‌آوری داده‌های زیاد کافی نیست؛ بلکه باید کارشناسان با دانش عمیق و مهارت‌های تحلیل داده وجود داشته باشند تا از این داده‌ها بینش‌های عملی و قابل استفاده استخراج کنند.

۴. کاربردهای عملی داده‌های کلان

پژوهشگران در سراسر جهان از داده‌های اداری وسیع برای تحلیل و مقایسه متغیرهایی مانند درآمد، هزینه‌ها و بهره‌وری در گروه‌های کوچک جمعیتی استفاده کرده‌اند. این تحلیل‌ها به طور قابل توجهی به هدایت تحقیق و تصمیم‌گیری‌های سیاستی در حوزه‌های مختلف اقتصادی کمک کرده است.

۵. بهبود کیفیت تصمیم‌گیری

استفاده از داده‌های کلان می‌تواند کیفیت تصمیم‌گیری را بهبود بخشد، زیرا اطلاعات دقیق‌تر و مرتبط‌تری را در اختیار سیاست‌گذاران قرار می‌دهد. این امر به دولت‌ها کمک می‌کند تا سیاست‌هایی موثرتر و بهتر برای پاسخگویی به نیازهای واقعی شهروندان تدوین کنند.

۶. فرهنگ داده‌ها و چارچوب‌های قانونی

ایجاد یک فرهنگ مناسب برای استفاده از داده‌ها و تدوین چارچوب‌های قانونی صحیح برای جمع‌آوری، استفاده و اشتراک‌گذاری داده‌های کلان بسیار حیاتی است. رعایت اصول حریم خصوصی و ملاحظات اخلاقی در کنار استفاده مؤثر از داده‌ها، اطمینان می‌دهد که سیاست‌گذاری‌ها به استانداردهای لازم پایبند بوده و منافع بهینه‌ای را برای جامعه فراهم کند.

با توجه به این عوامل، داده‌های کلان می‌توانند به طور چشمگیری در تحول سیاست‌گذاری دولت‌ها موثر واقع شوند و به دولت‌ها کمک کنند تا تصمیمات بهتری برای بهبود کیفیت زندگی شهروندان خود اتخاذ کنند.

حوزه های استفاده از کلان داده‌ها در سیاست‌گذاری حکومت‌ها

در گذشته، دولت‌ها در چرخه سیاست‌گذاری دسترسی چندانی به منابع اطلاعاتی نداشتند و در هر یک از فرآیندهای سیاست‌گذاری با کمبودهای اطلاعاتی مواجه بودند. امروزه با ظهور علم کلان داده و فنون آن، امکان جمع‌آوری و تحلیل داده‌های مرتبط با انواع سیاست‌ها جهت تولید دانش در هر یک از مراحل سیاست‌گذاری فراهم شده است.

از جمله حوزه‌های استفاده حکومت‌ها می‌توان به موارد زیر اشاره کرد:

پاسخ به مواقع اضطراری. تحلیل‌ها در پاسخ به بلایای طبیعی بزرگ مانند طوفان هایان استفاده شده‌اند تا مشکلات بهداشتی را شناسایی کنند، هماهنگی هزاران فرد آواره را مدیریت کنند و از بروز بحران‌های آبی جلوگیری کنند. اخیراً، پس از طوفان ماریا، از تحلیل‌ها برای شناسایی مناطق نیازمند و تخصیص مؤثر منابع استفاده شده است.

مبارزه با پولشویی. تحلیل‌ها برای پیشگیری از پولشویی و جرائم مالی استفاده می‌شوند و به طور مستقیم بر روی سازمان‌های تروریستی یا دولت‌های خارجی خصمانه که از فعالیت‌های مالی غیرقانونی برای تأمین مالی عملیات‌های خود استفاده می‌کنند، تأثیر می‌گذارند.

تهدیدات داخلی. با استفاده از تحلیل‌ها برای شناسایی ناهنجاری‌ها و رفتارهای غیرمعمول، سازمان‌ها می‌توانند به طور قابل توجهی مقدار داده‌هایی که نشت یا دزدیده می‌شود را کاهش دهند. این به جلوگیری از تقلب و جرائم سایبری کمک می‌کند که منابع و پولی را که می‌توانست در برنامه‌های کمک به شهروندان استفاده شود، هدر می‌دهد.

اثربخشی نیروی کار. سازمان‌ها می‌توانند شکاف‌های نیروی کار را که ممکن است با بازنشستگی یا ترک شغل توسط کارکنان به وجود آید، بهتر درک کنند. با اطمینان از اینکه کارکنان جدید می‌توانند این شکاف‌ها را پر کنند و با معرفی روش‌هایی برای حفظ کارکنان، سازمان‌ها می‌توانند به طور مؤثر ادامه دهند.

داده‌های کلان و تحلیل‌ها به بخش عمومی فواید زیادی ارائه می‌دهند. علاوه بر این، تحلیل‌ها نتایج را بهبود می‌بخشند که تأثیر مستقیمی بر روی شهروندان دارند. چه در مبارزه با مسائل دارویی در سطح ملی، پاسخ به بلایای محلی، حفاظت در برابر از دست دادن اطلاعات حساس یا مالکیت فکری، یا صرفاً بهبود کارایی دولت، بینش‌های تحلیلی که می‌توانید از ذخایر داده‌های کلان خود به دست آورید، تفاوت ایجاد می‌کند.

در صنعت فین‌تک، حکمرانی داده‌ها به‌عنوان پایه‌ و اساس عملکردهای حیاتی مختلف عمل می‌کند. این امر به ارزیابی دقیق ریسک، تقویت قابلیت‌های شناسایی تقلب و پشتیبانی از انطباق با مقررات مالی کمک می‌کند. حکمرانی مؤثر داده‌ها خطرات مرتبط با نقض داده‌ها را کاهش می‌دهد، اطلاعات حساس مشتریان را محافظت می‌کند و اعتماد مشتریان را حفظ می‌کند. با ایجاد یک چارچوب قوی برای حکمرانی داده‌ها، شرکت‌های فین‌تک می‌توانند از پتانسیل واقعی دارایی‌های داده‌ای خود بهره‌برداری کنند.

چالش‌های استفاده از کلان‌داده‌ها در حکمرانی برای حکومت‌ها

ضروری است که به فاصله میان علم سیاست و پیشرفت‌های فناوری توجه ویژه‌ای داشته باشیم. توسعه سیستم‌های داده‌های کلان و ابزارهای تحلیل باید به گونه‌ای انجام شود که از استفاده مؤثر اطلاعات در بخش عمومی پشتیبانی کند. همچنین، بهره‌گیری از فناوری داده‌های کلان باید با رعایت تدابیر حفاظت از داده‌ها و حفظ حریم خصوصی همراه باشد تا امنیت اطلاعات شخصی تضمین شود و به حریم خصوصی و ارزش‌های فردی آسیبی نرسد.

دولت‌هایی که از داده‌های کلان برای سیاست‌گذاری استفاده می‌کنند، باید سیستم‌های نظارتی مؤثر، رهبری مسئولانه و اصول اخلاقی قوی را ایجاد و اجرا کنند. بهره‌مندی از نوآوری‌های فناوری می‌تواند فرصت‌های بیشتری برای مشارکت عمومی در فرآیند سیاست‌گذاری فراهم کند. با این حال، خرد جمعی باید همچنان نقش هدایتگر و تعیین‌کننده‌ای در جهت‌دهی به سیاست‌ها داشته باشد.

چالش‌های پیاده‌سازی سیاست‌های مبتنی بر داده‌های کلان شامل مسائل متعددی است که نهادهای دولتی باید به آنها توجه کنند:

1. امنیت داده‌ها و حریم خصوصی: یکی از چالش‌های اصلی در استفاده از داده‌های کلان، تضمین امنیت و حریم خصوصی اطلاعات است. با توجه به قوانین داده‌های باز که در برخی کشورها وجود دارد، سوء استفاده از داده‌ها می‌تواند به مشکلات جدی منجر شود. لذا، حفظ حریم خصوصی شهروندان در استفاده از داده‌های کلان برای اهدافی همچون تصمیم‌گیری، مبارزه با جرم، کاهش فساد و ارتقاء رفاه اجتماعی، از اهمیت بالایی برخوردار است.
2. تحلیل سریع و به موقع داده‌ها: برای اتخاذ تصمیمات مؤثر و به موقع، تحلیل دقیق داده‌ها ضروری است. نهادهای دولتی باید از فرمت‌های استاندارد و متادیتا برای حفظ جریان و دسترسی به داده‌ها استفاده کنند. در حالی که سیاست‌های داده‌های باز به همکاری بین نهادها کمک می‌کند، رعایت قوانین حریم خصوصی همچنان باید در اولویت قرار داشته باشد.
3. زیرساخت‌های فنی و هزینه‌های مربوطه: پیاده‌سازی داده‌های کلان نیازمند زیرساخت‌های فنی قوی از جمله حافظه‌های کم‌هزینه، ذخیره‌سازی، سرورهای با عملکرد بالا و راه‌حل‌های ابری است. محاسبات ابری به عنوان یکی از بهترین راهکارها برای اجرای داده‌های کلان در بخش عمومی، امکان تحلیل‌های انعطاف‌پذیر را فراهم می‌کند. همچنین، اطمینان از پهنای باند کافی و قابلیت تحلیل بلادرنگ در محیط‌های ابری ضروری است.
4. کیفیت داده‌ها و پیش‌فرض‌های تحلیلی: داده‌های کلان گاهی ممکن است توهم دقت و بی‌طرفی ایجاد کنند، اما در واقعیت، پیش‌فرض‌های مختلفی در پردازش داده‌ها وجود دارد که می‌تواند تفسیر نهایی را تحت تأثیر قرار دهد. کیفیت داده‌ها لزوماً با حجم آنها مرتبط نیست و داده‌های اجتماعی به‌ویژه در معرض سوگیری‌های خودانتخابی قرار دارند که می‌تواند منجر به نتایج نادرست یا گمراه‌کننده شود.

مثال‌هایی از استفاده از کلان‌داده‌ها در سایر کشورها :

در سراسر جهان، دولت‌ها به طور فزاینده‌ای از داده‌های کلان برای بهبود خدمات عمومی و دستیابی به اهداف استراتژیک استفاده می‌کنند. در زیر به چند مثال از این رویکردها اشاره شده است:

1. نظارت‌های ضدپولشویی در سنگاپور:  نهادهای مالی سنگاپور از داده‌های کلان و مدل‌های یادگیری ماشین برای نظارت بر تراکنش‌های بین مؤسسات مالی در راستای کشف نشانه‌هایی از پولشویی و تأمین مالی تروریسم استفاده می‌کند. این الگوریتم ها می توانند میلیون ها تراکنش را در زمان واقعی تجزیه و تحلیل کنند تا الگوهای غیرمعمولی را که ممکن است نشان دهنده فعالیت های غیرقانونی باشد، شناسایی کنند.
2. خدمات بهداشتی ملی انگلستان (NHS): NHS از داده‌های کلان برای پیگیری و گزارش پیشرفت‌های عمده در خدمات بهداشتی استفاده می‌کند. یکی از نمونه‌های موفقیت‌آمیز، کاهش چشمگیر تعداد بیمارانی است که بیش از ۱۸ ماه برای درمان منتظر بودند. بر اساس داده‌های موجود، این تعداد در مه ۲۰۲۳ نسبت به سپتامبر ۲۰۲۱ بیش از ۹۰٪ کاهش یافته است. این کاهش نشان‌دهنده استفاده مؤثر از داده‌ها برای بهبود کارآیی و کیفیت خدمات بهداشتی است.
3. دولت برزیل : مقامات مالیاتی برزیل از ابزارهای یادگیری ماشین و داده های کلان برای شناسایی اختلافات در پرونده های مالیاتی و تشخیص فرار مالیاتی بالقوه استفاده می کنند. با تجزیه و تحلیل سوابق مالی مجموعه‌های بزرگ ، آنها می‌توانند ناهنجاری‌هایی را که حاکی از درآمد اعلام‌نشده یا دارایی‌های نادرست گزارش شده است را شناسایی کنند.
4. دولت بریتانیا: دولت بریتانیا از داده‌های کلان برای پیگیری و اندازه‌گیری پیشرفت‌های خود در کاهش انتشار کربن استفاده می‌کند. این کشور هدف کاهش ۶۸ درصدی انتشار کربن تا سال ۲۰۳۰ نسبت به سطوح ۱۹۹۰ را تعیین کرده و داده‌های گسترده‌ای را برای نظارت بر پیشرفت به سمت این هدف به کار گرفته است. داده‌ها همچنین به شناسایی و اجرای استراتژی‌های لازم برای دستیابی به این هدف کمک می‌کنند.

این نمونه‌ها نشان می‌دهند که چگونه استفاده از داده‌های کلان می‌تواند به بهبود ایمنی عمومی، بهداشت و درمان، مدیریت محلی و سایر حوزه‌های بخش عمومی کمک کند. دولت‌ها با بهره‌گیری از داده‌های موجود، نه تنها به افزایش کارایی و کاهش هزینه‌ها می‌پردازند، بلکه تجربیات شهروندان را نیز از طریق نوآوری‌های مبتنی بر داده بهبود می‌بخشند.

در همین راستا پیشنهاد می‌شود نهادی با اختیارات کافی تاسیس شود تا در نقش پلتفرم ارائه کلان داده‌ها و اطلاعات حاکمیتی برای شرکت‌های دانش‌بنیان حوزه داده‌کاوی باشد. این ساز و کار نهادی می‌تواند منبع و سرآغاز تولید محصولات و ارائه خدمات برای تصمیم‌گیری داده‌محور در سطح حاکمیت باشد که به ارتقای سطح حکمرانی منجر می‌شود.

311311