# ZN in Google proti halucinacijam UI: nova podatkovna platforma za preverjene globalne statistike
Veliki jezikovni modeli so vse pogosteje prvo mesto, kamor se uporabniki obrnejo po informacije o svetu. Toda pri vprašanjih, kjer je pomembna točna številka — denimo o revščini, zdravju, demografiji ali razvoju — ostaja njihova zanesljivost vprašljiva. UNICEF-ov preizkus šestih velikih jezikovnih modelov je pri več kot 133.000 odgovorih o globalnih razvojnih kazalnikih pokazal povprečno natančnost le 21,2 odstotka.
Združeni narodi in Google želijo ta problem nasloviti z novo platformo **UN System Data Commons**. Ta naj bi umetni inteligenci, raziskovalcem, odločevalcem in širši javnosti omogočila dostop do preverjenih statističnih podatkov agencij ZN prek vprašanj v naravnem jeziku — obenem pa omogočila preverjanje izvora vsake uporabljene številke.
Platforma temelji na Googlovi odprtokodni rešitvi Data Commons in nadomešča dosedanji portal UNData, na katerem so morali uporabniki podatke večinoma iskati po tradicionalnem podatkovnem vmesniku.
## Težava ni le napačen odgovor, temveč nejasen izvor
UNICEF-ov test kaže, zakaj dostop do kakovostnih virov postaja ključen del razvoja zanesljive UI. V raziskavo so bili vključeni OpenAI-jeva GPT-4o in GPT-4o-mini, Anthropicova Claude Sonnet 4.5 in Haiku 4.5 ter Googlova Gemini 2.5 Flash in Gemini 2.0 Flash.
Po besedah UNICEF-ovega glavnega statistika Joãoa Pedra Azeveda približno trije od petih odgovorov modelov niso vsebovali uporabne številke. Modeli so pogosto odgovarjali previdno ali neodločno. Še bolj zgovorno je, da so modeli pri ponovitvi istih vprašanj približno dva dni pozneje enako številko vrnili le v približno polovici primerov, kadar so jo podali ob obeh poskusih.
Gre za delovni dokument UNICEF-a, ki še ni strokovno pregledan. Organizacija namerava ob oddaji v znanstveno revijo objaviti tudi uporabljeno metodologijo, kodo in podatke.
Takšne ugotovitve ne pomenijo, da bodo zunanji podatkovni viri sami po sebi odpravili napake jezikovnih modelov. Kažejo pa, da modeli potrebujejo bolj strukturiran in sledljiv dostop do avtoritativnih informacij, zlasti kadar pripravljajo odgovore ali analize z neposrednimi posledicami za javne politike, zdravstvo, humanitarno pomoč in razvojne programe.
## Enotna podatkovna plast za agencije ZN
UN System Data Commons želi rešiti predvsem problem razdrobljenosti. Statistični podatki ZN nastajajo v številnih agencijah, programih in organizacijah, pogosto v različnih oblikah, klasifikacijah in podatkovnih zbirkah. Platforma jih skuša povezati v skupni okvir, kjer je mogoče podatke iskati, primerjati in uporabljati v analizah.
K pobudi se je zavezalo 26 entitet ZN, ob zagonu pa so dostopni podatki skoraj 20 med njimi. Cilj je, da bi do leta 2027 na platformo prenesli 80 odstotkov statističnih podatkovnih zbirk celotnega sistema ZN.
»Po obsegu, dosegu in prilagodljivosti smo za več velikostnih razredov naprednejši, saj prvič povezujemo toliko agencij iz sistema ZN,« je povedal Shantanu Mukherjee, vršilec dolžnosti direktorja Statističnega oddelka ZN. Dodal je, da organizacija izkorišča trenutek tudi za pripravo podatkov na uporabo z umetno inteligenco.
Google.org je za vzpostavitev infrastrukture zagotovil dva milijona dolarjev financiranja za krepitev zmogljivosti in tehnično podporo. Sistem je nameščen v okolju pod upravljanjem ZN, njegov namen pa je, da ga organizacija dolgoročno samostojno vzdržuje, upravlja in širi.
## MCP odpira vrata AI agentom
Pomemben tehnični element nove platforme je podpora za **Model Context Protocol oziroma MCP**. Gre za standard, prek katerega se lahko sistemi umetne inteligence povežejo z zunanjimi viri podatkov.
V praksi to pomeni, da AI agent ne bi bil omejen na lastno znanje, spletno iskanje ali podatke, vstavljene neposredno v poziv. Namesto tega bi lahko ob pripravi odgovora poizvedel po podatkovni platformi ZN, pridobil ustrezne statistike in preveril njihove vire.
Za razvijalce to pomeni možnost izdelave aplikacij in agentov, ki pri delu z globalnimi podatki uporabljajo standardiziran vir namesto množice nepovezanih spletnih strani, PDF-jev in podatkovnih portalov. Za uporabnike pa je bistvena prednost sledljivost: platforma beleži, od kod izvira posamezna statistika, zato je mogoče rezultat, ki ga uporabi AI, povezati s prvotnim virom ZN.
Prav transparentnost izvora je pomemben element odgovorne umetne inteligence. Uporabnik lahko namreč loči med številko, ki jo je model ustvaril brez jasne podlage, in podatkom, ki ga je sistem pridobil iz konkretne, preverljive zbirke podatkov.
## Od številke do analize in infografike
Google je prikazal, kako bi lahko AI sistem, povezan s podatki ZN prek MCP, samodejno združil več kazalnikov ter pripravil nadzorno ploščo, grafikone in pisno analizo. Uporabniku pri tem ne bi bilo treba ročno iskati posameznih zbirk ali jih tehnično povezovati.
V enem od prikazov je sistem iskal učinke ameriškega programa PEPFAR za boj proti aidsu v Afriki. Prepoznal je ustrezne kazalnike ZN, kot so okužbe s HIV, umrljivost zaradi aidsa in pričakovana življenjska doba, nato pa podatke uporabil za izdelavo infografike.
Tak pristop bi lahko bil posebej uporaben v humanitarnih organizacijah, javnem zdravstvu, mednarodnem razvoju, akademskem raziskovanju in pri pripravi javnih politik. AI bi lahko pospešila zbiranje in povezovanje informacij, medtem ko bi ljudje več časa namenili interpretaciji rezultatov, preverjanju predpostavk in odločanju.
## Preverjeni podatki niso enaki preverjenim sklepom
Kljub temu platforma ne rešuje vseh tveganj. Tudi če model dobi dostop do avtoritativne številke, jo lahko napačno razume, uporabi v napačnem kontekstu ali iz nje izpelje pretiran sklep.
Prem Ramaswami, vodja Googlove ekipe Data Commons, je zato opozoril, da mora človek rezultate pregledati, preden jih citira ali objavi. Modeli lahko napačno interpretirajo nianse, povezave med kazalniki ali omejitve posameznega podatkovnega niza.
UN System Data Commons je zato pomembnejši kot infrastruktura za bolj transparentno uporabo UI kot pa kot dokončna rešitev za halucinacije. Predstavlja korak proti sistemom, ki lahko svoje odgovore podprejo z navedenimi, izsledljivimi in institucionalno preverjenimi podatki.
V času, ko generativna UI že usmerja vse več spletnega prometa in vpliva na način, kako ljudje iščejo informacije, bo sposobnost preverjanja izvora podatkov postajala temelj zaupanja vredne umetne inteligence. Nova platforma ZN in Googla nakazuje, da prihodnost AI agentov ne bo odvisna le od zmogljivejših modelov, temveč tudi od kakovosti, dostopnosti in sledljivosti podatkov, na katerih ti modeli gradijo svoje odgovore.
