AI in the US State and Federal Governments with the hosts of the AI Today Podcast
35:36 Share

您好，欢迎收听天空新闻今日的“让我们聊聊AI”播客，您可以在此听到AI研究人员对AI现状的解读。我是主持人Andrey Kurenkov。我是您的另一位主持人，Sharon Zhou博士。今天，我们与“AI Today”播客进行了一次特别交叉节目，该播客主持人Kathleen Walsh和Ron Schmelzer讨论了围绕人工智能的紧迫话题，采访了该领域的嘉宾和专家，并揭开了围绕AI的炒作。

所以让我欢迎该播客的主持人Kathleen和Ron。嗨，感谢你们今天邀请我们。是的，非常感谢。很高兴参加这个播客，并与我们的共同听众和兴趣分享。是的，我们也是。我们早期的交叉节目之一，而且，你知道的，从我们通常做的新闻中有所转变。

为了阐明我们想做的事情，“AI Today”播客采访了业内和各个行业的众多人士。因此，我们只挑选了一个子集，专门针对AI和政府。是的，所以我们将与Kathleen和Ron聊聊他们从与政府官员（各个级别的政府官员）交谈中学到的一些有趣的事情。

是的，是的，感谢你们的邀请。也许你们认为我们可以先从描绘一下我们在“AI Today”播客上与之共事的人员类型开始。所以Kathleen，也许你可以向听众简要介绍一下我们在过去四年和200多集中都在做什么。我们把所有时间都花在了什么上面？

好的。正如Ron提到的，我们现在已经主持“AI Today”播客四年了，超过200集。因此，我们深入研究了人工智能的许多领域。我们还能够采访公共和私营部门的许多思想领袖。因此，我们采访了来自大型财富1000强公司的人员，但我们也关注政府。这不仅仅是美国政府，

还包括国际、联邦、州和地方政府，这确实有助于从独特的角度看待我们对人工智能的采用情况。还有关于人工智能的教育，它是什么，它不是什么，人们对它的理解范围。

因此，正如我提到的，我们有幸采访了许多人。我们可以进一步讨论一下，从国际层面到联邦层面，以及州和地方层面的情况有何不同，预算和资源、人们的知识、技能、技能差距等等。

是的。补充一点，我们之所以创建“AI Today”播客，是因为这不是我们的业务。我们有一家分析公司。Kathleen和我经营一家名为Cognolitica的分析公司。我们把所有时间都花在试图了解市场上。而市场就是关于谁在购买什么，谁在实施什么。

如果你花时间听技术供应商的介绍，你知道的，我们知道那是什么样的。他们喜欢描绘一幅非常积极的图景。一切都很棒。就像一直生活在乐高世界里一样。但问题是，你真的想知道，人们实际上在购买和实施什么？所以你必须少听他们的话，多花时间与这些客户相处，然后说，好吧，

你真的在做这些AI的事情吗？你在做机器学习吗？你真的能够采用这些东西吗？这就是我们在2017年启动“AI Today”的原因，当时市场开始变得非常火热。

我们想做一些理智的检查或现实检查。这真的很有趣，因为你会看到，技术供应商希望你认为AI领域发展有多快，以及公司（企业方面）和政府在将AI付诸实践时所做的工作之间，并不总是存在平稳的联系。

是的，我认为我们可以理解这一点，对吧，Sharon？是的。作为研究人员，我们开始播客的部分原因是我们能够对AI是什么有更深入的了解，然后当新闻报道出现时，我们可以给出我们的看法，说明我们认为哪些地方可能有点值得怀疑，或者哪些地方可能更有意义，

是的，这听起来非常有趣，因为作为研究人员，我们并不经常听到这些行业内部人士和政府人员的意见。因此，我们非常有兴趣了解你们从这些采访中发现的一些事情。

部署AI时有很多炒作，我们希望消除一些炒作。话虽如此，围绕AI的研究也有很多炒作。但根据我们所知道的有效内容以及可能真正有效的内容，我们试图消除这种炒作，并试图了解人们实际上想用AI做什么，

是的，确保这些标题不仅仅是点击诱饵，实际上可以提供一些信息，或者不提供信息。因此，让我们深入了解你们进行的一些采访，也许我们可以从联邦AI采用挑战访谈开始，采访对象是Justin Marcico。

是的。这是一个很好的问题。我认为这是一个很好的起点，因为我们几个月前对Justin Marsico（财政部服务局首席数据官）进行的采访很有趣，因为

财政部服务局并不是大多数人甚至都不知道的政府机构之一。是的，我认为我不知道。但是它控制着如此之多的事情，例如，如果你们任何一位听众最近收到了联邦政府的支票，那是付款，比如说儿童税收抵免的预付款，你实际上会看到它是由

财政部服务局签署的。财政部服务局基本上管理着政府的资金流入和流出。他们控制的一个网站叫做usaspending.gov，这是一个引人入胜的网站。因为如果你访问该网站，你几乎可以看到政府的所有支出。

从最高级别到最低级别。例如，如果你认识的人获得了PPP贷款（最近的Patriot Protection贷款），你可以看到这一点。你可以看到他们到底得到了多少，以及所有的一切。我认为关键在于数据。

某些政府机构处理的海量数据，在某些情况下，与一些最大的社交网络不相上下，只是数据的数量和质量，以及这些数据的重要性。

因此，这些政府机构正在寻求AI和机器学习，特别是为了从这些数据中提取更多价值，并解决围绕欺诈、效率、优化和自动化的所有这些问题。所以，你知道的，我们讨论的一件事，Kathleen，我们讨论了很多关于数据及其如何为AI和机器学习项目工作的问题。

没错，因为许多政府机构需要应对一些挑战。我们与Justin讨论了这些挑战，包括数据治理、数据安全、数据所有权以及其他相关领域。数据所有权现在是一个非常热门的话题，因为政府的大部分工作将是购买而非构建。

因此，当你没有内部构建它，并且需要将你的数据提供给某人来构建机器学习模型时，你需要真正向从事这项工作的供应商提出问题。谁拥有数据？它将如何使用？

因此，我们大力推动方法论，特别是数据特定和AI特定方法论，以确保从事这些项目的人员制定了方法论，并且他们也正在推动供应商使用方法论。在Cognolitica，我们始终推广最佳实践，CPM AI，即人工智能认知项目管理方法论。

我们正在教育人们，说，如果你没有构建它，问问供应商他们正在使用什么方法论。如果他们没有使用，请确保他们采用它。现在，如果你正在内部构建它，我们也鼓励你使用一种方法论。正如Ron之前提到的，比我们愿意承认的更多公司正在临时进行操作，这不是对任何人的时间、资源的有效利用，资源。

你知道的，以及如何成功完成项目。但是我们推动，你知道的，尤其是在所有这些数据问题上，拥有数据，如果你正在进行AI和机器学习，那么就拥有数据和AI为中心的方法论。

你能快速描述一下你推广的这种方法论吗？一般来说，AI方法论在整个流程中究竟涉及哪些方面？这是一个非常好的问题。我认为它实际上是从几十年来一直存在的一种方法论开始的。你们的听众可能熟悉CRISP-DM，即跨行业标准数据挖掘流程。它真正起源于数据挖掘项目。

我们喜欢解释它的方式是，你知道的，回到过去，试着回忆一下20世纪90年代后期的技术环境是什么样的。也就是说，如果大家年纪够大，记得住的话，我不知道听众的平均年龄是多少。但在20世纪90年代后期，当银行和金融服务公司以及政府机构试图从数据中提取价值时，这并不是很容易

查询大量数据，如果你可以访问大量数据，并生成这些需要非常快速生成的报告或分析，因为每次迭代都需要花费大量时间。许多大公司和机构，包括IBM和NEC，我认为还有SPSS和其他一两个公司，走到一起说：“好吧，伙计们，你们不能只是随机地做事。创建分析。

把它扔到数据库中，等待，在他们的例子中，有时需要一两天才能得到响应，然后回来，然后意识到你问错了问题，或者你的模型错了，或者数据很糟糕，等等。我们为什么不在这里以逻辑的方式做事呢？从你要解决的问题开始。这是CRISP-DM的第一阶段。然后

然后弄清楚解决该问题需要哪些数据。这是第二阶段。然后第三阶段是准备要查询的数据，然后在第四阶段构建模型，然后在第五阶段评估你的模型，然后在第六阶段将模型投入生产。

这听起来非常非常合乎逻辑，不是吗？但是绝大多数在数据仓库和数据挖掘方面工作的人直接跳到了第四阶段。让我们构建一个模型，因为这是有趣的部分，对吧？没有人喜欢做数据准备。我敢打赌，这里在这个电话会议上的每个人都像，哦，数据清洗，数据准备是我存在的祸根。但是如果没有良好的数据准备，所有的一切都会失败，对吧？所以那是20年前的事了，对吧？快进到现在，

你看所有这些花费数百万美元的AI项目都失败了，对吧？Gartner表示，大约78%的AI项目都失败了。Andrew Ng刚刚表示，他们正在进行和落地的这些两百万到五百万美元的项目正在失败，原因是数据质量。我们对自己说，如果你甚至没有问自己需要什么数据以及数据质量如何，你怎么可能花费两百万到五百万美元呢？所以猜猜怎么着？我们必须回到crisp DM，我们必须使用这种方法论。

CRISP-DM的挑战在于，他们从未发布过第二个版本。它从第一个版本开始，然后就停止了，它没有解决一些AI的特定需求，更具体地说，是机器学习模型的特定需求。如你所知，如果你正在构建机器学习模型，你需要

做一些事情，例如弄清楚你的训练数据集中需要什么。进行更具体的AI数据准备。这不仅仅是数据清洗（这很重要），你还必须做一些特征增强。你可能需要做一些数据增强。你可能需要做一些数据的按摩，数据转换，这对于构建特定类型的模型非常重要，对吧？

然后，当然，构建模型和模型操作化的实际迭代是不同的，因为我们正在使用模型进行推理。我们不是在构建报告（这基本上就是CRISP-DM的功能，即生成静态报告）。我们试图在生产环境中使用这些模型。

所以我们所做的以及其他人所做的是，我们基本上只是迭代了CRISP-DM，并生成了一个名为CPM AI的东西，它使用了CRISP-DM的六个相同阶段，业务理解、数据理解、数据准备、模型开发、模型评估和模型操作化，但它为你需要首先回答的问题提供了更多细节。

当你构建机器学习项目时，所谓的AI可行性分析，AI的七种模式，你需要确定你正在使用哪种模式以及围绕模型评估的其他各种内容。所有这些内容都有非常详细的记录。你可以访问Cognitica网站，你可以阅读所有相关内容。你知道的，我们正在做的是，我们确实花了一些时间进行教育，进行一些培训和认证。

但是，你知道的，如果你不使用这种方法论，你必须使用某种方法论。因为这些项目正在失败，它们主要是因为人们只是在做事，要么他们跳过了步骤，要么他们以错误的顺序执行步骤。是的，这很有趣。听起来，用现代术语来说，你是在采用数据科学从业者的一些基础知识或一些，你知道的，

然后将其应用于机器学习环境，其中有一些其他的调整。是的，方法论很有趣。我认为像我这样的许多博士生以及Sharon以前都必须自学方法论。你会犯一些错误，然后你会发现，好吧，我需要了解我的数据。我需要……

你知道的，建立学习环境并进行一些基准测试等等。所以看到它如何转移到培训和行业中，这很有趣。是的。

所以让我们回到这个，你知道的，联邦政府，甚至州政府。所以你提到，好吧，所以将这种方法论应用到那里将是非常棒的，因为他们正在临时进行操作。你是否看到政府内部的哪些领域已经采用了这种方法论或类似的方法论，并且取得了成功或进展顺利？

所以，你知道的，我们已经让不同政府机构的人员接受了这种方法论。因此，来自国税局的人员已经接受了这种培训。美国邮政服务部、能源部，特别是能源信息署的一些人员。然后我们有一些人，我们只是对他们进行了基本的，你知道的，人工智能知识和方法论概述的教育，但他们还没有获得认证。

我知道国防部也在围绕人工智能做很多事情。他们对他们正在做的所有事情都比较保密。所以，你知道的，不能分享太多内容。但总的来说……

我认为，绝大多数从事项目的人员并没有采用这种以数据为中心和AI为中心的方法论。因此，我认为在联邦层面，他们拥有正确的预算。

进行投资，并投资于项目。但他们仍然在进行大量的购买。他们需要大力推动供应商获得方法论认证，并向他们证明他们已经获得认证并遵循了一种方法，以便他们能够，你知道的，对其进行记录并向他们展示。在州和地方层面，对于绝大多数人来说，他们将购买它。他们内部没有人才

来构建它。而且很多时候，他们甚至连联邦政府都没有时间来构建机器学习模型。所以我们总是说，如果你不打算自己构建它，请确保供应商向你展示他们正在使用经过验证的方法论。因为供应商有很多炒作，很多营销炒作。它可能有很多虚张声势。他们可能会表现得比实际情况更有能力。当你真正看到幕后情况时，让他们向你证明他们能够做到他们所说的，并且他们有这些文件，你知道数据来自哪里，你知道他们选择了什么算法，你知道他们如何清洗和准备数据以及他们如何重新训练你的模型。

是的，这听起来很像阅读研究论文。所以很快，我们确实想更多地了解州一级的情况，因为你们进行了几次采访，但我很好奇你们也进行过一期关于AI卓越中心的节目，这与你们提出的这些想法有何关系，

确保为良好的采用制定方法论。是的，政府确实拥有

联邦机构内部的许多团体充当所谓的卓越中心，对吧？尤其是在总务管理局（GSA）内部，许多人可能会认为，如果你知道GSA，你可能会认为他们有点像政府的房东，因为他们基本上拥有政府的所有建筑物，然后他们将它们租回给政府。这有点意思，那里的模式，他们拥有很多资产。但他们做的最重要的事情之一是，他们代表

与政府签订大量合同。因为他们处理合同，所以他们可以看到政府机构何时以愚蠢的方式做事。他们可以说，等等，等等。你为什么要那样做？你为什么要买那个？你为什么要在这个上面花钱？我们没有以其他更好的方式解决这个问题吗？至少理论上是这样，对吧？因此，卓越中心，他们有一个人工智能卓越中心。实际上，他们有几个卓越中心。其中一个专注于AI，

我们采访了Neil Chowdhury，他来自卓越中心，实际上还有Krista Kennard和其他人。Krista不再在那里了。她现在在劳工部。他们基本上与我们分享说，他们实际上花费大量时间在技术上。

以数据为中心的问题，这是大多数时候出现的问题，数据可用性和质量。当然，很多事情都归结于按正确的顺序做事。他们绝对，实际上现在有一个倡议，要在政府内部建立最佳实践方法论。所以我们希望看到他们在这一方面取得进展。但这是一个非常有趣的采访，也是我们AI Today中的一期。我不知道是哪一集，但值得一听。

是的，我们可以在剧集说明中链接这些内容，以便我们的听众可以去查看。我认为我也会回去听那一集，因为很高兴知道有一个AI卓越中心。有人试图让事情进展顺利。

我很好奇，AI的一些用例是什么？如果你能举一些联邦层面或他们处理的AI卓越中心的一些例子。既然我们一直在讨论方法论，他们需要正确地掌握方法论。如果影响要很大，他们尤其需要正确地掌握它，对吧？所以我只是很好奇，这种影响是什么样的？这些用例是什么？

是的，这是一个很好的问题。所以，你知道的，他们在GSA卓越中心，他们也与其他机构合作，以帮助他们前进。联邦政府的许多人，你知道的，都在进行这场AI之旅，就像他们所说的那样，他们从机器人流程自动化（RPA）开始。

这根本不是AI。我们说这是自动化，它非常有用，可以做很多事情，但它不是智能。因此，在我们AI的七种模式中，我们有一种自主模式。这种模式的目标是真正地将人类从循环中移除。

这不能与自动化混淆。所以我们总是强调这一点，因为我认为有时人们可能会感到困惑。几年前，市场上有很多关于什么是RPA以及RPA是AI的炒作，但它不是。所以我认为我们作为行业已经克服了这一点。所以，你知道的，所以我们看到那里的一些领域。我们也看到了很多自然语言处理。

所以我们采访了Courtney Winship，她是美国公民及移民服务局（USCIS）的首席数据官。

那是美国公民及移民服务局。他们有一个名为Emma的聊天机器人。她能够用西班牙语和英语与人们交流，并回答他们的一些问题。我们还，你知道的，在专利商标局（USPTO）看到不同的用例，他们正在使用机器学习来帮助进行专利搜索。

是的，我们还看到了一些非常有趣的例子，实际上有很多NLP，无论他们是否正在使用它来进行文档分析，因为政府被淹没在文档中。所以他们会进行很多文档搜索、文档分析。我们实际上进行了一个非常酷的案例研究，劳工统计局的Alex Measure，这是另一个你可能知道也可能不知道的机构。他们是编制经济数据的人。他们还编制工作场所伤害的数据，

他们过去都是通过调查来做这些事情的，人们会填写调查问卷，实际上是填写调查问卷。然后有人必须进入并对其进行编码。我们基本上就像，哦，这种伤害是这种类型的，等等。听起来你可以感受到那种痛苦。所以——

实际上，几年前，Alex说，嘿，我认为我们可以做到这一点。我们可以使用机器学习和自然语言处理进行分类。他们从PyTorch开始，最终得到了一些东西，一个TensorFlow的东西。这是一个非常棒的小东西。一个经济学家自己构建并部署了它。它基本上一直在使用。现在我们在退伍军人事务部会议上看到的一个例子。

退伍军人管理局，他们在那里使用它。所以很多这样的东西，我们开始看到更多的识别，所以我们有这七种模式。会话模式是其中一种模式，主要是NLP。一种单独的模式是识别模式，它基本上是处理非结构化数据，图像和音频等等。我们开始看到更多这样的数据，很多卫星数据，呃，

这是能源部正在做的事情之一，与图像和图像数据有关。当然，国家海洋和大气管理局（NOAA），气象局，我们当然在NASA看到了它。我们有一些非常棒的，我们有一个非常棒的

对Chris Mattman的采访，而且时间安排得非常完美。那是“毅力号”我认为着陆火星的那一天。我们让他参加了我们的AI和政府活动。所以我们进行了现场直播，当然，我们是在虚拟环境中进行的，名为AI和政府。他在直播的同时也在做这件事。让他向我们解释这些探测器上发生的所有机器学习真是太棒了，这些探测器，你知道的，相距甚远，不仅仅是说不是光年，

几十万英里，而不是一层。所以，呃，只是，只是真的非常远。所以有很多这样的例子，还有很多我认为很普通的AI和机器学习的用途，你知道的，除非你可能感受过那种特殊的痛苦，否则没有人真正能欣赏。是的，这说得通。而且，呃，

是的，我认为我们讨论过这些事情。有时我们会看到一些关于使用卫星数据进行天气预测的新闻报道，但我们确实讨论了更多关于前沿技术的内容。听起来也许有很多有趣的东西正在采用现有技术，不一定，你知道的，

全新的东西，但在政府的组织中产生了巨大的影响。是的，听到这些在联邦层面发生的事情真的很有趣。接下来，我还看到你们对州一级官员进行了几次采访，特别是

Sharon目前居住的州，以及我通常与斯坦福大学一起居住的州，加利福尼亚州。你们采访了加利福尼亚州的首席数据官Joy Bunaguro，讨论了加利福尼亚州的数据和AI。所以我很好奇这与联邦层面有何不同，是的，加利福尼亚州可能有什么特别之处？

欢迎来到加利福尼亚州这个国家，因为加利福尼亚州非常巨大。我的意思是，不仅仅是地理位置，还有公民数量和系统数量。因此，区分州政府和联邦政府的最大因素之一是

显然是预算受到更多限制。大多数州必须基本上保持预算平衡。他们不能花得比赚得多。所以这是一件大事。另一件事是，州政府通常只对地方管辖区（县和市一级）发生的事情有有限的控制权。许多数据——

无论好坏，通常都锁定在州或地方数据中，无论是健康信息，还是公用事业，还是关于劳动力和经济的任何信息。因此，对Joy Bonagro的采访非常有趣，因为他们正在尝试做的事情，最大的影响，当然，在过去一年中，机器学习、AI和一般数据系统对健康信息的影响最大。

当然，疫情，与COVID相关的任何事情，COVID数据，COVID报告预测。但这不仅仅是直接的影响，比如，你知道的，知道，你知道的，谁接种了疫苗，这是一个很好的问题，需要了解这个问题的答案。

所有这些事情。但也包括所有附带的影响，哪些企业受到了影响，企业停业，失业，当然，还有大量关于失业和失业保险的讨论，还有州一级的失业。

当然，还要处理诸如在家办公环境之类的事情，尤其是在政府部门，你可能会在联邦机构中，你可能会有一个政府机构，拥有数千名工人，对吧？或者数万名工人。

但你可能有一个城市或州政府机构，只有几十名工人。如果说，比如说，在建筑检查方面工作的七个人，在家工作，你可以想象一下积压的情况，对吧？所以有很多讨论围绕着尝试基本上引入更多自助服务。所以我们开始看到很多像

聊天机器人、带有自助服务的应用程序、自动化系统，当然。所以州一级的需求非常广泛，他们可以得到很多帮助，对吧？我的意思是，凯瑟琳，如果你想对此发表评论。

是的。正如罗恩提到的那样，各州的可用资源更有限，而且规模更小。所以，你知道，他们不能，他们真的需要关注他们的预算。他们需要关注他们手头的东西。他们并不总是拥有联邦政府可以承担的那些长期项目的奢侈条件。

是的，我们还进行了一些有趣的采访。我们采访了卡洛斯·里维罗，他是弗吉尼亚州的首席数据官。他们谈论的是非常相似的事情，在北达科他州也是如此，多曼·布拉泽尔，他是那里的首席数据官。北达科他州是一个非常有趣的情况，因为州长曾经是一家软件公司的首席执行官。我认为他是大平原公司的首席执行官。我听说过这个，是的。非常违反直觉。我知道，你会想，

等等。这绝对理解价值。北达科他州可能是整个北达科他州的人口，可能甚至不如加利福尼亚州最大的城市人口多。我不记得那里的比较了。但是是的。

但是这个州也很大，而且地理位置多样化。因此，他们也在努力加强管理。所以这很有趣。你可以从最大的州到不是最大的州。许多问题仍然存在。他们向我们提出的其中一件事是，他们乐于与

小型公司、学生、大学合作，基本上，你知道，解决这个解决数据问题的想法，利用他们拥有的数据，并试图从中提取更多价值。凯瑟琳，你想对首席数据官小组发表一些评论吗？

是的。所以，正如罗恩提到的那样，我们也很幸运地运营了许多社区。其中一个是我们的政府人工智能社区。所以你可以访问AIingovernment.com来查看。我们很幸运地拥有一个州一级的首席数据官小组。

所以主持人是康涅狄格州的前首席数据官。然后小组成员包括乔伊和多曼，然后是阿迪塔，当时她在阿肯色州。所以它能够从三到四个方面带来独特的视角，因为泰勒是

主持人，曾经是康涅狄格州的首席数据官。所以他也能在那里带来一些视角。所以，你知道，从海岸到海岸，地理位置非常多样化，人口规模不同，预算也不同。

看到他们的一些挑战是相同的，这真的很有趣。他们的一些数据挑战是相同的，但其中一些对他们所处的位置以及他们需要关注的内容更独特一些。

这真的很有趣。是的，我认为对政府及其利用技术的能力持悲观态度很容易。但我认为听取这些特定人士，首席数据官和一些联邦层面的人员的意见，

可能是一种获得信息并真正了解这些努力的好方法，虽然可能存在挑战，但我们的民选官员和其他官员正在努力工作，并正在尽最大努力。

没错。这也很有趣，因为你知道，我们有50个州，但只有27个首席数据官。所以我们采访的州，他们认为需要首席数据官是很棒的。所以每个人都在那些还没有雇佣首席数据官的州的自己的旅程中。

也许找出他们为什么没有雇佣首席数据官很有趣。他们只是很难填补这个职位吗？他们是否没有看到它的必要性？这在他们的计划中吗？这在他们的预算中吗？首席数据官将如何帮助他们前进，特别是当我们知道数据现在正在推动很多事情时？数据为王，在人工智能领域也是如此。这是真的。

是的，现在实际上很有趣，因为它有点像每个人都变得更加关注数据了，我想。我不想说数据素养，因为我可能夸大了这里的情况。但是人们更加关注数据了。我会说，你知道，我们在马里兰州，你可以访问coronavirus.maryland.gov。当你访问那里时，你看到的是这些Power BI仪表板。这就像，

在什么样的另一种现实中，我们会像典型的祖母或任何类型的普通人一样，每天都会查看Power BI仪表板，以了解他们的孩子是否会在8月份返校上课，对吧？所以这就像……

我们永远不会如此依赖数据。这就像，好吧，你知道，疫苗接种率需要达到这个百分比。住院率需要达到这个百分比。你知道，七天平均值，这就像，有时你必须向人们解释，那些没有良好的统计或概率基础的人会说，

不，不，人们在争论死亡率之类的事情，就像，好吧，你必须理解数据。现在我们不谈论应用程序，我们不谈论系统，我们真的关注数据，这很有趣。实际上，我们喜欢这一点，因为数据应该能够帮助我们做出更好的决策。所以，

我们希望其他23个尚未在首席数据官问题上采取行动的州能够迅速采取行动。听起来我们应该这样做，是的。好的，听到关于联邦层面和州层面的人工智能非常有趣。你实际上对政府有更多了解。你在城市层面进行了一些采访，还有一些国际性的采访。虽然继续和你交谈会很有趣，但我们可能可以聊几个小时。

相反，也许我们应该指出这是一个交叉节目，所以我们的听众可以去AI Today播客，自己查看所有这些采访。这真的很有趣。在行业应用方面还有很多，还有更多。

有了这些，感谢收听本期Skynet Today的Let’s Talk AI播客。你可以在我们的网站上找到我们今天讨论的文章以及类似的文章。请在那里订阅我们的每周新闻通讯。

是的，最后，再次感谢凯瑟琳和罗恩加入我们本期节目。是的。非常感谢你们邀请我们。我们非常高兴能与你们和你们的听众交谈。是的。非常感谢你们。你们是精彩的采访对象。我们肯定会向我们所有的听众推荐收听你们的所有节目。当然，不仅仅是我们参与的那一期。所以非常感谢你们分享这次精彩的经历。

是的，当然，我们的听众也去看看AI Today，并订阅我们的播客，像往常一样，给我们评价和评分，以帮助其他听众发现我们。