GCRI · कृत्रिम बुद्धिमत्ता और स्वायत्त प्रणालियाँ
AI और सार्वजनिक सेवाएँ
Governments use algorithms to target benefits, detect fraud, triage health care, allocate inspections, translate and answer citizens’ questions. When these प्रणालियाँ are wrong, opaque or biased, people lose services and rights they depend on, often without knowing why. This page sets out how public sector AI succeeds and fails, how it is assessed and made accountable, and what evidence serves the agencies, auditors and citizens involved.
काम कैसे चलता है।
मॉडल रजिस्ट्री
AI and public services · Model registry · Release gate
मॉडल
| M-843 triage assistant | सार्वजनिक सेवा | उच्च | 22 of 24 suites | अवरुद्ध |
| M-266 flood nowcast | विज्ञान | मध्यम | 12 में से 11 | जारी |
| M-756 document search | आंतरिक | निम्न | 8 of 8 | जारी |
| M-769 agent planner | एजेंटिक | उच्च | 12 of 16 | मूल्यांकन हो रहा है |
मॉडल कार्ड
- अभिप्रेत उपयोग
- प्राथमिकता-निर्धारण सहायता, निर्णय मनुष्य का
- दायरे से बाहर
- पात्रता निर्णय
- ज्ञात सीमाएँ
- दुर्लभ मामलों पर कम सटीकता
- स्वामी
- मॉडल स्वामी
घटना लॉग
- D-13INCसारांश में मनगढ़ंत उद्धरण
- D-6MITपुनर्प्राप्ति आधार जोड़ा गया
- D-2INCअपलोड की गई फ़ाइल के माध्यम से प्रॉम्प्ट इंजेक्शन
- D-1MITउपकरण अनुमति संकीर्ण की गई
Evaluation scores
vs release threshold
चित्रModel registry: example names and illustrative values, not a record or a live system.
AI and public services: how the risk develops.
Public accountability, access and rights. The dossier below sets out how the risk develops, what is measured, where the data come from, how it is modelled and who decides.
Errors fall on the vulnerable
People who depend most on public services are often those most affected by automated decisions, and least able to challenge them.
Historical data carry bias
Models trained on past decisions can reproduce discrimination present in those decisions, even when protected characteristics are excluded.
Opacity blocks challenge
When people cannot see that an algorithm was used or why it produced a result, they cannot contest it, and errors persist.
Accountability stays with the agency
Procuring a system from a vendor does not transfer responsibility. Agencies must be able to explain, audit and override algorithmic decisions.
How AI and public services is modelled, measured and tested.
मॉडल, उसकी मान्यताएँ, उसका डेटा और उसकी अनिश्चितता, उस रूप में जिसे कोई वैज्ञानिक या अभियंता जाँचेगा। संरचनाएँ प्रकाशित पद्धतियों का अनुसरण करती हैं। लिए गए मान उदाहरणात्मक हैं, निष्कर्ष नहीं।
प्रणाली मॉडल
The couplings between the systems in AI and public services: signs of influence, a reinforcing and a balancing loop, and cross-links where stress jumps.
AI in public services touches the domains people depend on.
Public service AI studies are designed for the साक्ष्य संक्षिप्त शृंखला. The EU AI Act classifies many public-service uses as high-risk; UNESCO’s Recommendation (2021) and WHO guidance (2021) set ethical expectations.
- Algorithmic impact assessments a body publishes.
- Accounts from people affected by automated decisions.
क्या मापा जाता है, और कितनी अच्छी तरह।
प्रत्येक संकेतक अपनी इकाई, आवृत्ति, उसके पीछे के स्रोत का प्रकार और वह साक्ष्य लेबल वहन करता है जो किसी मान पर होगा। कोई मान नहीं दिखाए जाते: कोई कार्यक्रम उन्हें अपने अधिकार के तहत प्रदान करता है।
| संकेतक | इकाई | लय | स्रोत प्रकार | लेबल |
|---|---|---|---|---|
| Public algorithm registers | count of प्रणालियाँ registered | per update | Government algorithm registers | प्रकाशित सांख्यिकी |
| Algorithmic impact assessments completed | percent of deployed systems | वार्षिक | एजेंसी अभिलेख | घोषित |
| Error rate by population group | difference in error rates | per audit | Algorithm audits | प्रेक्षित |
| Decisions appealed and overturned | count and percent | वार्षिक | Appeals records | प्रकाशित सांख्यिकी |
| Systems with human review of adverse decisions | percent of systems | प्रति समीक्षा | Agency documentation | घोषित |
| Audit findings on public sector algorithms | count by severity | per audit cycle | Audit office reports | रिपोर्ट किया गया |
साक्ष्य कहाँ से आता है।
नामित सार्वजनिक डेटासेट और संस्थागत अभिलेख, प्रत्येक अपने लाइसेंस वर्ग के साथ। समझौते द्वारा प्राप्त स्रोतों का उपयोग केवल उनकी शर्तों के तहत होता है और कभी पुनः प्रकाशित नहीं किया जाता।
| स्रोत | यह क्या देता है | लाइसेंस वर्ग |
|---|---|---|
| Government algorithm and AI registers, such as the UK Algorithmic Transparency Recording Standard records | Public records of algorithmic tools in use | Open, Open Government Licence where applicable |
| National audit office reports on algorithms | Independent audits of public sector AI | Public records, licence per office |
| OECD.AI Policy Observatory | Government AI policies and the AI Incidents Monitor | Public, OECD terms |
| Court and ombudsman decisions on automated decision-making | Legal findings on public sector algorithms | सार्वजनिक अभिलेख |
| Canada Directive on Automated Decision-Making and its impact assessment tool | A model for impact assessment requirements | Public, Government of Canada terms |
कौन निर्णय लेता है, और साक्ष्य किसकी सेवा करता है।
कृत्रिम बुद्धिमत्ता और स्वायत्त प्रणालियाँ prepares evidence. The decisions below are taken by the authorities named, under their own rules, and never by the platform.
| निर्णय कौन लेता है | प्रश्न | यह पृष्ठ जिस साक्ष्य की सेवा करता है |
|---|---|---|
| Government agencies | Whether and how to deploy an algorithm in a public service | Impact assessments; audit methods |
| Auditors and ombudspersons | Where to investigate algorithmic harm | Registers; appeals data; audit evidence |
| विधायिकाएँ | What transparency and accountability to require | Comparative policy and case evidence |
इस विषय से उत्पन्न आउटपुट
- Impact assessment templates for public sector AI
- Audit methods for disaggregated error and fairness
- Transparency record templates
- Case studies of public sector algorithm failures and fixes
What public-sector technologists ask.
- Is the system accurate for the whole population it serves, including minority groups?
- Can affected people understand a decision, challenge it and get it corrected?
- Who is accountable when an automated decision is wrong?
- Does automation improve access, or does it create new barriers for people without digital skills or connections?
How automated decisions go wrong.
प्रणालियाँ trained on historical administrative data inherit its biases and gaps. Risk-scoring tools can concentrate scrutiny on groups already over-represented in past enforcement. Small error rates become large numbers of wrongly affected people at national scale. When staff defer to the system, known as automation bias, errors are not caught.
Opacity compounds harm: if neither public servants nor citizens can see why a decision was made, it is hard to contest and slow to correct. Access barriers arise when services move online without alternatives.
Evidence for accountable systems.
- 01
प्रभाव आकलन
Structured assessment of a system’s purpose, data, affected groups and safeguards before deployment, using सामाजिक और व्यवहार विज्ञान. Quality depends on honest completion.
- 02
Fairness and error analysis
Disaggregated error rates by group, with प्रायिकता और सांख्यिकी. Different fairness definitions can conflict, so trade-offs must be made explicit.
- 03
Explanation and contestability
Designing decision notices and appeal routes people can use. Technical explanations do not by themselves make a decision contestable.
- 04
Audit and monitoring
Ongoing checks of outcomes and complaints after deployment.
इसका अध्ययन कैसे होता है, और पद्धतियाँ क्या नहीं बता सकतीं।
- 01सामाजिक और व्यवहार विज्ञानमानवीय निगरानी अध्ययन · प्रभावित समुदाय अनुसंधान · कार्यस्थल अंगीकरण अध्ययनयहाँ लागू
- 02AI मूल्यांकन और आश्वासन अभियांत्रिकीAI प्रणालियों के लिए आश्वासन प्रकरण · संरचित रेड टीमिंग · परिनियोजन-पश्चात निगरानीयहाँ लागू
- 03प्रायिकता और सांख्यिकीबेंचमार्क अंकों पर अनिश्चितता · अंशांकन आकलन · लेखा परीक्षा प्रतिचयनयहाँ लागू
- 04कृत्रिम बुद्धिमत्ता और मशीन लर्निंगवितरण परिवर्तन विश्लेषण · किसी विशिष्ट उपयोग के लिए फ़ाइन-ट्यूनिंग · व्याख्येयता पद्धतियाँयहाँ लागू
Where this page’s references lead.
वे निकाय और दस्तावेज़ जिनके विरुद्ध यह पृष्ठ पढ़ा जाता है। स्थिति और संस्करण बदलते हैं; हर लिंक जारी करने वाले निकाय तक जाता है।
प्रश्न और उत्तर।
What is automated decision-making?
What is an algorithmic impact assessment?
Can people challenge an algorithmic decision?
Should public services use AI at all?
What is automation bias?
Can affected people use the platform’s work?
Does the platform evaluate specific government systems?
इस पृष्ठ से साक्ष्य का योगदान करें।
रिपोर्ट is the Consortium’s quarterly publication. What you know about this subject can become evidence, a case or a correction in the next edition, credited to you and published under CC BY 4.0 where it is your own work.
- ईमेलगेटवे GW-GCRIइसे इसी पृष्ठ से भेजेंसाक्ष्य, सुधार, मामला, पद्धति, समीक्षा, अनुवाद या प्रोफ़ाइल इनपुट। यह इस पृष्ठ के टैग के साथ पहुँचता है, ताकि इसे सँभालने वाले संपादक को मिल जाए।
- Zenodoखुला जमाइसे जमा करें और समुदाय को प्रस्तुत करेंअपने ORCID iD के साथ Zenodo पर अपना अभिलेख प्रकाशित करें, फिर वहाँ Reports समुदाय को प्रस्तुत करें। संरक्षक उसकी समीक्षा करते हैं; DOI आपका ही रहता है।
- रिपोर्टGCRIयोगदान के सभी तरीके देखेंयोगदान के प्रकार, प्रत्येक की समीक्षा कैसे होती है, आपको क्या श्रेय मिलता है, लाइसेंस और क्या कभी स्वीकार नहीं किया जाता।
व्यक्तिगत डेटा, संवेदनशील अवसंरचना का विवरण या ऐसी कोई भी सामग्री कभी न भेजें जिसे साझा करने का आपको अधिकार नहीं है। उपयोग से पहले योगदान की समीक्षा होती है; इसे भेजने से लेखकत्व या संपादकीय अधिकार नहीं मिलते, और प्रायोजन कभी किसी निष्कर्ष को नहीं खरीदता।
कोई विधि, डेटासेट या प्रश्न लाएँ।
जानकारी और पूछताछ आज से खुली हैं। हर पूछताछ को एक संदर्भ मिलता है और अगला कदम बताया जाता है; आवेदन, भुगतान, कंप्यूट आवंटन और पंजीकरण तभी खुलते हैं जब उनकी टीम, शर्तें और समीक्षा क्षमता मौजूद हों।
कानूनी दस्तावेज़।
इस साइट पर मानचित्र, डेटा और आँकड़े संदर्भ और सामान्य जानकारी के लिए दिखाए जाते हैं। वे सलाह, पूर्वानुमान या चेतावनियाँ नहीं हैं; जानकारी की सीमाएँ अस्वीकरण और डेटा सूचनाओं में बताई गई हैं।