evidoria

← Retour à la liste

Bonne pratique Importée

L'IA de l'ONS dans les Statistiques Officielles — de la Recherche sur le Codage Automatique SIC/SOC au Prototype ScannerAI de Lecture de Reçus

Royaume-Uni · Newport · Voir le profil de Royaume-Uni · Voir le profil de Newport

Preuves: Quasi expérimental Top 46% 60/100 · Demandez à Evidence Copilot à propos de cette pratique

Le Data Science Campus de l'ONS a testé le codage automatique par IA pour la classification SIC/SOC (73–85% de correspondance sur 5 enquêtes contre 50–62% pour l'outil à base de règles) et prototype ScannerAI pour lire les ~60 000 reçus soumis chaque année par les ménages.

50–62 %
Taux de correspondance de référence fondé sur des règles
73% match / 84% accuracy
Correspondance/précision de l'approche par ML, données SOC du recensement
70% match / 85% accuracy
Correspondance/précision de l'approche par ML, enquête sur la population active
L'IA de l'ONS dans les Statistiques Officielles — de la Recherche sur le Codage Automatique SIC/SOC au Prototype ScannerAI de Lecture de Reçus

Détails

Maturité
Pilote
Promoteur
Office for National Statistics (ONS) — Data Science Campus
Période
2023–2026
Mots-clés
official statistics, public administration, data science, government efficiency

Contexte

L'ONS (office statistique britannique) attribue les réponses de texte libre des enquêtes à des codes de classification SIC/SOC dans ses principales enquêtes ; son Data Science Campus a prototypé une alternative d'apprentissage automatique par régression logistique à l'outil existant de correspondance floue fondé sur des règles.

Résultats

L'approche par apprentissage automatique a atteint 73 % de correspondance / 84 % de précision sur les données SOC du recensement et 70 % de correspondance / 85 % de précision sur l'enquête sur la population active, contre un taux de correspondance de référence de 50 à 62 % ; mais la performance a fortement chuté sur une cinquième enquête (60 % contre 84 %), et le code (ACE2) reste une recherche open source plutôt qu'un déploiement ; un pipeline parallèle de lecture de reçus, ScannerAI, demeure un prototype en phase précoce, non testé.

Mise en œuvre
Coût indicatif
Faible (< 50 k€)
Délai jusqu’aux résultats
Moyen (1–3 ans)
Personnel et compétences
ONS Data Science Campus

Conditions de réussite

  • Sufficient gold-coded training data volume for SIC classification

Modes d’échec courants

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

Habituellement financé par

National / regional programmes

Pistes de financement indicatives pour des pratiques de ce type — vérifiez toujours les appels en cours et les règles d'éligibilité de chaque programme.

Vous portez cette pratique ? Revendiquez-la — les porteurs vérifiés obtiennent un contact public sur la page et peuvent proposer des corrections.

Sources de données

D'où proviennent les informations de cette pratique, et quand.

Pièces jointes

Pratiques similaires qui pourraient vous être utiles