Każdy urząd gminy zna ten problem: petent stoi w kolejce, bo nie wie, jaki druk wypełnić. Składa wniosek o zasiłek rodzinny, ale pomija dodatek na dojazdy. Urzędnik odrzuca go ze względów formalnych. W skali kraju to setki tysięcy godzin straconych na poprawianie niekompletnych dokumentów.
Czemu zwykły chatbot nie daje rady?
Systemy świadczeń socjalnych to nie pojedyncza formułka. To drzewa decyzyjne z kilkudziesięcioma węzłami: dochód na osobę, próg dla rodzin wielodzietnych, dodatki z tytułu niepełnosprawności, a wszystko zależne od województwa. Przeciętna procedura roszczeniowa testowana przez badaczy z tego samego paperu miała 55 rozgałęzień. W praktyce administracyjnej bywa ich jeszcze więcej, bo trzeba uwzględnić interpretacje lokalnych uchwał.
Modele językowe dostrajane metodą LoRA sprawdzają się w prostych zadaniach, ale gubią się przy wieloetapowych procesach. Dlaczego? LoRA zakłada, że wystarczy niskorangowa aktualizacja wag, podczas gdy wiedza proceduralna wymaga zmian o wysokiej randze - średnia efektywna ranga przy pełnym dostrajaniu to 761 do 1026. Rank 128, często używany w LoRA, przechwytuje mniej niż połowę potrzebnych informacji. Efekt: agent mówi płynnie, ale po piątym pytaniu wybiera złą ścieżkę i podaje błędną podstawę prawną, a wniosek ląduje w koszu.
Asystent, który pamięta każde rozgałęzienie
Wyobraźmy sobie Ośrodek Pomocy Społecznej w mieście na 50 tysięcy mieszkańców. Petentka, matka dwójki dzieci, loguje się do systemu przez ePUAP. Agent konwersacyjny zadaje kilka podstawowych pytań: liczba osób w gospodarstwie, dochód z ostatnich trzech miesięcy, ewentualne orzeczenia o niepełnosprawności. Na podstawie odpowiedzi model decyzyjny wybiera właściwą ścieżkę - w tym przypadku procedurę zasiłku rodzinnego plus dodatku rehabilitacyjnego na dziecko.
Pełne dostrajanie gwarantuje, że model nie pomija żadnego warunku brzegowego. Wie, że przy dochodzie poniżej 764 zł na osobę przysługuje zasiłek, a przy przekroczeniu tego progu o mniej niż 100 zł można zastosować mechanizm 'złotówka za złotówkę'. Pyta o dokumentację medyczną tylko wtedy, gdy to konieczne, i nie wymaga od petenta zaświadczeń, które nie są wymagane w jego sytuacji. Pod koniec rozmowy generuje kompletny wniosek, który petent podpisuje profilem zaufanym.
Co z tego wynika dla urzędu?
Główny zysk to drastyczny spadek liczby odrzuconych wniosków z powodu błędów formalnych. W typowym urzędzie odsetek takich odrzuceń wynosi 20-30%. Po wdrożeniu agenta opartego na pełnym dostrajaniu spada do 5% lub mniej, bo system automatycznie weryfikuje spójność danych przed wysłaniem. Urzędnik nie traci czasu na odsyłanie dokumentów do poprawy - dostaje czysty, sprawdzony wniosek i podejmuje jedynie decyzję merytoryczną.
Druga korzyść to odciążenie zespołu. Przyjmując, że rocznie wpływa 5 tysięcy wniosków o świadczenia, a obsługa każdego przez urzędnika zajmuje średnio 2 godziny, mówimy o 10 tysiącach godzin pracy. Agent może przejąć rutynowe sprawy i zredukować ten czas do 20-30 minut na weryfikację końcową. To oszczędność rzędu 3-4 etatów, co w budżecie gminy oznacza około 250-400 tys. zł rocznie mniej na wynagrodzenia. Do tego dochodzi obsługa po godzinach pracy urzędu, także w językach obcych dla uchodźców.
Koszt? Jednorazowe dostrojenie modelu 8B na zbiorze danych proceduralnych to wydatek kilku tysięcy dolarów na moc obliczeniową. Hosting i integracja z systemem obiegu dokumentów to kolejne 10-20 tys. zł. Całość zwraca się w pierwszym półroczu działania, nawet przy bardzo konserwatywnych szacunkach.
Czy warto inwestować?
Jeśli Twój urząd myśli o chatbotach do obsługi wniosków socjalnych, sprawdź, czy dostawca stosuje pełne dostrajanie. W przeciwnym razie system będzie działał dobrze tylko na najczęstszych ścieżkach - a gdy pojawi się nietypowe połączenie warunków, zawiedzie, generując dodatkową pracę zamiast oszczędności. W administracji publicznej procedury to nie luźne pogaduchy, lecz precyzyjne operacje na pieniądzach obywateli. Warto przetestować rozwiązanie na wycinku, na przykład na zasiłkach rodzinnych, i przez miesiąc porównać liczbę odrzuconych wniosków z danymi historycznymi. Dopiero wtedy podejmować decyzję o pełnym wdrożeniu.
- Spadek odrzuceń formalnych z 20-30% do ponizej 5%
- Oszczednosc 3-4 etatow rocznie w sredniej gminie
- Dostepnosc 24/7 takze dla obcojezycznych petentow
Informacje o artykule
Ten artykuł powstał w oparciu o paper naukowy opublikowany w serwisie arXiv.
Paper: Procedural Knowledge Is Not Low-Rank: Why LoRA Fails to Internalize Multi-Step Procedures
Autorzy: Simon Dennis, Kevin Shabahang, Hao Guo, Rivaan Patil
Parameter-efficient fine-tuning methods like LoRA have become the default for adapting large language models, succeeding across instruction following, style transfer, and factual adaptation. We show that for procedural knowledge--the ability to follow multi-step procedures with conditional branch...
arXiv: arxiv.org/abs/2607.21612
Artykuł wygenerowany ze wsparciem sztucznej inteligencji.
