evidoria

← Volver al listado

Buena práctica Importada

La Apuesta de la ONS por la IA en las Estadísticas Oficiales — de la Investigación en Codificación Automática SIC/SOC al Prototipo ScannerAI de Lectura de Recibos

Reino Unido · Newport · Ver el perfil de Reino Unido · Ver el perfil de Newport

Evidencia: Cuasiexperimental Top 46% 60/100 · Pregunte a Evidence Copilot sobre esta práctica

El Data Science Campus de la ONS probó codificación automática por IA para la clasificación SIC/SOC (73–85% de coincidencia en 5 encuestas frente al 50–62% de la herramienta por reglas) y prototipa ScannerAI para leer los ~60.000 recibos que los hogares envían cada año.

50–62 %
Tasa de coincidencia de la línea base basada en reglas
73% match / 84% accuracy
Coincidencia/exactitud del enfoque de ML, datos SOC del censo
70% match / 85% accuracy
Coincidencia/exactitud del enfoque de ML, encuesta de fuerza laboral
La Apuesta de la ONS por la IA en las Estadísticas Oficiales — de la Investigación en Codificación Automática SIC/SOC al Prototipo ScannerAI de Lectura de Recibos

Detalles

Madurez
Piloto
Promotor
Office for National Statistics (ONS) — Data Science Campus
Período
2023–2026
Palabras clave
official statistics, public administration, data science, government efficiency

Contexto

La ONS (oficina de estadística del Reino Unido) asigna las respuestas de texto libre de las encuestas a códigos de clasificación SIC/SOC en sus principales encuestas; su Data Science Campus creó un prototipo de alternativa de aprendizaje automático mediante regresión logística a la herramienta existente basada en reglas de coincidencia difusa.

Resultados

El enfoque de aprendizaje automático alcanzó un 73% de coincidencia/84% de exactitud en los datos SOC del censo y un 70% de coincidencia/85% de exactitud en la encuesta de fuerza laboral, frente a una tasa de coincidencia de referencia del 50-62%, pero el rendimiento cayó bruscamente en una quinta encuesta (60% frente a 84%), y el código (ACE2) sigue siendo investigación de código abierto en lugar de estar desplegado; un flujo paralelo de lectura de recibos, ScannerAI, sigue siendo un prototipo en fase temprana, sin probar.

Implementación
Coste indicativo
Bajo (< 50 000 €)
Tiempo hasta resultados
Medio (1–3 años)
Personal y competencias
ONS Data Science Campus

Condiciones para el éxito

  • Sufficient gold-coded training data volume for SIC classification

Modos de fallo comunes

  • Model does not transfer cleanly across different respondent populations (60% vs 84% match on a fifth survey)

Habitualmente financiado por

National / regional programmes

Vías de financiación indicativas para prácticas de este tipo: compruebe siempre las convocatorias vigentes y las reglas de elegibilidad de cada programa.

¿Usted implementa esta práctica? Reivindíquela — los implementadores verificados obtienen un contacto público en la página y pueden proponer correcciones.

Fuentes de datos

De dónde se obtuvo la información de esta práctica, y cuándo.

Adjuntos

Prácticas similares que pueden serle útiles