Maschinelles Lernen ist für Staatsarchive zu teuer

Jan 19, 2024

Ich habe mir_Mis/Getty Images angesehen

Melden Sie sich für unseren Newsletter an

In Verbindung bleiben

Von Chris Teale

Ursprünglich war geplant, maschinelles Lernen einzusetzen, um Archivaren bei der Sortierung von Datenmengen zu helfen. Angesichts der Bedenken hinsichtlich der Kosten und der Reife der ML-Technologie werden die Oregon State Archives stattdessen fortschrittliche Datenanalysen einsetzen.

Archivbeamte veröffentlichten Ende letzten Jahres eine Ausschreibung, in der sie forderten, dass ML-Technologie die Datenverarbeitung unterstützen soll, indem Duplikate und alle nicht relevanten Elemente entfernt und gleichzeitig indiziert werden, um den zukünftigen Zugriff zu erleichtern. Anlass für die RFP war der Rücktritt der ehemaligen Gouverneurin Kate Brown aus dem Amt und die erwartete Übermittlung von bis zu 10 Terabyte an Daten aus ihrer achtjährigen Amtszeit als Gouverneurin an die Staatsarchive.

Aber die Reaktionen auf das RFP zwangen die Beamten zum Umdenken, sagte Kristofer Stenson, Manager für Staatsakten im Oregon State Archives, während des Emerging Tech and Modernization Summit von Nextgov und GCN. Mindestens ein Angebot für den ML-Vertrag kostete das Dreifache des gesamten Zweijahresbudgets des Archivs, was Stenson als „augenöffnend“ bezeichnete.

„Ich würde es nicht als gescheiterte Beschaffung bezeichnen, denn wir haben viel daraus gelernt“, sagte Stenson. Angesichts der Notwendigkeit, die Technologie weiter zu reifen und die Preise zu senken, beschlossen die Staatsoberhäupter, sich von ML abzuwenden.

Stattdessen sagte Stenson, Oregon werde fortschrittliche Datenanalysen verwenden, um die Aufzeichnungen aus Browns Gouverneursarchiven zu verarbeiten. Diese Technologie hilft dabei, Duplikate sowie vertrauliche Informationen wie Sozialversicherungsnummern und Telefonnummern zu identifizieren und zu entfernen. Es bietet auch eine erweiterte Suche zum Durchsuchen der Archive.

Diese Bemühungen seien „kurzfristig viel machbarer“ und im Rahmen des aktuellen Budgets, sagte Stenson. Andere Behörden in Oregon verwenden ähnliche Analysetools, sodass es einen Präzedenzfall dafür gibt, dass die Archive diese vorerst als „Sprungbrett“ für die vollständige ML in der Zukunft nutzen.

In Verbindung stehende Artikel

Maschinelles Lernen dringt in die Archive der Bundesstaaten ein

Ländlicher Landkreis stellt Grundbucheinträge in die Blockchain

Pandemie stellt die elektronische Aktenverwaltung auf die Probe

„Es stellt immer noch einen großen Fortschritt für uns dar und wird uns hoffentlich bald auch ermöglichen, einen direkteren Zugang zu diesen Sammlungen zu ermöglichen“, sagte Stenson.

Das Archiv befindet sich auch mitten in einem Gespräch darüber, wie die Terabytes an Dokumenten, Mitteilungen und anderen Daten aus Browns Amtszeit gespeichert werden sollen, zu denen auch die Leitung der Reaktion der Landesregierung auf die COVID-19-Pandemie gehörte. Stenson sagte, dass die Lösung wahrscheinlich ein Hybridansatz sein wird, bei dem sowohl Cloud- als auch lokaler Speicher für Redundanz sorgt.

Der Umgang mit der schieren Menge an elektronischen Daten, die von gewählten Amtsträgern generiert werden, ist ein Problem, mit dem sich alle Staatsarchive auseinandersetzen müssen. Stenson sagte, ML werde bald ein „kritisches Werkzeug“ zur Verwaltung dieser Informationen sein.

„Das ist real, das ist kein Wunschtraum mehr“, sagte Stenson. „Das ist die Welt, in der wir leben werden. Auch wenn wir vielleicht noch nicht ganz am Ziel sind, kommen wir ziemlich schnell dorthin.“

Für Beschaffungsbeamte hat die Episode den Stand der Reife der ML-Technologie und die Kosten für die Regierungen für deren Nutzung gezeigt. Stenson sagte, dass Oregon mit der Nachfrage nach ML-Lösungen jetzt zwar „vielleicht etwas übereilt“ sei, es aber besser sei, bei neuen Technologien vorausschauend zu denken, als hinterherzuhinken. „Ich schaue lieber nach vorne, als fünf Jahre zu spät zu kommen“, sagte er.

NÄCHSTE GESCHICHTE:Innovation gedeiht, wenn Regierungen öffentlich-private Partnerschaften der nächsten Generation einführen