从预标注到生产：公共部门机器学习管道的工程经验教训

机器学习越来越多地被嵌入到政府数字平台中，但公共部门的约束条件使构建准确、可审计且操作可持续的 ML 系统变得困难。在实际操作中，团队不仅面临像极端类别不平衡和数据漂移等技术问题，还面临官僚数据访问、缺乏版本化数据集以及对数据源头和监控治理不完整等组织障碍。我们对 Brasil Participativo (BP) 平台的研究显示，诸如使用 LLM 进行预标注、将模型拆分为路由分类器以及生成合成数据等常见工程选择——可以加快开发进度，但如果没有配合严格的数据治理和人工验证，也会引入新的可追溯性、可靠性和成本风险。这意味着，在公共部门，负责任的 ML 不仅仅是一个建模问题，而是一个制度工程问题，ML 管道必须被视为公民基础设施。最终，本研究表明，机器学习在公共部门的成功将取决于制度能够构建透明、可重复且可信赖的数据基础设施的能力，而不仅仅是模型准确性突破。