evidoria

← Voltar à navegação

Boa prática Importada

A Aposta da ONS em IA nas Estatísticas Oficiais — da Investigação em Codificação Automática SIC/SOC ao Protótipo ScannerAI de Leitura de Recibos

Reino Unido · Newport · Ver o perfil de Reino Unido · Ver o perfil de Newport

Evidência: Quase-experimental Top 46% 60/100 · Pergunte a Evidence Copilot sobre esta prática

O Data Science Campus da ONS testou codificação automática por IA para classificação SIC/SOC, com 73–85% de correspondência em 5 inquéritos face a 50–62% da ferramenta por regras, e prototipa o ScannerAI para ler ~60.000 recibos enviados anualmente por famílias.

50–62 %
Taxa de correspondência da referência baseada em regras
73% match / 84% accuracy
Correspondência/exatidão da abordagem de ML, dados SOC do Censo
70% match / 85% accuracy
Correspondência/exatidão da abordagem de ML, Inquérito à Força de Trabalho
A Aposta da ONS em IA nas Estatísticas Oficiais — da Investigação em Codificação Automática SIC/SOC ao Protótipo ScannerAI de Leitura de Recibos

Detalhes

Maturidade
Piloto
Promotor
Office for National Statistics (ONS) — Data Science Campus
Período
2023–2026
Palavras-chave
official statistics, public administration, data science, government efficiency

Contexto

O ONS (gabinete estatístico do Reino Unido) atribui respostas de texto livre de inquéritos a códigos de classificação SIC/SOC nos principais inquéritos; o seu Data Science Campus prototipou uma alternativa de aprendizagem automática baseada em regressão logística à ferramenta existente, baseada em correspondência difusa por regras.

Resultados

A abordagem de aprendizagem automática atingiu 73% de correspondência/84% de exatidão nos dados SOC do Censo e 70% de correspondência/85% de exatidão no Inquérito à Força de Trabalho, face a uma taxa de correspondência de referência de 50-62%, mas o desempenho caiu acentuadamente num quinto inquérito (60% vs. 84%), e o código (ACE2) permanece como investigação de código aberto, não implementado; um pipeline paralelo de leitura de recibos, o ScannerAI, continua a ser um protótipo em fase inicial, não testado.

Implementação
Custo indicativo
Baixo (< 50 mil €)
Tempo até resultados
Médio (1–3 anos)
Equipa e competências
ONS Data Science Campus

Condições de sucesso

  • Sufficient gold-coded training data volume for SIC classification

Modos de falha comuns

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

Habitualmente financiado por

National / regional programmes

Vias de financiamento indicativas para práticas deste tipo — verifique sempre os avisos abertos e as regras de elegibilidade de cada programa.

Implementa esta prática? Reivindique-a — implementadores verificados obtêm um contacto público na página e podem propor correções.

Fontes de dados

De onde foi obtida a informação desta prática, e quando.

Anexos

Práticas semelhantes que podem ser úteis