米国 国土安全保障省 AI活用のユースケースの状況説明と内部向けChatのリリース (2024.12.16, 17)
こんにちは、丸山満彦です。
国土安全保障省 (Department of Homeland Security; DHS) がブログで、ユースケースについての状況説明と、内部向けに生成的AIを利用したChatbotをリリースについて述べていますね...ChatBotはまだ、10の機関にまたがる2万人弱のスタッフの一部が試験的に利用するという計画の途中過程のようですが...
日本の省庁においても参考になるのではないかと思います...
もちろん、何をしたかということも参考になると思いますが、どのように実現してきたかというプロセスも参考になるところがあるかもですね...
● Department of Homeland Security; DHS - Blog
ユースケースの状況
・2024.12.16 AI at DHS: A Deep Dive into our Use Case Inventory
DHSChatの発表...
・2024.12.17 DHS’s Responsible Use of Generative AI Tools
DHSに取り組み...
全体
・Artificial Intelligence at DHS
リーダーシップ
活用事例
・・Using AI to Secure the Homeland
ユースケース一覧
・・・Artificial Intelligence Use Case Inventory
連邦政府のAI人材の採用はこちら...（https://ai.gov/apply/）
DHSのAIについてのウェブ...
・Artificial Intelligence at DHS
2月に発表した人材募集...（新しいポジションなので、まずは人の募集から...50人規模...）
・2024.02.06 DHS Launches First-of-its-Kind Initiative to Hire 50 Artificial Intelligence Experts in 2024
3月に発表したロードマップ...
発表時のプレス...
ロードマップ...
・2024.03.17 DHS Artificial Intelligence Roadmap
・・[PDF]
採用した最初の10名についての発表...
・2024.06.25 DHS Hires First 10 Experts in “AI Corps” Recruiting Sprint
パイロットの発表...
| Artificial Intelligence Use Case Inventory | 人工知能ユースケース目録 |
| Pursuant to Executive Order 13960 Promoting the Use of Trustworthy Artificial Intelligence in the Federal Government, Federal agencies are required to create and make publicly available an inventory of non-classified and non-sensitive Artificial Intelligence (AI) use cases, to the extent practicable and in accordance with applicable law and policy. | 「大統領令 13960 連邦政府における信頼できる人工知能の利用の促進」に従い、連邦政府機関は、適用法および政策に従って、実務上可能な範囲で、非分類かつ非機密の人工知能（AI）ユースケースのインベントリを作成し、一般に公開することが義務付けられている。 |
| To download a copy of the inventory, visit the AI Use Case Inventory publication library page. | インベントリのコピーをダウンロードするには、AIユースケース・インベントリの公開ライブラリ・ページを参照のこと。 |
| Any questions regarding the DHS inventory can be directed to [mail] | DHSインベントリに関するご質問は、[mail]。 |
| DHS Enterprise | DHS 全省 |
| Commercial Generative AI for Text Generation (AI Chatbot) | テキスト生成のための市販の生成的AI（AIチャットボット） |
| DHS employees are permitted to use commercially available generative AI for text generation in day-to-day work. Commonly referred to as AI Chatbots, these tools are able to dynamically create written content through text prompts submitted by the user. They use Natural Language Processing (NLP) and Large Language Models (LLM) to produce natural sounding language in a wide variety of contexts and styles. | DHS職員は、日常業務においてテキスト生成のための市販の生成的AIを使用することが許可されている。一般にAIチャットボットと呼ばれるこれらのツールは、ユーザーから送信されたテキストプロンプトを通じて、記述されたコンテンツを動的に作成することができる。これらのツールは、自然言語処理（NLP）と大規模言語モデル（LLM）を使用して、さまざまな文脈やスタイルで自然な音声言語を生成する。 |
| Approved applications of commercial Gen AI tools to DHS business include generating first drafts of documents that a human would subsequently review, conducting and synthesizing research on open-source information, and developing briefing materials or preparing for meetings and events. | 市販の生成的AIツールのDHS業務への応用例としては、人間が確認する文書の初稿生成、オープンソース情報の調査・統合、ブリーフィング資料の作成、会議やイベントの準備などが認められている。 |
| AI techniques used: Generative AI, Machine Learning, Natural Language Processing (NLP) | 使用されるAI技術 生成的AI、機械学習、自然言語処理（NLP） |
| Stage of System Development Life Cycle: Operation and Maintenance | システム開発ライフサイクルのステージ： 運用と保守 |
| For more information, please contact: DHS Artificial Intelligence Team | 詳細は下記まで： DHS Artificial Intelligence Team |
| Commercial Generative AI for Image Generation | 画像生成のための市販の生成的AI |
| DHS employees are permitted to use commercially available generative AI for image generation in day-to-day work. These tools are able to dynamically create graphical content through text prompts submitted by the user. They use Natural Language Processing (NLP), in conjunction with other Machine Learning techniques such as Generative Adversarial Networks (GANs) and Diffusion Models, to produce images in a wide variety of contexts and styles. | DHSの職員は、日常業務において画像生成のための市販の生成的AIを使用することが許可されている。これらのツールは、ユーザーから提出されたテキストプロンプトを通じて、グラフィカルコンテンツを動的に作成することができる。自然言語処理（NLP）を生成的敵対ネットワーク（GAN）や拡散モデルなどの機械学習技術と組み合わせて使用し、さまざまなコンテキストやスタイルの画像を生成する。 |
| AI techniques used: Generative AI, Machine Learning, Natural Language Processing (NLP), Synthetic Image Generation | 使用されるAI技術 生成的AI、機械学習、自然言語処理（NLP）、合成画像生成 |
| Stage of System Development Life Cycle: Operation and Maintenance | システム開発ライフサイクルのステージ： 運用・保守 |
| For more information, please contact: DHS Artificial Intelligence Team | 詳細は下記まで： DHS Artificial Intelligence Team |
| Commercial Generative AI for Code Generation | コード生成のための市販の生成的AI |
| DHS employees are permitted to use commercially available generative AI for code generation in day-to-day work. These tools are able to dynamically create usable code through plain-language prompts submitted by the user. They use Natural Language Processing (NLP) and Large Language Models (LLM) to produce code in many different programming languages and for a variety of tasks. | DHS職員は、日常業務においてコード生成のために市販の生成的AIを使用することが許可されている。これらのツールは、ユーザーから提出された平易な言語のプロンプトを通じて、使用可能なコードを動的に生成することができる。自然言語処理（NLP）や大規模言語モデル（LLM）を使用して、さまざまなプログラミング言語やさまざまなタスクのコードを生成する。 |
| AI techniques used: Generative AI, Machine Learning, Natural Language Processing (NLP) | 使用されるAI技術 生成的AI、機械学習、自然言語処理（NLP） |
| Stage of System Development Life Cycle: Operation and Maintenance | システム開発ライフサイクルのステージ： 運用・保守 |
| For more information, please contact: DHS Artificial Intelligence Team | 詳細は下記まで： DHS Artificial Intelligence Team |
| RelativityOne | RelativityOne |
| RelativityOne is a document review platform used to gain efficiencies in document review in litigation, FOIA, and other arenas where large-scale document review and production is necessary. It is currently in use across several different DHS Components and Offices. | RelativityOneは、訴訟、情報公開法、その他大規模な文書レビューと作成が必要な場 合に、文書レビューの効率化を図るために使用される文書レビュー・プラットフォームである。現在、DHSの複数の部門や事務所で使用されている。 |
| AI techniques used: Machine Learning, Clustering, Continuous Active Learning | 使用されているAI技術 機械学習、クラスタリング、継続的能動学習 |
| Stage of System Development Life Cycle: Operation and Maintenance | システム開発ライフサイクルの段階： 運用と保守 |
| For more information, please contact: DHS Artificial Intelligence Team | 詳細は下記まで： DHS Artificial Intelligence Team |
| DHS Headquarters | DHS 本省 |
| Text Analytics for Survey Responses (TASR) | アンケート回答のテキスト分析 (TASR) |
| Text Analytics for Survey Responses (TASR) is an application for performing Natural Language Processing (NLP) and text analytics on survey responses. It is currently being applied by DHS OCHCO to analyze and extract significant topics/themes from unstructured text responses to open-ended questions in the quarterly DHS Pulse Surveys. Results of extracted topics/themes are provided to DHS Leadership to better inform agency-wide efforts to meet employees’ basic needs and improve job satisfaction. | アンケート回答のテキスト分析 (TASR) は、調査回答に対して自然言語処理 (NLP) とテキスト分析を行うためのアプリケーションである。現在DHS OCHCOでは、四半期ごとに実施されるDHSパルス調査の自由形式質問に対する非構造化テキスト回答から、重要なトピック／テーマを分析・抽出するためにこのアプリケーションを使用している。抽出されたトピック／テーマの結果はDHSリーダーシップに提供され、職員の基本的ニーズを満たし、職務満足度を向上させるための全庁的な取り組みに、より的確な情報を提供する。 |
| AI techniques used: Natural Language processing (NLP), Latent Dirichlet Allocation | 使用されるAI技術 自然言語処理（NLP）、Latent Dirichlet Allocation |
| Stage of System Development Life Cycle: Operation and Maintenance | システム開発ライフサイクルのステージ： 運用・保守 |
| For more information, please contact: DHS Artificial Intelligence Team | 詳細は下記まで： DHS Artificial Intelligence Team |
| [No Longer in Use] Sentiment Analysis and Topic Modeling (SenTop) | [廃止] 感情分析とトピックモデリング (SenTop) |
| This use case is no longer in use at DHS. The summary is provided as it was listed on previous inventories for informational purposes. | このユースケースはDHSでは使用されていない。情報提供のため、以前のインベントリに記載されていた概要をプロバイダ に提供する。 |
| The initial purpose of the Sentiment Analysis and Topic Modeling (SenTop) project was to analyze survey responses for DHS’s Office of the Chief Procurement Officer related to contracting. However, it has evolved to be a general-purpose text analytics solution that can be applied to any domain/area. It also has been tested/used for human resources topics. SenTop is a DHS-developed Python package for performing descriptive text analytics. Specifically, sentiment analysis and topic modeling on free-form, unstructured text. SenTop uses several methods for analyzing text including combining sentiment analyses and topic modeling into a single capability, permitting identification of sentiments per topic and topics per sentiment. Other innovations include the use of polarity and emotion detection, fully automated topic modeling, and multi-model/multi-configuration analyses for automatic model/configuration selection. The code has been established, performs an analysis, and provides a report but it is only accessed and run by one person per customer request. | 感情分析とトピックモデリング（SenTop）プロジェクトの当初の目的は、契約に関するDHSの最高調達責任者室のための調査回答を分析することであった。しかし、SenTopは、あらゆる分野・領域に適用可能な汎用テキスト分析ソリューションへと発展した。また、人事関連のトピックでもテスト/利用されている。SenTopは、DHSが開発した、記述的テキスト分析を実行するためのPythonパッケージである。具体的には、自由形式の非構造化テキストに対する感情分析とトピックモデリングを行う。SenTopは、感情分析とトピックモデリングを1つの機能に統合し、トピックごとの感情と感情ごとのトピックの識別を可能にするなど、テキスト分析に複数の手法を使用している。その他の革新的な機能には、極性と感情の検知、完全に自動化されたトピックモデリング、自動モデル/構成選択のためのマルチモデル/マルチ構成分析などがある。コードが確立され、分析が実行され、レポートがプロバイダされるが、顧客の要求ごとに一人だけがアクセスし、実行できる。 |
| Stage of System Development Life Cycle: Disposal | システム開発ライフサイクルの段階： 廃棄 |
| For more information, please contact: DHS Artificial Intelligence Team | 詳細は下記まで： DHS Artificial Intelligence Team |
| Cybersecurity and Infrastructure Security Agency (CISA) | サイバーセキュリティ・インフラセキュリティ庁(CISA) |
| AIS Scoring & Feedback (AS&F) | 自動指標共有 (AIS) スコアリング・フィードバック (AS&F) |
| Automated Indicator Sharing (AIS), a CISA capability, enables the real-time exchange of machine-readable cyber threat indicators and defensive measures to help protect against and ultimately reduce the prevalence of cyber incidents. AIS is offered as part of CISA’s broad authority to share information relating to cybersecurity risks, including authority to receive, analyze, and disseminate information, and fulfills CISA’s obligation under the Cybersecurity Information Sharing Act of 2015 to establish and operate the federal government’s capability and process for receiving cyber threat indicators and defensive measures, and to further share this information with certain other agencies, in some cases in a real-time manner. For more information, please visit: [web] | CISAの機能である自動指標共有（AIS）は、サイバー脅威指標と防御策をリアルタイムで交換し、サイバー インシデントから身を守り、最終的にはその蔓延を抑えることを可能にする。AISは、サイバーセキュリティリスクに関連する情報を共有するCISAの広範な権限の一環として提供されるもので、情報の受信、分析、発信の権限を含む。2015年のサイバーセキュリティ情報共有法に基づき、サイバー脅威指標と防御策を受信する連邦政府の能力とプロセスを確立し運用するCISAの義務を果たし、さらにこの情報を他の特定の機関と、場合によってはリアルタイムで共有する。詳細については、[web]。 |
| AIS Automated Scoring & Feedback (AS&F), built on the AIS Scoring Framework, defines an algorithm by which organizations can enrich Structured Threat Information Expression Indicator objects, shared via AIS, with (1) an opinion value that provides an assessment of whether or not the information can be corroborated with other sources available to the entity submitting the opinion and (2) a confidence score that states the submitter’s confidence in the correctness of information they submit into AIS. When leveraged by CISA, AS&F uses artificial intelligence / machine learning to perform descriptive analytics from organizational-centric intelligence to support confidence and opinion classification of indicators of compromise. Together, these enrichments can help those receiving information from AIS prioritize actioning and investigating Indicator objects. | AIS Scoring Frameworkに基づいて構築されたAIS Automated Scoring & Feedback (AS&F)は、組織がAISを介して共有される構造化脅威情報表現指標オブジェクトを、(1)意見を提出する事業体が利用可能な他の情報源と情報の裏付けが取れるかどうかの評価を提供する意見値と、(2)AISに提出する情報の正しさに対する提出者の確信度を示す確信度スコアで充実させることができるアルゴリズムを定義している。CISAによって活用される場合、AS&Fは人工知能／機械学習を使用して、組織中心のインテリジェンスから記述的分析を実行し、危殆化の指標の信頼度と意見の分類をサポートする。これらの機能強化により、AISから情報を受け取った担当者は、指標オブジェクトに対する対処と調査の優先順位を決定することができる。 |
| AI techniques used: Descriptive Analysis, Machine Learning, Natural Language processing (NLP) | 使用されるAI技術 記述分析、機械学習、自然言語処理（NLP） |
| Stage of System Development Life Cycle: Operation and Maintenance | システム開発ライフサイクルのステージ： 運用・保守 |
| For more information, please contact: DHS Artificial Intelligence Team | 詳細は下記まで： DHS Artificial Intelligence Team |
| Automated Indicator Sharing (AIS) Automated PII Detection | 自動指標共有（AIS）自動PII検知 |
| CISA's Automated Personally Identifiable Information (PII) Detection and Human Review Process incorporates descriptive, predictive, and prescriptive analytics. Automated PII Detection leverages natural language processing tasks including named entity recognition coupled with Privacy guidance thresholds to automatically detect potential PII from within Automated Indicator Sharing submissions. If submissions are flagged for possible PII, the submission will be queued for human review where the analysts will be provided with the submission and artificial intelligence-assisted guidance to the specific PII concerns. Within human review, analysts can confirm/deny proper identification of PII and redact the information (if needed). Privacy experts are also able to review the actions of the system and analysts to ensure proper performance of the entire process along with providing feedback to the system and analysts for process improvements (if needed). The system learns from feedback from the analysts and Privacy experts. | CISAの自動個人を特定できる情報（PII）検知および人的審査プロセスには、記述的、予測的、および処方的分析が組み込まれている。自動PII検知は、名前付き事業体認識を含む自然言語処理タスクとプライバシー・ガイダンスのしきい値を活用して、自動指標共有の提出物から潜在的なPIIを自動的に検知する。提出物にPIIの可能性があるとフラグが立てられた場合、提出物は人間によるレビューのためにキューに入れられ、そこでアナリストは提出物と、特定のPIIの懸念に対する人工知能支援ガイダンスを提供される。人間によるレビューの中で、アナリストはPIIの適切な識別を確認／拒否し、（必要であれば）情報を編集することができる。プライバシーの専門家も、システムとアナリストの行動をレビューして、プロセス全体の適切なパフォーマンスを確認し、（必要であれば）プロセスの改善のためにシステムとアナリストにフィードバックを提供することができる。システムは、アナリストとプライバシー専門家からのフィードバックから学習する。 |
| Through the incorporation of the automated PII detection, CISA complies with Privacy, Civil Rights and Civil Liberties requirements of CISA 2015 and scaled analyst review of submissions by removing false positives and providing guidance to submission to be reviewed. Through continual audits CISA will maintain integrity and trust in system and human processes. For more information, please visit: [web]. | 自動PII検知の導入により、CISAはCISA 2015のプライバシー、公民権、自由に関する要件に準拠し、誤検知を除去し、審査対象の提出物にガイダンスを提供することで、アナリストによる提出物審査の規模を拡大した。継続的な監査を通じて、CISAはシステムと人的プロセスの完全性と信頼を維持する。詳細は[web]。 |
| AI techniques used: Natural Language processing (NLP) | 使用されるAI技術 自然言語処理（NLP） |
| Stage of System Development Life Cycle: Operation and Maintenance | システム開発ライフサイクルの段階： 運用保守 |
| For more information, please contact: DHS Artificial Intelligence Team | 詳細については、下記に問い合わせること： DHS Artificial Intelligence Team |
| Advanced Analytic Enabled Forensic Investigation | 高度な分析によるフォレンジック調査 |
| CISA deploys forensic specialists to analyze cyber events at Federal Civilian Executive Branch (FCEB) departments and agencies, as well as other State, Local, Tribal, Territorial, and Critical Infrastructure partners. Forensic analysts can utilize advanced analytic tooling, in the form of Artificial Intelligence implementations to better understand anomalies and potential threats. This tooling allows forensic specialists the capabilities to comb through data in an automated fashion with mathematically and probabilistically based models to ensure high fidelity anomalies are detected in a timely manner. | CISAは、連邦文民行政機関（FCEB）やその他の州、地方、部族、準州、重要インフラのパートナーにおけるサイバーイベントを分析するフォレンジック専門家を展開する。フォレンジック・アナリストは、異常と潜在的脅威をよりよく理解するために、人工知能の実装という形で、高度な分析ツールを利用することができる。このツールにより、フォレンジックの専門家は、数学的および確率論的なモデルを使って自動化された方法でデータを調べ、忠実度の高い異常がタイムリーに検知されるようにすることができる。 |
| AI techniques used: Machine Learning | 使用されるAI技術 機械学習 |
| Stage of System Development Life Cycle: Initiation | システム開発ライフサイクルの段階： 開始 |
| For more information, please contact: DHS Artificial Intelligence Team | 問い合わせ先 DHS Artificial Intelligence Team |
| Advanced Network Anomaly Alerting | 先進的なネットワーク異常警告 |
| Threat hunting and Security Operations Center (SOC) analysts are provided terabytes per day of data from the National Cybersecurity Protection System's (NCPS) Einstein sensors. Manually developed detection alerts and automatic correlation via off the shelf tooling are common, but not comprehensive. Many network attacks can be probabilistically determined given sufficient training data and time. Analysts use automated tooling to further refine the alerts they receive and produce additional automated alerts based on aggregated information and backed in subject matter expertise. This tooling allows CISA analysts the capabilities to comb through data in an automated fashion with mathematically and probabilistically based models to ensure high fidelity anomalies are detected in a timely manner. | 脅威ハンティングとセキュリティ・オペレーションセンター（SOC）のアナリストは、国家サイバーセキュリティ保護システム（NCPS）のEinsteinセンサーから1日あたりテラバイトのデータを提供される。手動で開発された検知アラートと既製のツールによる自動相関は一般的だが、包括的なものではない。多くのネットワーク攻撃は、十分な訓練データと時間があれば確率的に判断できる。アナリストは、自動化されたツールを使用して、受信したアラートをさらに精緻化し、集約された情報と専門知識に裏打ちされた情報に基づいて、さらに自動化されたアラートを生成する。このツールにより、CISAのアナリストは、数学的・確率論的モデルを用いて自動化された方法でデータを調べ、忠実度の高い異常をタイムリーに検知することができる。 |
| AI techniques used: Machine Learning | 使用されるAI技術 機械学習 |
| Stage of System Development Life Cycle: Initiation | システム開発ライフサイクルの段階： 開始 |
| For more information, please contact: DHS Artificial Intelligence Team | 詳細は下記まで： DHS Artificial Intelligence Team |
| AI Security and Robustness | AI のセキュリティと堅牢性 |
| Frameworks, processes, and testing tools developed to govern the acquisition, development, deployment, and maintenance of AI technologies. Technology integrators within CISA as well as the rest of the federal enterprise use AI-enhanced tools to assure the trustworthy, robust, and secure operation of their AI systems. These tools use Machine Learning and Natural Language Processing to enhance the assessment of AI technology within the agency by speeding up data processing. | AI技術の取得、開発、展開、保守を管理するために開発された枠組み、プロセス、テストツール。CISA内のテクノロジー・インテグレーターや連邦エンタープライズ全体が、AIシステムの信頼性、堅牢性、安全性を保証するためにAI強化ツールを使用している。これらのツールは、機械学習と自然言語処理を使用し、データ処理を高速化することで、機関内のAI技術のアセスメントを強化している。 |
| AI techniques used: Machine Learning, Natural Language Processing (NLP) | 使用されるAI技術 機械学習、自然言語処理（NLP） |
| Stage of System Development Life Cycle: Initiation | システム開発ライフサイクルの段階： 開始 |
| For more information, please contact: DHS Artificial Intelligence Team | 詳細は下記まで： DHS Artificial Intelligence Team |
| Critical Infrastructure Anomaly Alerting | 重要インフラの異常警告 |
| The Cyber Sentry program provides monitoring of critical infrastructure networks. Within the program, threat hunting analysts require advanced anomaly detection and machine learning capabilities to examine multimodal cyber-physical data on IT and OT networks, including ICS/SCADA. The Critical Infrastructure Anomaly Alerting model provides AI-assistance in processing this information. | サイバーセントリー・プログラムは重要インフラ・ネットワークの監視を提供する。このプログラムでは、脅威ハンティング・アナリストは、ICS/SCADAを含むITおよびOTネットワーク上のマルチモーダルなサイバー物理データを調査するために、高度な異常検知と機械学習機能を必要とする。Critical Infrastructure Anomaly Alertingモデルは、この情報の処理にAIによる支援を提供する。 |
| AI techniques used: Machine Learning, Visualization | 使用されるAI技術 機械学習、可視化 |
| Stage of System Development Life Cycle: Initiation | システム開発ライフサイクルのステージ： 開始 |
| For more information, please contact: DHS Artificial Intelligence Team | 詳細は下記まで： DHS Artificial Intelligence Team |
| Cyber Incident Reporting | サイバーインシデント報告 |
| Cyber incident handling specialists utilize advanced automation tools to process data received through various threat intelligence and cyber incident channels. These tools leverage Machine Learning and Natural Language Processing to increase the accuracy and relevance of data that is filtered and presented to human analysts and decision-makers. Machine Learning techniques also assist to aggregate the information in reports for presentation and further analysis. This includes data received through covered CIRCIA entities. | サイバーインシデントハンドリングのスペシャリストは、様々な脅威インテリジェンスやサイバーインシデントチャネルを通じて受信したデータを処理するために高度な自動化ツールを活用している。これらのツールは、機械学習と自然言語処理を活用して、人間のアナリストや意思決定者にフィルタリングされて提示されるデータの精度と関連性を高める。機械学習技術はまた、プレゼンテーションやさらなる分析のために情報をレポートに集約するのを支援する。これには、CIRCIAの事業体を通じて受信したデータも含まれる。 |
| AI techniques used: Machine Learning, Natural Language Processing (NLP) | 使用されるAI技術 機械学習、自然言語処理（NLP） |
| Stage of System Development Life Cycle: Initiation | システム開発ライフサイクルのステージ： 開始 |
| For more information, please contact: DHS Artificial Intelligence Team | 詳細は下記まで： DHS Artificial Intelligence Team |
| Cyber Threat Intelligence Feed Correlation | サイバー脅威インシデント・フィードの相関 |
| Cyber Threat Intelligence Feed Correlation uses AI enabled capabilities to provide accelerated correlation across multiple incoming information feeds. This enables more timely enrichment to improve the externally shared information feeds. AI allows the algorithm to use the information items and results to learn most efficient ways to perform the task. Additionally, tailored algorithms could be created to provided sustained surveillance of threat actor TTPs. | Cyber Threat Intelligence Feed Correlation は、AIを利用した機能により、複数の受信情報フィードの相関を加速する。これにより、外部で共有される情報フィードをよりタイムリーに改善することができる。AIは、アルゴリズムが情報項目と結果を使用して、タスクを実行する最も効率的な方法を学習することを可能にする。さらに、脅威行為者のTTPを持続的に監視するために、カスタマイズされたアルゴリズムを作成することもできる。 |
| AI techniques used: Machine Learning, Natural Language Processing (NLP) | 使用されるAI技術 機械学習、自然言語処理（NLP） |
| Stage of System Development Life Cycle: Initiation | システム開発ライフサイクルの段階： 開始 |
| For more information, please contact: DHS Artificial Intelligence Team | 詳細については、下記まで問い合わせを： DHS Artificial Intelligence Team |
| Cyber Vulnerability Reporting | サイバー脆弱性報告 |
| Vulnerability analysts require advanced automation tools to process data received through various vulnerability reporting channels, as well as aggregate the information for automated sharing. These tools leverage Machine Learning and Natural Language Processing to increase the accuracy and relevance of data that is filtered and presented to human analysts and decision-makers. Machine Learning techniques also assist to aggregate the information in reports for presentation and further analysis. This includes data in the KEV and CVE databases. | 脆弱性アナリストは、様々な脆弱性報告チャネルを通じて受信したデータを処理し、自動共有のために情報を集約するための高度な自動化ツールを必要とする。これらのツールは、機械学習と自然言語処理を活用して、フィルタリングされ、人間のアナリストや意思決定者に提示されるデータの精度と関連性を高めている。また、機械学習技術は、プレゼンテーションやさらなる分析のために、情報をレポートに集約するのに役立つ。これにはKEVとCVEデータベースのデータも含まれる。 |
| AI techniques used: Natural Language Processing (NLP), Visualization | 使用されるAI技術 自然言語処理（NLP）、視覚化 |
| Stage of System Development Life Cycle: Initiation | システム開発ライフサイクルのステージ： 開始 |
| For more information, please contact: DHS Artificial Intelligence Team | 詳細については、下記まで問い合わせを： DHS 人工知能チーム |
| Malware Reverse Engineering | マルウェア・リバース・エンジニアリング |
| Reverse engineering of malware, and software analysis more broadly, will continue to be a critical activity in support of CISA’s cyber defense mission. Threat Focused Reverse Engineering (TFRE) leverages advanced engineering, formal methods, and deep learning techniques for better cyber threat intelligence. Without scalable, automated tools, it is difficult to disrupt sophisticated adversaries’ malware development lifecycle. New, unique, automated techniques are needed to better target adversaries, augment analysts, and create sophisticated tools for end users. Core tools disrupt the adversary’s development lifecycle by exposing tactics, techniques, and procedures (TTPs). Analysts could spend more time and energy to hunt/takedown threats; adversaries can spend less time operating malware and must commit more resources to reorient. TFRE consists of a broader development pipeline providing tool hardening, enhanced computational abilities, understanding of deployment environments, and other important capabilities. | マルウェアのリバース・エンジニアリング、およびより広範なソフトウェア分析は、CISAのサイバー防衛任務を支援する重要な活動であり続ける。スレット・フォーカス・リバース・エンジニアリング（TFRE）は、より優れたサイバー脅威インテリジェンスのために、高度なエンジニアリング、形式手法、ディープラーニング技術を活用する。スケーラブルで自動化されたツールがなければ、洗練された敵のマルウェア開発ライフサイクルを中断させることは難しい。敵対者をより的確に狙い撃ちし、アナリストを補強し、エンドユーザー向けに洗練されたツールを作成するためには、独自の新しい自動化技術が必要である。コア・ツールは、戦術、技術、手順（TTP）を明らかにすることで、敵の開発ライフサイクルを混乱させる。アナリストは脅威のハント／テイクダウンにより多くの時間とエネルギーを費やすことができ、敵対者はマルウェアの操作に費やす時間を減らすことができる。TFREは、ツールのハードニング、計算能力の強化、展開環境の理解、その他の重要な能力を提供する、より広範な開発パイプラインで構成されている。 |
| AI techniques used: Machine Learning | 使用されるAI技術 機械学習 |
| Stage of System Development Life Cycle: Initiation | システム開発ライフサイクルの段階： 開始 |
| For more information, please contact: DHS Artificial Intelligence Team | 問い合わせ先 DHS Artificial Intelligence Team |
| Operational Activities Explorer | オペレーション活動エクスプローラー |
| Duty officers and analysts in CISA's Operations Center use a dashboard powered by artificial intelligence to enable sensemaking of ongoing operational activities. Artificial intelligence uses new near-real-time event data (from open source reporting, partner reporting, CISA regional staff, and cybersecurity sensors) coupled with historical cybersecurity and infrastructure security information and previous operational response activity to recommend courses-of-action and engagement strategies with other government entities and critical infrastructure owners and operators based on potential impacts to the National Critical Functions. | CISAのオペレーション・センターの担当官とアナリストは、人工知能を利用したダッシュボードを使用し、現在進行中の作戦活動のセンスメイキングを可能にしている。人工知能は、新しいほぼリアルタイムのイベントデータ（オープンソース報告、パートナーからの報告、CISA地域スタッフ、サイバーセキュリティセンサー）と、過去のサイバーセキュリティおよびインフラセキュリティ情報、過去の作戦対応活動とを組み合わせて使用し、国家重要機能への潜在的な影響に基づいて、他の事業体や重要インフラ所有者・運用者との行動方針や関与戦略を推奨する。 |
| AI techniques used: Machine Learning, Natural Language Processing (NLP), Visualization | 使用されるAI技術 機械学習、自然言語処理（NLP）、視覚化 |
| Stage of System Development Life Cycle: Initiation | システム開発ライフサイクルのステージ： 開始 |
| For more information, please contact: DHS Artificial Intelligence Team | 詳細は下記まで： DHS Artificial Intelligence Team |
| Security Information and Event Management (SIEM) Alerting Models | セキュリティ情報・イベント管理 (SIEM) 警告モデル |
| Threat hunting and Security Operations Center (SOC) analysts are provided terabytes per day of log data. Manually developed detection alerts and automatic correlation in Security Information and Event Management tool are common, but not comprehensive. Many cyber attacks can be probabilistically determined given sufficient training data and time. Analysts use automated tooling to further refine the alerts they receive and produce additional automated alerts based on aggregated information and curated subject matter expertise. This tooling allows CISA analysts the capabilities to comb through data in an automated fashion with mathematically and probabilistically based models to ensure high fidelity anomalies are detected in a timely manner. | 脅威ハンティングとセキュリティ・オペレーションセンター（SOC）のアナリストは、1日あたりテラバイトのログデータを提供されている。手動で開発された検知アラートやセキュリティ情報・イベント管理ツールの自動相関は一般的であるが、包括的なものではない。多くのサイバー攻撃は、十分な訓練データと時間があれば確率的に判断できる。アナリストは、自動化されたツールを使用して、受信したアラートをさらに精緻化し、集約された情報とキュレートされた主題の専門知識に基づいて追加の自動化されたアラートを生成する。このツールにより、CISAのアナリストは、数学的・確率論的モデルを用いて自動化された方法でデータを精査し、忠実度の高い異常をタイムリーに検知することができる。 |
| AI techniques used: Machine Learning | 使用されるAI技術 機械学習 |
| Stage of System Development Life Cycle: Initiation | システム開発ライフサイクルの段階： 開始 |
| For more information, please contact: DHS Artificial Intelligence Team | 詳細については下記まで問い合わせを： DHS Artificial Intelligence Team |
| U.S. Citizenship and Immigration Services (USCIS) | 米国移民局 (USCIS) |
| I-485 Family Matching | I-485 家族照合 |
| I-485 Family Matching is designed to create models to match family members to underlying I-485 petitions. The underlying immigrant petition defines if the I-485 is employment-based or family-based. It also has information about the visa classification and priority date which, when compared against the Department of State’s monthly Visa Bulletin, helps predict visa usage. It is difficult to match an I-485 to its underlying immigrant petition, because the only available field on which to match is the A-number. This number is not always present on the immigrant petition, and name/date of birth matching is not as reliable. The goal of I-485 Family Matching is to leverage AI to more confidently create connections between petitioners and their families based on limited data. | I-485 Family Matchingは、家族をI-485請願書の基礎となる請願書に照合するモデルを作成するためのものである。基礎となる移民請願書は、I-485が雇用ベースか家族ベースかを定義する。また、I-485にはビザの分類と優先日についての情報があり、国務省が毎月発行するVisa Bulletinと比較することで、ビザの使用状況を予測することができる。I-485を移民請願書と照合するのは困難である。この番号は移民請願書に常に記載されているわけではないので、名前／生年月日の照合は信頼性に欠ける。I-485ファミリー・マッチングの目的は、AIを活用し、限られたデータに基づき、請願者とその家族のつながりをより確実に作り出すことである。 |
| Additionally, it will be able to help identify and group I485s filed by family members, as well as gather up the many ancillary forms they may have pending (such as I765, I131). Similar to immigrant petition matching, it can be difficult to match up I485s filed by family members. In these cases the only similar fields are a common address. Efforts have been made in the past to identify family members by address, but it is effective only to a point. The AI model will help make working with this data more reliable, as well as group individual petitioners, their families, and other helpful associated data together for faster and more accurate processing. | さらに、家族が提出したI485を識別してグループ化し、家族が保留している多くの付帯書類（I765、I131など）を収集することもできる。移民請願書の照合と同様に、家族が提出したI485を照合するのは難しい場合がある。このような場合、唯一の類似項目は共通の住所である。住所から家族を識別する努力は過去にもなされてきたが、それはある程度までしか有効ではない。AIモデルは、このデータの信頼性を高めるとともに、個々の請願者、その家族、その他の有用な関連データをグループ化し、より迅速で正確な処理を可能にする。 |
| AI techniques used: Machine Learning, Clustering, Regression | 使用されるAI技術 機械学習、クラスタリング、回帰 |
| Stage of System Development Life Cycle: Development and Acquisition | システム開発ライフサイクルの段階： 開発および取得 |
| For more information, please contact: DHS Artificial Intelligence Team | 詳細は下記まで： DHS Artificial Intelligence Team |
| I-539 Approval Prediction | I-539 承認予想 |
| This project attempts to train and build a machine learning throughput analysis model to predict when an I-539 "Application to Extend or Change Nonimmigrant Status" case will be approved through eProcessing. Allows for some potential improvement for the approval process via eProcessing channel. | このプロジェクトは、I-539「非移民資格の延長・変更申請」案件がいつ電子処理で承認されるかを予測するため の機械学習スループット分析モデルを訓練・構築しようとするものである。eプロセスによる承認プロセスを改善する可能性がある。 |
| AI techniques used: Machine Learning, Clustering | 使用されるAI技術 機械学習、クラスタリング |
| Stage of System Development Life Cycle: Development and Acquisition | システム開発ライフサイクルの段階： 開発および取得 |
| For more information, please contact: DHS Artificial Intelligence Team | 詳細は下記まで： DHS Artificial Intelligence Team |
| Identity Match Option (IMO) Process with DBIS Data Marts | DBISデータマートによるアイデンティティ・マッチ・オプション (IMO) プロセス |
| The Identity Match Option (IMO) is used to derive a single identity across multiple systems for each applicant or beneficiary who interacts with USCIS. The IMO aims to aid in person-centric research and analytics. | Identity Match Option (IMO)は、USCISとやり取りする各申請者または受益者について、複数のシス テムを通じて単一のIDを導き出すために使用される。IMO は、本人中心の調査と分析を支援することを目的としている。 |
| USCIS maintains a variety of systems to track specific interactions with individuals – benefits case management, appointment scheduling, background check validation, and customer service inquiries. Each system captures its own person-centric data attributes (e.g. SSN, A-number, Name, DOB, address, etc.) related to individuals interacting with the agency. The identity derivation process uses standard entity matching algorithms included as part of the IMO product to leverage these individual instances of person-centric data attributes to derive identities. The system is able to account for a variety of data formats and potential data quality issues in the source data. The resulting identities are linked back to the original source records, allowing analysts to see an individual’s comprehensive immigration history with the agency, perform fraud detection, and identify data quality issues requiring resolution. | USCIS は、給付ケース管理、アポイントメント・スケジューリング、バックグラウンド・ チェック妥当性確認、顧客サービス問い合わせなど、個人との特定のやりとりを追跡するため に、さまざまなシステムを維持している。 各システムは、機関と相互作用する個人に関連する独自の個人中心データ属性（SSN、A ナンバー、名前、DOB、住所など）を取得する。ID 導出プロセスでは、IMO 製品の一部として含まれる標準の事業体照合アルゴリズムを使用し、こ れらの個人中心データ属性の個々のインスタンスを活用して ID を導出する。このシステムは、さまざまなデータ形式およびソース・データ内の潜在的なデータ品質の問 題を考慮することができる。その結果、識別は元のソース・レコードにリンクされ、アナリストは個人の包括的な出入国履歴を確認し、不正検知を実行し、解決が必要なデータ品質の問題を特定することができる。 |
| AI techniques used: Criteria Based Identification | 使用されるAI技術 規準に基づく識別 |
| Stage of System Development Life Cycle: Operation and Maintenance | システム開発ライフサイクルの段階： 運用保守 |
| For more information, please contact: DHS Artificial Intelligence Team | 詳細については、下記まで問い合わせを： DHS Artificial Intelligence Team |
| Person-Centric Identity Services A-Number Management Model | 個人中心の ID サービス 個人番号管理モデル |
| The vision of Person-Centric Identity Services (PCIS) is to be the authoritative source of trusted biographical and biometric information that provides real-time, two-way visibility between services into an individual's comprehensive immigration history and status. The A-Number Management model ingests person-centric datasets from various source systems for model training and evaluation purposes. The dataset includes biographic information (name, date of birth, Alien #, Social Security #, passport #, etc.) as well as biographic information (fingerprint IDs, eye color, hair color, height, weight, etc.) for model training and matching purposes. | Person-Centric Identity Services（PCIS）のビジョンは、個人の包括的な出入国履歴とステータスをサービス間で リアルタイムかつ双方向に可視化する、トラストサービス・バイオメトリクス情報の権威ある情報源となることである。Aナンバー管理モデルは、モデルの訓練と評価の目的で、様々なソースシステムから個人中心のデータセットを取り込む。データセットには、モデルの訓練と照合目的のために、バイオグラフィック情報（氏名、生年月日、外国人番号、社会保障番号、パスポート番号など）とバイオグラフィック情報（指紋ID、目の色、髪の色、身長、体重など）が含まれる。 |
| The A-Number Management identifies which records from within our identity database best match search criteria. The model uses machine learning to ensure that search results presented to authorized external partners for external integrations and servicing have a high degree of confidence with the search criteria so that trust in the PCIS entity resolution remains high. | 識別番号管理は、IDデータベース内のどのレコードが検索規準に最も合致するかを識別する。このモデルは、機械学習を使用して、外部統合およびサービシングのために認可された外部パートナーに提示される検索結果が、PCISの事業体解決に対する信頼を高く維持できるように、検索基準に高い信頼性を持つようにする。 |
| The A-Number Management model plays a critical role in the entity resolution and surfacing of a person and all their associated records. The machine learning models are more capable of resolving "fuzzy" matches, and deal with the reality of different data quality. | A-Number管理モデルは、事業体の解決と、個人とその関連レコードの浮上において重要な役割を果たす。機械学習モデルは、「あいまいな」一致を解決する能力が高く、異なるデータ品質の現実に対処できる。 |
| AI techniques used: Ensemble Learning, Machine Learning | 使用されるAI技術 アンサンブル学習、機械学習 |
| Stage of System Development Life Cycle: Operation and Maintenance | システム開発ライフサイクルのステージ： 運用と保守 |
| For more information, please contact: DHS Artificial Intelligence Team | 詳細はこちらまで： DHS Artificial Intelligence Team |
| Person-Centric Identity Services Deduplication Model | 個人中心の ID サービス 重複排除モデル Person-Centric Identity Services Deduplication Model |
| The vision of Person-Centric Identity Services (PCIS) is to be the authoritative source of trusted biographical and biometric information that provides real-time, two-way visibility between services into an individual's comprehensive immigration history and status. The de-duplication model, ingests person-centric datasets from various source systems for model training and evaluation purposes. Our dataset includes biographic information (name, date of birth, Alien #, Social Security #, passport #, etc.) as well as biographic information (fingerprint IDs, eye color, hair color, height, weight, etc.) for model training and matching purposes. | Person-Centric Identity Services（PCIS）のビジョンは、個人の包括的な出入国履歴とステータスをサービス間で リアルタイムかつ双方向に可視化する、トラスト・サービス・バイオメトリクス情報の権威あるソースとなることである。重複排除モデルは、モデルの訓練と評価の目的で、様々なソースシステムから人物中心のデータセットを取り込む。我々のデータセットには、モデルの訓練とマッチングを目的としたバイオグラフィック情報（氏名、生年月日、外国人番号、社会保障番号、パスポート番号など）とバイオグラフィック情報（指紋ID、目の色、髪の色、身長、体重など）が含まれている。 |
| Critical to the success of PCIS is the entity resolution/deduplication of individual records from various systems of records to create a complete picture of a person. Using machine learning, it is able to identify which case management records belong to the same unique individual with a high degree of confidence. This allows PCIS to pull together a full immigration history for an individual without time-consuming research across multiple disparate systems. | PCISの成功に不可欠なのは、様々な記録システムから個々の記録を事業体解決／重複排除し、個人の全体像を作成することである。機械学習を使用することで、どのケース管理記録が同じ個人に属するかを高い信頼性で識別することができる。これによりPCISは、複数の異種システム間で時間のかかる調査をすることなく、個人の完全な出入国履歴をまとめることができる。 |
| The Deduplication model plays a critical role in the entity resolution and surfacing of a person and all their associated records. The ML models are more resilient to fuzzy matches, and deals with the reality of different data fill rates more reliably. | 重複排除モデルは、個人とその関連するすべての記録の事業体解決と表面化において重要な役割を果たす。MLモデルは、あいまいな一致に対してよりレジリエンシーであり、異なるデータ充填率の現実に、より確実に対処する。 |
| AI techniques used: Machine Learning | 使用されるAI技術 機械学習 |
| Stage of System Development Life Cycle: Operation and Maintenance | システム開発ライフサイクルのステージ： 運用保守 |
| For more information, please contact: DHS Artificial Intelligence Team | 詳細はこちらまで： DHS Artificial Intelligence Team |
| Sentiment Analysis - Surveys | 感情分析 - 調査 |
| The Sentiment Analysis - Surveys system provides a statistical analysis of quantitative results USCIS provides services for persons seeking immigration benefits while ensuring the integrity and security of our immigration system. As part of that mission, we issued a two-part employee satisfaction survey asking users both quantitative and qualitative questions. USCIS performed a statistical analysis of the quantitative results and then used Natural Language Processing modeling software to assign "sentiments" to categories ranging from strongly positive to strongly negative. This model was eventually enhanced using a machine learning model to have better reusability and performance. This capability has been deployed to production (on demand) for more than one year from survey results and then uses Natural Language Processing (NLP) modeling software to assign "sentiments" to categories ranging from strongly positive to strongly negative. This allows survey administrators to glean valuable information from employee satisfaction surveys from both quantitative and qualitative data. This capability is currently available on demand. | 感情分析-調査システムは定量的な結果の統計分析を提供する。 USCISは移民制度の完全性と安全性を確保しながら、移民給付を求める人々にサービスを提供している。その使命の一環として、利用者に定量的・定性的な質問をする2部構成の職員満足度調査を実施した。USCISは、定量的な結果を統計的に分析し、自然言語処理モデリングソフトウェアを使用して、「感情」を強く肯定的なものから強く否定的なものまでのカテゴリーに分類した。このモデルは最終的に、機械学習モデルを用いて再利用性と性能を向上させた。この機能は、調査結果から1年以上にわたって本番環境（オンデマンド）に展開され、自然言語処理（NLP）モデリング・ソフトウェアを使用して、強く肯定的なものから強く否定的なものまでのカテゴリーに「感情」を割り当てている。これにより、調査管理者は従業員満足度調査から、量的データと質的データの両方から貴重な情報を得ることができる。この機能は現在、オンデマンドで提供されている。 |
| AI techniques used: R SQL and Databricks | 使用されたAI技術 R SQLおよびDatabricks |
| Stage of System Development Life Cycle: Operation and Maintenance | システム開発ライフサイクルのステージ： 運用・保守 |
| For more information, please contact: DHS Artificial Intelligence Team | 詳細は下記まで： DHS Artificial Intelligence Team |
| Topic Modeling on Request For Evidence Data Sets | エビデンスデータセットの要求 |
| Builds models that identify lists of topics and documents that are related to each topic. Topic Modeling provides methods for automatically organizing, understanding, searching, and summarizing text data. It can help with the following: discovering the hidden themes in the collection. classifying the documents into the discovered themes. | トピックと各トピックに関連する文書のリストを識別するモデルを構築する。トピックモデリングは、テキストデータを自動的に整理、理解、検索、要約するための手法を提供する。次のようなことに役立つ： コレクションに隠されたテーマを発見する。 |
| AI techniques used: Natural Language Processing (NLP), Machine Learning, Clustering | 使用されるAI技術 自然言語処理（NLP）、機械学習、クラスタリング |
| Stage of System Development Life Cycle: Development and Acquisition | システム開発ライフサイクルのステージ： 開発および取得 |
| For more information, please contact: DHS Artificial Intelligence Team | 詳細は下記まで： DHS Artificial Intelligence Team |
| Asylum Text Analytics (ATA) | 亡命テキスト分析(ATA) |
| USCIS oversees lawful immigration to the United States. As set forth in Section 451(b) of the Homeland Security Act of 2002, Public Law 107-296, Congress charged USCIS with administering the asylum program. USCIS, through its Asylum Division within the Refugee, Asylum & International Operations Directorate (RAIO), administers the affirmative asylum program to provide protection to qualified individuals in the United States who have suffered past persecution or have a well-founded fear of future persecution in their country of origin, as outlined under Section 208 of the Immigration and Nationality Act (INA), 8 U.S.C. § 1158 and Title 8 of the Code of Federal Regulations (C.F.R.), Part 208. Generally, an individual not in removal proceedings may apply for asylum through the affirmative asylum process regardless of how the individual arrived in the United States or his or her current immigration status by filing Form I-589, Application for Asylum and for Withholding of Removal. The ATA capability employs machine learning and data graphing techniques to identify plagiarism-based fraud in applications for asylum status and for the withholding of removal by scanning the digitized narrative sections of the associated forms and looking for common language patterns. | USCISは米国への合法的な移民を監督している。2002年国土安全保障法（公法107-296）の第451条(b)に規定されているように、議会はUSCISに亡命プログラムの管理を課した。USCISは、難民・亡命・国際業務局（RAIO）内の亡命ディビジョンを通じて、移民国籍法（INA）第208条、合衆国法典第8編第1158条および連邦規則集（C.F.R.）第8編第208部に概説されているように、過去に迫害を受けたか、または将来、出身国で迫害を受ける十分な根拠がある恐れがある米国内の有資格者に保護を提供するために、積極的亡命プログラムを運営している。一般的に、退去手続き中でない個人は、亡命申請書I-589を提出することにより、米国に到着した経緯や現在の移民状況に関係なく、肯定的亡命手続きを通じて亡命を申請することができる。ATA機能は、機械学習とデータグラフ技術を採用し、関連するフォームのデジタル化された説明部分をスキャンし、共通の言語パターンを探すことで、庇護資格申請と退去保留申請における盗作に基づく不正を識別する。 |
| AI techniques used: Natural Language Processing (NLP), Machine Learning, Clustering | 使用されたAI技術 自然言語処理（NLP）、機械学習、クラスタリング |
| Stage of System Development Life Cycle: Operation and Maintenance | システム開発ライフサイクルのステージ： 運用・保守 |
| For more information, please contact: DHS Artificial Intelligence Team | 詳細は下記まで： DHS Artificial Intelligence Team |
| Biometrics Enrollment Tool (BET) Fingerprint Maximization | 生体認証登録ツール（BET） 指紋の最大限の活用 |
| USCIS's Customer Profile Management Service (CPMS) serves as a person-centric repository of biometric and biographic information provided by applicants and petitioners (hereafter collectively referred to as “benefit requestors”) that have been issued a USCIS card evidencing the granting of an immigration related benefit (i.e., permanent residency, work authorization, or travel documents). The Biometrics Encounter Tool (BET) / Federal Bureau of Investigation (FBI) Fingerprint Success Maximization Service center technicians can receive immediate feedback when a set of prints is likely to be rejected by the FBI by incorporating machine learning models into the BET application. The FBI will not disclose their quality grading criteria for fingerprints, leaving CPMS with the responsibility of determining quality to prevent unnecessary secondary encounters with applicants. Using even the simplest of models would catch 98% of rejected submissions, which could have potentially saved USCIS from scheduling 42,763 additional appointments in 2020. This would come at the cost of forcing recapture during 11% of encounters. This effort aims to maximize the number of successful FBI submissions while minimizing the number of fingerprint recaptures necessary. The BET team is currently working to integrate this model to provide better feedback to the user when a whole set of fingerprints is likely to result in an FBI rejection. | USCIS の顧客プロファイル管理サービス（CPMS）は、移民関連給付（永住権、就労認可、渡航文書など）の付与を証 明する USCIS カードが発行された申請者および請願者（以下、「給付申請者」と総称する）から提供されたバイオメトリクスお よびバイオグラフィカル情報の個人中心の保管庫として機能する。バイオメトリクス・エンカウンター・ツール（BET）／連邦捜査局（FBI）フィンガープリント・サクセス・マキシマイゼーション・サービス・センターの技術者は、BETアプリケーションに機械学習モデルを組み込むことにより、指紋一式がFBIによって拒否される可能性が高い場合、即座にフィードバックを受けることができる。FBIは指紋の品質評価規準を開示しないため、CPMSには申請者との不必要な二次遭遇を防ぐための品質判断の責任が残されている。最も単純なモデルを使うだけでも、却下された提出書類の98％を捕捉することができ、USCISは2020年に42,763件の追加予約をしなくて済む可能性があった。これは、11％の面談で再捕捉を余儀なくされるという代償を払うことになる。この取り組みは、必要な指紋再取得の回数を最小限に抑えながら、FBIへの提出の成功件数を最大化することを目的としている。BET チームは現在このモデルを統合し、指紋の全セットが FBI 拒否となる可能性が高い場合、ユーザーにより良いフィードバックを提供するよう取り組んでいる。 |
| For more information, please visit: [web] | 詳細については、[web] |
| AI techniques used: Machine Learning | AI技術を使用している： 機械学習 |
| Stage of System Development Life Cycle: Operation and Maintenance | システム開発ライフサイクルの段階： 運用と保守 |
| For more information, please contact: DHS Artificial Intelligence Team | 詳細はこちらまで： DHS Artificial Intelligence Team |
| Evidence Classifier | エビデンス分類 |
| USCIS is the component within DHS that oversees lawful immigration to the United States. USCIS receives immigration requests from individuals seeking immigration and non-immigration benefits. Once a benefit request form is submitted to USCIS, a series of processing and adjudication actions occur. One of the case management systems used to track and adjudicate certain immigration request forms is the Electronic Information System (ELIS). USCIS ELIS is an internal case management system composed of microservices to assist with performing complex adjudicative and processing tasks; one of those microservices is the Evidence Classifier. Until the introduction of the Evidence Classifier machine learning (ML) solution, those who are working cases and who are responsible for reviewing evidence documents would often have to sift through dozens, if not hundreds, of unlabeled pages to find one specific artifact — be that a green card, a birth certificate, or so on. To reduce the amount of adjudicative time spent on these repetitive tasks, a ML solution was built to systematically tag individual pages with some of the highest-volume, highest-impact evidence types. Calculated from September 28, 2021 , to May 20, 2022, the ML enhancements have saved around 24 million page scrolls, which amounts to approximately 13,348 hours saved, assuming it takes 2 seconds to review 1 page of evidence. This has nearly doubled cases with a 30-day adjudication rate from about 30% to 58%. For more information, please visit: [web] |
USCISは、米国への合法的な移民を監督するDHS内の部門である。USCISは、移民および非移民給付を求める個人からの移民申請を受理する。給付申請書がUSCISに提出されると、一連の処理と裁定が行われる。特定の移民申請書を追跡し、裁決するために使用されるケース管理システムの一つが電子情報システム（ELIS）である。USCIS ELISは、複雑な裁決・処理タスクの実行を支援するマイクロサービスで構成された内部ケース管理システムであり、そのマイクロサービスの1つがEvidence Classifierである。Evidence Classifierの機械学習（ML）ソリューションが序文化されるまでは、ケースを担当する者や証拠書類の審査を担当する者は、グリーンカードや出生証明書など、特定の成果物を見つけるために、ラベルのない何十ページ、いや何百ページものページをふるいにかけなくてはならないことがよくあった。このような反復的な作業に費やす審査時間を削減するため、MLソリューションが構築され、個々のページに、最も量が多く、最も影響力のある証拠の種類を体系的にタグ付けするようになった。2021年9月28日から2022年5月20日までの計算では、MLの強化により、約2,400万ページのスクロールが節約され、1ページの証拠を確認するのに2秒かかると仮定すると、約13,348時間が節約されたことになる。この結果、30日以内に裁決されるケースが約30％から58％にほぼ倍増した。 詳細については、[web] |
| AI techniques used: Machine Learning | AI技術を使用した： 機械学習 |
| Stage of System Development Life Cycle: Operation and Maintenance | システム開発ライフサイクルの段階： 運用と保守 |
| For more information, please contact: DHS Artificial Intelligence Team | 詳細はこちらまで： DHS Artificial Intelligence Team |
| Timeseries Analysis and Forecasting | 時系列分析および予測 |
| USCIS is the component within DHS that oversees lawful immigration to the United States. That means USCIS receives, processes, and maintains all applications for admission for Lawful permanent residents (LPRs), or adjustments to LPR status. Also known as “green card” holders, LPRs are non-citizens who are lawfully authorized to live permanently within the United States and are required to fill out Form I-90, Application to Replace Permanent Resident Card (Green Card). Since there has been a considerable influx of green card applications, USCIS used a combination of exploratory data analysis to determine the most used categories for applicants submitting I-90's and machine learning to create predictions of workloads. As a follow-on, USCIS used Autoregressive Integrated Moving Average (ARIMA) models on the I-90 form, which allowed the prediction of the total number of forms for a 2-year period. ARIMA is one of the easiest and effective machine learning algorithms to perform time series forecasting. This capability has been deployed in production for more than a year. This model was eventually enhanced using ML model to have better reusability and performance. | USCISはDHSの中で米国への合法的な移民を監督する部門である。つまりUSCISは、適用法永住者（LPR）の入国、またはLPR資格の調整のためのすべての申請を受理し、処理し、管理する。グリーンカード」保持者としても知られるLPRは、米国内に永住することを適法に認可された非市民であり、I-90フォーム「永住者カード（グリーンカード）交換申請書」に記入することが義務付けられている。グリーンカードの申請がかなり殺到しているため、USCISは探索的データ分析を組み合わせて、I-90を提出する申請者が最も使用するカテゴリーを決定し、機械学習を使用して作業量の予測を作成した。続いて、USCISはI-90フォームに自己回帰統合移動平均（ARIMA）モデルを使用し、2年間のフォーム総数の予測を可能にした。ARIMAは時系列予測を行う最も簡単で効果的な機械学習アルゴリズムの一つである。この機能は1年以上にわたって実運用で展開されてきた。このモデルは、最終的にMLモデルを使って、より優れた再利用性と性能を持つように改良された。 |
| AI techniques used: Machine Learning | 使用されたAI技術 機械学習 |
| Stage of System Development Life Cycle: Initiation | システム開発ライフサイクルのステージ： 開始 |
| For more information, please contact: DHS Artificial Intelligence Team | 詳細は下記まで： DHS Artificial Intelligence Team |
| FDNS-DS NexGen | FDNS-DS NexGen |
| USCIS created the Fraud Detection and National Security (FDNS) Directorate to strengthen the integrity of the nation’s immigration system and to ensure that immigration benefits are not granted to individuals who may pose a threat to national security and/or public safety. In addition, the FDNS Directorate is responsible for detecting, deterring, and combating immigration benefit fraud. In 2005, USCIS developed a case management system, the Fraud Detection and National Security – Data System (FDNS-DS), to record, track, and manage the screening processes related to immigration applications, petitions, or requests with suspected or confirmed fraud, public safety, or national security concerns, and identify vulnerabilities that may compromise the integrity of the legal immigration system. In June 2023, FDNS-DS was replaced with a modernized case management system, FDNS-DS NexGen. In the future, FDNS-DS NexGen may use artificial intelligence (AI) / machine learning (ML) data from other applications to aid in investigative work, enhance investigative case prioritization, and detect duplicate case work. USCIS may also integrate AI/ML into the predictive modeling for future system enhancements, working side-by-side with the business stakeholders to develop best practices. Fraud occurs in numerous ways; being able to discover and detect persons with multiple identities allows for more comprehensive investigations, reduces investigative cycle time, and improves performance. Future implementation of AI/ML techniques will speed up case and investigative processing by several magnitudes. For more information, please visit: [web] |
USCISは、国家の移民制度の完全性を強化し、国家安全保障および／または治安を脅かす可能性のある人物に移民給付が行われないようにするため、不正検知・国家安全保障（FDNS）長官を創設した。さらにFDNS総局は、移民給付金詐欺の検知、抑止、撲滅を担当している。2005年、USCISはケース管理システムであるFraud Detection and National Security - Data System (FDNS-DS)を開発し、不正の疑いがある、または確認された移民申請、請願書、または要請、公共の安全、または国家安全保障に関わる審査プロセスを記録、追跡、管理し、合法的移民システムの完全性を損なう脆弱性を特定する。2023年6月、FDNS-DSは近代化されたケース管理システム、FDNS-DS NexGenに置き換えられた。 将来、FDNS-DS NexGenは他のアプリケーションからの人工知能(AI)/機械学習(ML)データを使用して調査業務を支援し、調査ケースの優先順位付けを強化し、重複するケース業務を検出する可能性がある。USCISはまた、将来的なシステム強化のための予測モデリングにAI/MLを統合し、ビジネス関係者と協力してベストプラクティスを開発する可能性もある。複数のIDを持つ人物を発見・検知できるようになれば、より包括的な調査が可能になり、調査サイクルタイムを短縮し、パフォーマンスを向上させることができる。今後、AI/ML技術を導入することで、事件や捜査の処理スピードは数倍速まるだろう。詳細については、[web] |
| AI techniques used: Machine Learning | AI技術を使用している： 機械学習 |
| Stage of System Development Life Cycle: Initiation | システム開発ライフサイクルの段階： 開始 |
| For more information, please contact: DHS Artificial Intelligence Team | 詳細は下記まで： DHS Artificial Intelligence Team |
| Large Language Models for an Officer Training Tool | 審査官トレーニングツール用大規模言語モデル |
| The LLM for an Officer Training tool, will use GenAI to improve the way the agency trains immigration officer personnel. The tool will generate dynamic, personalized training materials that adapt to officers’ specific needs and ensure the best possible knowledge and training on a wide range of current policies and laws relevant to their jobs. The goal is to help enhance trainees’ understanding and retention of crucial information, increase the accuracy of their decision making process, and limit the need for retraining over time. | 審査官トレーニングツール用大規模言語モデルは、生成的AIを使用して、審査官研修の方法を改善する。このツールは、入国審査官の特定のニーズに適応し、入国審査官の職務に関連する幅広い最新の政策や法律に関する最良の知識と訓練を保証する、ダイナミックでパーソナライズされた訓練教材を生成する。その目的は、研修生の重要な情報の理解と保持を強化し、意思決定プロセスの精度を高め、長期にわたる再研修の必要性を抑えることにある。 |
| AI techniques used: Natural Language Processing (NLP), Generative AI | 使用されるAI技術 自然言語処理（NLP）、生成的AI |
| Stage of System Development Life Cycle: Initiation | システム開発ライフサイクルのステージ： 開始 |
| For more information, please contact: DHS Artificial Intelligence Team | 詳細は下記まで： DHS Artificial Intelligence Team |
| [No Longer in Use] Predicted to Naturalize | [廃止] 帰化予測 |
| This use case is no longer in use at DHS. The use case was terminated prior to being used in an operational status. The summary is provided as it was listed on previous inventories for informational purposes. | このユースケースはDHSでは使用されていない。このユースケースは、運用状態で使用される前に終了した。要約は、情報提供目的で以前のインベントリに記載されていたものをプロバイダとして提供する。 |
| The Predicted to Naturalize model predicts when Legal Permanent Residents would be eligible to naturalize, and attempts to provide a current address. This model could potentially be used to send correspondence to USCIS customers of their resident status, and notify others of potential USCIS benefits. | 帰化予測モデルは、永住権保持者がいつ帰化できるかを予測し、現住所の提供を試みる。このモデルは、USCIS の顧客に対して、その居住ステータスを通知したり、USCIS の潜在的な特典を通知したりするために使用される可能性がある。 |
| AI techniques used: Machine Learning, Clustering, Regression | 使用されたAI技術 機械学習、クラスタリング、回帰 |
| Stage of System Development Life Cycle: Disposal | システム開発ライフサイクルの段階： 廃棄 |
| For more information, please contact: DHS Artificial Intelligence Team | 詳細は下記まで： DHS Artificial Intelligence Team |
| [No Longer in Use] Biometrics Enrollment Tool (BET) Fingerprint Quality Score | [廃止] 生体認証登録ツール（BET） 指紋品質スコア |
| This use case is no longer in use at DHS and has been superseded by Biometrics Enrollment Tool (BET) Fingerprint Maximization, listed above. The summary is provided as it was listed on previous inventories for informational purposes. | このユースケースは DHS で使用されなくなり、上記の Biometrics Enrollment Tool (BET) Fingerprint Maximization に取って代わられた。要約は、情報提供目的で以前の目録に記載されていた通りにプロバイダが提供する。 |
| USCIS's Customer Profile Management Service (CPMS) serves as a person-centric repository of biometric and biographic information provided by applicants and petitioners (hereafter collectively referred to as “benefit requestors”) that have been issued a USCIS card evidencing the granting of an immigration related benefit (i.e., permanent residency, work authorization, or travel documents). The Biometrics Enrollment Tool (BET) team has been working on enhancing their quality checks, with one of the new improvements being incorporation of the National Institute of Standards and Technology (NIST) Fingerprint Image Quality 2 (NIFQ2) algorithm (a trained machine learning algorithm) for scoring of fingerprints ([web] ) into the BET application. This algorithm takes a fingerprint image and assigns a score between 0 - 100, with 100 indicating that this is the best quality fingerprint image that could be obtained. The higher the score, the more likely that the fingerprint will match when captured again. This algorithm has been in place for several Program Increments. BET had been providing Biometric Capture Technicians with a poor-quality indicator and encountered objections from technicians for the larger than expected number of recaptures required, based on contractual complications. The BET team continues to capture this data in the background, but this does not require recapture currently. For more information, please visit: [web] |
USCIS の顧客プロファイル・マネージメント・サービス（CPMS）は、移民関連給付（すなわち、永住権、就労認可、または渡航文書）の付与を証明する USCIS カードが発行された申請者および請願者（以下、「給付要求者」と総称する）により提供されたバイオメトリクスおよびバイオグラフィカル情報の個人中心のリポジトリとして機能する。バイオメトリクス登録ツール（BET）チームは品質チェックの強化に取り組んでおり、新たな改善点のひとつは、指紋（[web] ）のスコアリングのために国立標準技術研究所（NIST）の指紋画像品質2（NIFQ2）アルゴリズム（訓練された機械学習アルゴリズム）をBETアプリケーションに組み込むことである。このアルゴリズムは指紋画像を取得し、0～100の間でスコアを割り当てる。スコアが高ければ高いほど、その指紋が再度取り込まれたときに一致する可能性が高くなる。このアルゴリズムは、いくつかのプログラム・インクリメントで実施されてきた。BET はバイオメトリクス・キャプチャー技術者に質の低い指標をプロバイダしていたが、契約の複雑性に基づき、予想以上に多くの再キャプチャーが必要であるとして技術者から反対意見が出た。BETチームはバックグラウンドでこのデータのキャプチャを続けているが、これは現在再キャプチャを必要としない。詳細については、 [web] |
| Stage of System Development Life Cycle: Disposal | システム開発ライフサイクルのステージを参照のこと： 廃棄 |
| For more information, please contact: DHS Artificial Intelligence Team | 問い合わせ先 DHS Artificial Intelligence Team |
| [No Longer in Use] Testing Performance of ML Model using H2O | [廃止] H2Oを使用したMLモデルのテストパフォーマンス |
| This use case is no longer in use at DHS. The summary is provided as it was listed on previous inventories for informational purposes. | このユースケースはDHSでは使用されていない。情報提供のため、以前のインベントリに記載されていた概要をプロバイダとして提供する。 |
| USCIS is the component within DHS that oversees lawful immigration to the United States. That means USCIS receives, processes, and maintains all applications for admission for Lawful permanent residents (LPRs), or adjustments to LPR status. Also known as “green card” holders, LPRs are non-citizens who are lawfully authorized to live permanently within the United States and are required to fill out Form I-90, Application to Replace Permanent Resident Card (Green Card). Since there has been a considerable influx of green card applications, USCIS used a combination of exploratory data analysis to determine the most used categories for applicants submitting I-90's, and machine learning to create predictions of workloads. USCIS used the H20 machine learning model to allow USCIS analysts to build and run several machine learning models on big data in an enterprise environment and identify the model that performs the best. It has already been successful in identifying the most accurate model for the I-90 Form Timeseries Analysis and Forecasting use case. This capability has been in production for more than one year. | USCISは、米国への合法的な移民を監督するDHS内の部門である。つまり、USCIS は、合法的永住者（LPR）、または LPR ステータスの調整のためのすべての入国申請を受理し、処理し、管理する。グリーンカード」保持者としても知られるLPRは、米国内に永住することを適法に認可された非市民であり、I-90フォーム「永住者カード（グリーンカード）交換申請書」に記入することが義務付けられている。グリーンカードの申請がかなり殺到しているため、USCISは探索的データ分析を組み合わせて、I-90を提出する申請者が最も使用するカテゴリーを決定し、機械学習を使用して作業量の予測を作成した。USCISはH20機械学習モデルを使用し、USCISのアナリストがエンタープライズ環境でビッグデータに対して複数の機械学習モデルを構築・実行し、最も良い結果を出すモデルを特定できるようにした。これはすでに、識別フォームの時系列分析と予測のユースケースにおいて、最も正確なモデルを特定することに成功している。この機能は1年以上にわたって稼働している。 |
| Stage of System Development Life Cycle: Disposal | システム開発ライフサイクルの段階： 廃棄 |
| For more information, please contact: DHS Artificial Intelligence Team | 詳細は下記まで： DHS Artificial Intelligence Team |
| U.S. Customs and Border Protection (CBP) | 米国税関・国境警備局 |
| AI for Autonomous Situational Awareness | 自律的な状況認識のためのAI |
| The AI for autonomous situational awareness system is intended to use IoT sensor kits to covertly detect and track illicit cross-border traffic in remote locations. | 自律的な状況認識のためのAIシステムは、IoT センサーキットを使用して、遠隔地での不法越境交通を密かに検知・追跡することを意図している。 |
| The system will leverage a motion image/video system enhanced with Artificial Intelligence that is capable of vehicle detection and direction determination. It will also incorporate a motion sensor that, when triggered, wakes up a high-resolution camera to capture a series of pictures, with additional sensors providing confirmation prior to camera capture. | このシステムは、車両検知と方向判定が可能な人工知能で強化されたモーション・イメージ／ビデオ・システムを活用する。また、モーションセンサーが組み込まれており、トリガーがかかると高解像度カメラが起動し、一連の画像を撮影する。 |
| Images captured will be processed by Artificial Intelligence models to classify objects, determine vehicle direction at intersections, and provide imagery sufficient for re-identification. Ultimately, the systems is intended to create a low footprint, low cost, low power system to provide situational awareness and covert detection. | 撮影された画像は人工知能モデルによって処理され、物体を分類し、交差点での車両の方向を決定し、再同定に十分な画像を提供する。最終的に、このシステムは、低フットプリント、低コスト、低電力のシステムを構築し、状況認識と秘密の検知を行うことを目的としている。 |
| AI techniques used: Machine Vision | 使用されるAI技術 マシンビジョン |
| Stage of System Development Life Cycle: Development and Acquisition | システム開発ライフサイクルの段階： 開発および取得 |
| For more information, please contact: DHS Artificial Intelligence Team | 詳細は下記まで： DHS Artificial Intelligence Team |
| AI Curated Synthetic Data | AIキュレーションによる合成データ |
| AI Curated Synthetic Data creates synthetic data for computer vision to enable more capable and ethical AI when detecting anomalies in complex environments. | キュレーションによる合成データは、複雑な環境における異常を検知する際に、より有能で倫理的なAIを可能にするため、コンピュータ・ビジョン用の合成データを作成する。 |
| Specifically, it creates an emulated X-ray sensor that can produce visually realistic synthetic X-ray scan images similar to real X-ray scan images, and virtual 3D Assets of vehicles and narcotics containers. These images will be used to enhance the development of Anomaly Detection Algorithms for Non-Intrusive Inspection, incorporating AI/ML for the detection of narcotics and other contraband in conveyances and cargo. | 具体的には、実際のX線スキャン画像と同様の視覚的にリアルな合成X線スキャン画像や、車両や麻薬容器の仮想3D資産を生成できるエミュレートされたX線センサーを作成する。これらの画像は、搬送物や貨物に含まれる麻薬やその他の禁制品を検知するためのAI/MLを組み込んだ、非侵入型検査のための異常検知アルゴリズムの開発を強化するために使用される。 |
| AI techniques used: Synthetic Image Generation | 使用されるAI技術 合成画像生成 |
| Stage of System Development Life Cycle: Initiation | システム開発ライフサイクルの段階： 開始 |
| For more information, please contact: DHS Artificial Intelligence Team | 詳細は下記まで： DHS Artificial Intelligence Team |
| Automated Item of Interest Detection - ICAD | 自動化された関心対象の検知 |
| The software analyzes photographs that are taken by field imaging equipment, which are then fed into the ICAD system for review by USBP agents and personnel. The Matroid software currently processes and annotates images using proprietary software to determine if any of the images contain human subjects. | このソフトウェアは、現場の撮像装置で撮影された写真を分析し、USBPの捜査官や職員が確認できるようICADシステ ムに取り込む。Matroidソフトウェアは現在、独自のソフトウェアを使用して画像を処理し、注釈を付けて、画像に人物が写っているかどうかを判断している。 |
| Matroid is the name of the Video Computer Aided Detection system used by CBP. It uses trained computer vision models that recognize objects, people, and events in any image or video stream. Once a detector is trained, it can monitor streaming video in real time, or efficiently search through pre-recorded video data or images to identify objects, people, and events of interest. | Matroidとは、CBPが使用しているVideo Computer Aided Detectionシステムの名称である。訓練されたコンピュータビジョンモデルを使用し、あらゆる画像やビデオストリーム中の物体、人物、イベントを認識する。一度学習した検出器は、ストリーミング・ビデオをリアルタイムで監視したり、事前学習したビデオ・データや画像を効率的に検索して、関心のある物体、人物、イベントを識別することができる。 |
| The intent for the ICAD system is to expand the models used to vehicles, and subjects with long-arm rifles, while excluding items of little or no interest such as animals. | ICADシステムの目的は、使用するモデルを車両やロングアームライフルを持つ被写体まで拡大することであり、動物のようなほとんど興味のないものは除外することである。 |
| AI techniques used: Machine Learning | 使用されるAI技術 機械学習 |
| Stage of System Development Life Cycle: Operation and Maintenance | システム開発ライフサイクルの段階： 運用と保守 |
| For more information, please contact: DHS Artificial Intelligence Team | 詳細は下記まで： DHS Artificial Intelligence Team |
| Autonomous Aerostat | 自律型飛行体 |
| Aerostat capability that uses three tethers instead of the traditional single tether, coupled with advanced weather sensors, analytic capabilities, and powerful winches. The AI/ML model is used to detect the need to launch and land based on weather. It also leverages AI and robotics to autonomously launch and recover the aerostat during inclement weather events without the need for on-site staffing, allowing the aerostat to operate autonomously, saving time and manpower. | 従来の1本の綱の代わりに3本の綱を使用し、高度な気象センサー、分析能力、強力なウィンチと組み合わされたエアロスタット能力。AI/MLモデルは、天候に基づいて発射と着陸の必要性を検知するために使用される。また、AIとロボット工学を活用することで、悪天候時に現場のスタッフを必要とせず、自律的に打ち上げと回収を行い、時間と人手を節約することができる。 |
| AI techniques used: Automation & Robotics | 使用されたAI技術 Automation & Robotics |
| Stage of System Development Life Cycle: Development and Acquisition | システム開発ライフサイクルのステージ： 開発および取得 |
| For more information, please contact: DHS Artificial Intelligence Team | 詳細は下記まで： DHS Artificial Intelligence Team |
| Autonomous Maritime Awareness | 自律型海上認識 |
| The Autonomous Maritime Awareness system combines surveillance towers, ocean data solutions, unmanned autonomous surface vehicles (ASV), and AI to autonomously detect, identify, and track items of interest in a maritime environment. | 自律型海上認識 システムは、監視塔、海洋データ・ソリューション、無人自律型水上車両（ASV）、AIを組み合わせ、海洋環境における関心事項を自律的に検知、識別、追跡する。 |
| The towers are low-cost, customizable, and relocatable surveillance systems. They are equipped with a suite of radars and day/night camera sensors. The ASVs have been ruggedized for the open ocean and are powered by wind, solar, and/or onboard engine as required, allowing them to operate in an area of responsibility (AOR) for up to 12 months. Their sensor suite includes cameras and radar. | 監視塔は、低コストでカスタマイズ可能な移設可能な監視システムである。レーダーとデイナイトカメラセンサーを装備している。ASVは外洋用に頑丈に作られており、必要に応じて風力、太陽光、および／または搭載されたエンジンによって動力を供給される。センサー・スイートにはカメラとレーダーが含まれる。 |
| Both systems use AI/ML to detect and identify objects, determine items of interest (IoI) and autonomously track those items using their sensor suites. Once identified, these systems can send alerts to monitoring agencies for at-sea interdictions of potential targets and/or intel collections. | どちらのシステムもAI/MLを使用して物体を検知・識別し、関心事項（IoI）を決定し、センサー・スイートを使用してそれらの物体を自律的に追跡する。一旦識別されると、これらのシステムは、潜在的ターゲットの海上阻止や情報収集のために、監視機関にアラートを送ることができる。 |
| AI techniques used: Automation & Robotics, Machine Learning | 使用されるAI技術 自動化とロボット工学、機械学習 |
| Stage of System Development Life Cycle: Development and Acquisition | システム開発ライフサイクルの段階： 開発および取得 |
| For more information, please contact: DHS Artificial Intelligence Team | 詳細は下記まで： DHS Artificial Intelligence Team |
| Autonomous Surveillance Towers (Anduril) | 自律型監視塔 (Anduril) |
| Autonomously Detects, Identifies, and Tracks items of interest using Artificial Intelligence integrated with the tower. It does not require a dedicated operator, is rapidly deployable, and is relocatable in less than a day by 2-3 people. | 監視塔に統合された人工知能を使用して、関心のあるアイテムを検知、識別、追跡する。専任のオペレーターを必要とせず、迅速な展開が可能で、2-3人で1日以内に移設できる。 |
| The system features a hybrid command and control capability, hosted in the government cloud, and is accessible via URL by desktop, laptop, tablet, or Smartphone. It is solar powered with battery backup and requires no accompanying physical infrastructure while providing visibility for 1.5 miles (2.4 km) for people, 3 miles (4.8km) for vehicles. | このシステムは、政府のクラウドにホストされたハイブリッドなコマンド管理機能を備えており、デスクトップ、ラップトップ、タブレット、スマートフォンからURL経由でアクセスできる。バッテリーのバックアップが可能なソーラー電源で、物理的なインフラを必要とせず、人なら1.5マイル（2.4km）、車両なら3マイル（4.8km）の視界を提供する。 |
| The Lattice system permits autonomous detection, identification, and tracking of Items of Interest (IoIs). The tower scans constantly and autonomously. The radar detects and recognizes movement. The camera slews autonomously to the IoI and the system software identifies the object. The system alerts the user and autonomously tracks the IoI. End users can monitor the system and see near real time photos by logging into the User Interface on any CBP device. | ラティス・システムは、関心対象（IoI）を自律的に検知、識別、追跡することができる。 タワーは常に自律的にスキャンする。 レーダーは動きを検知・認識する。カメラは自律的にIoIまで旋回し、システム・ソフトウェアが対象物を識別する。 システムはユーザーに警告を発し、自律的にIoIを追跡する。エンドユーザーは、CBPデバイスのユーザーインターフェースにログインすることで、システムを監視し、ほぼリアルタイムの写真を見ることができる。 |
| AI techniques used: Machine Learning | 使用されるAI技術 機械学習 |
| Stage of System Development Life Cycle: Operation and Maintenance | システム開発ライフサイクルの段階： 運用と保守 |
| For more information, please contact: DHS Artificial Intelligence Team | 詳細は下記まで： DHS Artificial Intelligence Team |
| Data and Entity Resolution | データ・事業体解決 |
| Automates data unification and entity resolution with a high level of trust at enterprise scale and speed. | エンタープライズの規模とスピードで、信頼性の高いデータ統一と事業体解決を自動化する。 |
| Data and Entity Resolution uses Machine Learning modeling to ingest multiple data sources and develop models that associate disparate records to identify probable connections, unique entities, and/or identify commonalities between multiple independently submitted records. | データ・事業体解決は、機械学習モデリングを使用して複数のデータ・ソースを取り込み、異種レコードを関連付けるモデルを開発して、可能性の高い接続、固有の事業体、および／または独立して提出された複数のレコード間の共通点を識別する。 |
| The automation of entity resolution within the models is supported by a tool that enables non-technical end users to continuously train models through a user-friendly interface. | モデル内の事業体解決の自動化は、非技術系エンドユーザーがユーザーフレンドリーなインターフェースを通じて継続的にモデルをトレーニングできるツールによってサポートされている。 |
| AI techniques used: Natural Language Processing (NLP) | 使用されるAI技術 自然言語処理（NLP） |
| Stage of System Development Life Cycle: Operation and Maintenance | システム開発ライフサイクルのステージ： 運用保守 |
| For more information, please contact: DHS Artificial Intelligence Team | 問い合わせ先 DHS Artificial Intelligence Team |
| Entity Resolution | 事業体解決 |
| The third-party global trade data is used to augment and enrich agency’s investigations into entities of interest. It combines data from companies and goods across multiple languages, then provides network analysis to assess trade flows and risks associated with cross-border trade. | サードパーティによるグローバルな貿易データは、関心事 業体に関する当局の調査を補強し、充実させるために使用される。複数の言語にまたがる企業や商品のデータを組み合わせ、ネットワーク分析を行い、国境を越えた貿易に関連する貿易の流れとリスクを評価する。 |
| This can validate agency-held information or provide better understanding of networks of interest to the agency to better inform investigations that cross borders. AI/ML models help manage the information provided through the software, including behind-the-curtain collection of information, structuring of data, entity resolution, network analysis, risk analysis, and other functions that contribute to the software knowledge graph and front end that end users interact with. | これにより、当局が保有する情報を妥当性確認したり、国境を越えた調査により良い情報を提供するために、当局が関心を持つネットワークの理解を深めることができる。AI/MLモデルは、情報収集、データ構造化、事業体解決、ネットワーク分析、リスク分析など、ソフトウェアを通じてプロバイダに提供される情報の管理を支援し、エンドユーザーが操作するソフトウェアのナレッジグラフやフロントエンドに貢献する。 |
| AI techniques used: Natural Language Processing (NLP) | 使用されるAI技術 自然言語処理（NLP） |
| Stage of System Development Life Cycle: Development and Acquisition | システム開発ライフサイクルのステージ： 開発および取得 |
| For more information, please contact: DHS Artificial Intelligence Team | 詳細は下記まで： DHS Artificial Intelligence Team |
| Geospatial Imagery Utilizing Annotation | 注釈を活用した地理空間画像 |
| Leverages a commercial constellation of Synthetic Aperture Radar (SAR) satellites with readily available data, capable of imaging any location on Earth, day, and night, regardless of cloud cover. | 入手しやすい合成開口レーダー（SAR）衛星の商用コンステレーションを活用し、昼夜を問わず、雲量に関係なく、地球上のあらゆる場所を撮像できる。 |
| Utilizes AI, including machine vision, object, detection, object recognition, and annotation to detect airframes, military vehicles, and marine vessels, as well as built-in change detection capabilities for disaster response missions. | マシンビジョン、物体検知、物体認識、アノテーションなどのAIを活用し、航空機、軍用車両、船舶を検知する。 |
| AI techniques used: Machine Vision | 使用されているAI技術 マシンビジョン |
| Stage of System Development Life Cycle: Development and Acquisition | システム開発ライフサイクルのステージ： 開発および取得 |
| For more information, please contact: DHS Artificial Intelligence Team | 詳細は下記まで： DHS Artificial Intelligence Team |
| Integrated Digital Environment | 統合デジタル環境 |
| The Integrated Digital Environment provides managers with a better understanding of end user workflows, most and least used applications, and opportunities for improvement. | 統合デジタル環境は、エンドユーザーのワークフロー、最も使用されているアプリケーションと最も使用されていないアプリケーション、改善の機会を管理者がよりよく理解できるようにする。 |
| The AI/ML model applies to end user activity data (e.g., use of applications, flow between applications) to help CBP identify opportunities for more efficient or effective configuration of interfaces, use of resources, or development and deployment of CBP’s applications. It tailors analytics and insight generation to allow metrics gathering, usage recording/observation, dashboarding, and workflow experimentations/suggestions to support analysts utilizing the entire suite of agency and open-source data systems. It also customizes existing capabilities to allow the exact automations needed for agency applications and systems, creating an integrated digital environment for greater connectivity and security between applications, and better ability for CBP administrators to manage and optimize use of applications by end users. | AI/MLモデルは、エンドユーザーの活動データ（例：アプリケーションの使用、アプリケーション間のフロー）に適用され、CBPがインターフェースのより効率的または効果的な構成、リソースの使用、CBPのアプリケーションの開発と展開の機会を特定するのに役立つ。 分析および洞察の生成を調整し、メトリクスの収集、使用状況の記録／観察、ダッシュボード作成、ワークフローの実験／提案を可能にすることで、CBPの機関およびオープンソースのデータシステム一式を利用するアナリストを支援する。また、既存の機能をカスタマイズして、省庁のアプリケーションやシステムに必要な正確な自動化を可能にし、アプリケーション間の接続性とセキュリティを高める統合デジタル環境を構築し、CBP管理者がエンドユーザーによるアプリケーションの使用を管理・最適化する能力を向上させる。 |
| AI techniques used: Natural Language Processing (NLP) | 使用されたAI技術 自然言語処理（NLP） |
| Stage of System Development Life Cycle: Development and Acquisition | システム開発ライフサイクルのステージ： 開発および取得 |
| For more information, please contact: DHS Artificial Intelligence Team | 詳細は下記まで： DHS Artificial Intelligence Team |
| RVSS Legacy Overhauled System Project (INVNT) | RVSSレガシー オーバーホールシステムプロジェクト |
| Video Computer Aided Detection (VCAD) (also known as Matroid AI) is software that enables CBP end users to create and share vision detectors. | Video Computer Aided Detection (VCAD) (Matroid AIとしても知られる)は、CBPのエンドユーザーが視覚検知器を作成・共有できるようにするソフトウェアである。 |
| VCAD detectors are trained computer vision models that recognize objects, people, and events in any image or video stream. Once a detector is trained, it can monitor streaming video in real time, or efficiently search through pre-recorded video data or images to identify objects, people, and events of interest. | VCAD検出器は、あらゆる画像やビデオストリーム中の物体、人物、イベントを認識する訓練されたコンピュータビジョンモデルである。一旦ディテクターが学習されると、リアルタイムでストリーミング・ビデオを監視したり、事前学習されたビデオ・データや画像を効率的に検索して、関心のあるオブジェクト、人物、イベントを識別することができる。 |
| Users can view detection information via a variety of reports and alert notifications to process and identify important events and trends. Detection data is also available through VCAD's powerful developer Application Programming Interface (API) and language specific clients, so CBP applications can be integrated with the power of computer vision. | ユーザーは、さまざまなレポートやアラート通知によって検知情報を閲覧し、重要なイベントやトレンドを処理・特定することができる。検知データは、VCADの強力な開発者向けアプリケーション・プログラミング・インターフェース（API）や言語固有のクライアントからも利用できるため、CBPアプリケーションをコンピュータ・ビジョンの力と統合することができる。 |
| AI techniques used: Machine Vision | 使用されているAI技術 マシンビジョン |
| Stage of System Development Life Cycle: Deployment | システム開発ライフサイクルのステージ： 展開 |
| For more information, please contact: DHS Artificial Intelligence Team | 詳細はこちらまで： DHS Artificial Intelligence Team |
| Use of Technology to Identify Proof of Life | 生存証明の識別のためのテクノロジー使用 |
| The Use of technology to identify proof of life, or "Liveness Detection," uses Artificial Intelligence to reduce fraudulent activity, primarily for use within the CBP One app. | 生存証明を識別する技術の使用、または「Liveness Detection」は、主にCBP Oneアプリ内で使用するため、不正行為を減らすために人工知能を使用する。 |
| The CBP One app is designed to provide the public with a single portal to a variety of CBP services. It includes different functionality for travelers, importers, brokers, carriers, International Organizations, and other entities under a single consolidated log-in, and uses guided questions to help users determine the correct services, forms, or applications needed. | CBP Oneアプリは、CBPの様々なサービスへの単一のポータルを一般市民に提供するように設計されている。このアプリには、旅行者、輸入事業者、ブローカー、輸送業者、国際機関、およびその他の事業体のための異なる機能が単一の統合ログインの下に含まれており、利用者が必要なサービス、フォーム、またはアプリケーションを正しく判断できるよう、ガイド付きの質問を使用している。 |
| The Liveness Detection component used by the authentication system for the CBP One app uses the user's mobile device camera in addition to Artificial Intelligence algorithms to determine if the face presented to the app is the person in front of the camera at the time of capture and not a photo, mask, or other spoofing mechanism. Being able to accept submitted data with confidence that the submitting individual is who and where they claim to be is critical to the functionality of the app within the agency environment. | CBP Oneアプリの認証システムで使用される生存検知コンポーネントは、人工知能アルゴリズ ムに加えてユーザのモバイル・デバイス・カメラを使用し、アプリに提示された顔が、写 真、マスク、その他のなりすましメカニズムではなく、撮影時にカメラの前にいた本人であるか どうかを判断する。提出されたデータが、提出された個人が誰であり、どこにいると主張しているのか確信を持って受け入れることができることは、代理店環境内でのアプリの機能にとって重要である。 |
| AI techniques used: Machine Vision | 使用されるAI技術 マシンビジョン |
| Stage of System Development Life Cycle: Development and Acquisition | システム開発ライフサイクルの段階： 開発および取得 |
| For more information, please contact: DHS Artificial Intelligence Team | 詳細は下記まで： DHS Artificial Intelligence Team |
| Vessel Detection | 船舶検知 |
| Integrated technologies and analytics enhance maritime detection and the sensor network. Machine-assisted and AI-enhanced detection and tracking allows for improved illicit vessel detection in areas with high volumes of legitimate trade and recreational water vessel traffic by increasing situational awareness and responsiveness to threats. | 統合技術と分析により、海上の検知とセンサー・ネットワークが強化される。機械支援とAIで強化された検知と追跡により、状況認識と脅威への対応力を高めることで、合法的な貿易やレクリエーション用の水上船舶の往来が多い地域での違法船舶検知を改善することができる。 |
| Vessel Detection allows an agent to set a search area with criteria (e.g., people, drones, vehicles) and transmit that criteria to the sensors. Images detected by the sensors are auto-recognized using Artificial Intelligence. The AI algorithms filter, detect, and recognize objects and divides them into Items of Interest (IoI) and "other" objects. | 船舶検知では、エージェントが規準（人、ドローン、車両など）を設定した検索エリアを設定し、その規準をセンサーに送信することができる。 センサーが検知した画像は、人工知能を使って自動認識される。AIアルゴリズムは、物体をフィルタリング、検知、認識し、関心項目（IoI）と「その他の」物体に分ける。 |
| Detections of IoI are shared with other detection systems while detections of other objects (e.g., animals) are not shared. IoIs can be tracked and maintained across multiple sensors seamlessly. | IoIの検知は他の検知システムと共有されるが、その他の物体（動物など）の検知は共有されない。IoIは複数のセンサーでシームレスに追跡・管理できる。 |
| AI techniques used: Machine Vision | 使用されるAI技術： マシンビジョン |
| Stage of System Development Life Cycle: Development and Acquisition | システム開発ライフサイクルの段階： 開発および取得 |
| For more information, please contact: DHS Artificial Intelligence Team | 詳細は下記まで： DHS Artificial Intelligence Team |
| Port of Entry Risk Assessments | 入港地リスクアセスメント |
| CBP utilizes AI to develop, inform, and augment risk assessment processes that evaluate trade and travel data in real-time. AI methods are applied to CBP data holdings, and the results are used to inform decision making. These tools are continuously evaluated to ensure accuracy and precision, and support CBP’s core mission as part of the layered risk assessment strategy. | CBPはAIを活用し、貿易・旅行データをリアルタイムで評価するリスクアセスメントプロセスを開発、情報提供、補強している。 AI手法はCBPが保有するデータに適用され、その結果は意思決定に活用される。 これらのツールは、正確さと精度を確保するために継続的に評価され、階層化されたリスクアセスメント戦略の一環としてCBPの中核的使命を支えている。 |
| AI techniques used: Machine Learning | 使用されるAI技術 機械学習 |
| Stage of System Development Life Cycle: Operation and Maintenance | システム開発ライフサイクルの段階： 運用と保守 |
| For more information, please contact: DHS Artificial Intelligence Team | 詳細は下記まで： DHS Artificial Intelligence Team |
| Traveler Verification Service (TVS) | 旅行者検証サービス |
| The Traveler Verification Service (TVS) provides CBP a biometric entry/exit system to record arrivals and departures to and from the United States. CBP uses TVS as its backend matching service for all biometric entry and exit operations that use Facial Comparison. | 旅行者検証サービス (TVS) は、米国への出入国を記録する生体認証出入国システムを CBP に提供している。CBPは、顔照合を使用するすべてのバイオメトリクス出入国業務のバックエンド照合サービスとしてTVSを使用している。 |
| CBP creates localized photo "galleries" from images captured during previous entry inspections, photographs from U.S. passports and U.S. visas, and photographs from other DHS encounters. The images are converted into templates and the actual photograph is discarded. The templates are securely stored, and are what make up the TVS gallery. The templates are then used by the Facial Comparison system to verify a traveler's identity when they arrive or depart the U.S. | CBPは、過去の入国検査で撮影された画像、米国のパスポートや米国ビザの写真、その他のDHSとの面会で撮影された写真から、地域ごとの写真「ギャラリー」を作成する。画像はテンプレートに変換され、実際の写真は破棄される。テンプレートは安全に保管され、TVSギャラリーを構成する。テンプレートは、米国に到着または出国するときに旅行者の身元を確認するために顔比較シス テムによって使用される。 |
| Once a match is made, U.S. citizens’ photos and templates are retained for no more than 12 hours for disaster recovery purposes, then deleted. For non-immigrant aliens and lawful permanent residents, facial images are temporarily retained for no more than 14 days for confirmation of travelers’ identities, evaluation of the technology, assurance of accuracy of the algorithms, and system audits. | 一致が確認されると、米国市民の写真とテンプレートは災害復旧目的で 12 時間を超えない範囲で保持され、その後削除される。非移民外国人および合法的永住者の顔画像は、旅行者の身元確認、技術の評価、アルゴリズ ムの正確性の保証、およびシステム監査のために 14 日以内に一時的に保持される。 |
| When the traveler presents him or herself for entry, or for exit, the traveler will encounter a camera connected to TVS. This camera matches live images with the existing photo templates from passenger travel documents. Once the camera captures a quality image and the system successfully matches it with historical photo templates of all travelers from the gallery associated with that particular manifest, the traveler proceeds to inspection for admissibility by a CBP Officer, or exits the United States. For more information, please read the DHS/CBP/PIA-056 - Privacy Impact Assessment for the Traveler Verification Service. | 旅行者が入国時または出国時に出頭すると、TVSに接続されたカメラに遭遇する。このカメラは、旅客の旅行書類から既存の写真テンプレートとライブ画像を照合する。カメラが高画質の画像を撮影し、システムが特定のマニフェストに関連するギャラリーからすべての旅行者の過去の写真テンプレートとの照合に成功すると、旅行者はCBP職員による入国審査に進むか、米国から出国する。詳細については、DHS/CBP/PIA-056 - Traveler Verification Serviceのプライバシー影響アセスメントを参照のこと。 |
| AI techniques used: Facial Comparison | 使用されるAI技術 顔比較 |
| Stage of System Development Life Cycle: Operation and Maintenance | システム開発ライフサイクルの段階： 運用保守 |
| For more information, please contact: DHS Artificial Intelligence Team | 詳細については、下記まで問い合わせを： DHS Artificial Intelligence Team |
| [No Longer in Use] I4 Viewer Matroid Image Analysis | [廃止] I4 Viewer マトリッド 画像分析 |
| I4 Viewer Matroid Image Analysis is no longer an AI use case at DHS. Use cases using Matroid, RVSS Legacy Overhauled System Project (INVNT) and Automated Item of Interest Detection - ICAD are listed above. The summary is provided as it was listed on previous inventories for informational purposes. | I4 Viewer Matroid Image Analysis は、DHS の AI ユースケースではなくなった。Matroid、RVSS Legacy Overhauled System Project (INVNT)、Automated Item of Interest Detection - ICADを使用したユースケースは上記の通りである。要約は、情報提供の目的で以前のインベントリに記載されていたものをプロバイダとして提供する。 |
| Matroid is a software that enables CBP end users to create and share vision detectors. Matroid detectors are trained computer vision models that recognize objects, people, and events in any image and in video streams. Once a detector is trained, it can monitor streaming video in real time, or efficiently search through pre-recorded video data or images to identify objects, people, and events of interest. Users can view detection information via a variety of reports and alert notifications to process and identify important events and trends. Detection data is also available through Matroid’s powerful developer Application Programming Interface and language-specific clients, so CBP applications can be integrated with the power of computer vision. | MatroidはCBPのエンドユーザがビジョン検出器を作成し、共有することを可能にするソフトウェアである。Matroid検出器は、あらゆる画像やビデオストリーム中の物体、人物、イベントを認識する訓練されたコンピュータビジョンモデルである。一旦ディテクターが学習されると、リアルタイムでストリーミングビデオを監視したり、事前学習されたビデオデータや画像を効率的に検索して、興味のあるオブジェクト、人物、イベントを識別することができる。ユーザーは、様々なレポートやアラート通知を通じて検知情報を閲覧し、重要なイベントやトレンドを処理・特定することができる。検知データはまた、Matroidの強力な開発者用アプリケーションプログラミングインターフェースと言語固有のクライアントを通して利用できるので、CBPアプリケーションはコンピュータビジョンの力と統合することができる。 |
| Stage of System Development Life Cycle: Disposal | システム開発ライフサイクルの段階 廃棄 |
| For more information, please contact: DHS Artificial Intelligence Team | 詳細については下記まで： DHS Artificial Intelligence Team |
| [No Longer in Use] Agent Portable Surveillance | [廃止] 省庁ポータブル監視 |
| This use case is no longer in use at DHS. The summary is provided as it was listed on previous inventories for informational purposes. | このユースケースはDHSでは使用されていない。情報提供のため、以前のインベントリに記載されていた概要をプロバイダに提供する。 |
| The agent portable surveillance system is a backpack mobile unit meant for single agent deployments. The system identifies border activities of interest by using artificial intelligence / machine learning to analyze data from Electro-Optical/Infra-Red cameras and radar. When an activity is detected, the system sends the information to agents through the Team Awareness Kit (TAK). Detections are shared with CBP TAK users to enhance efficiency and agent/officer safety. | エージェント・ポータブル監視システムは、単一のエージェントの展開を想定したバックパック型移動ユニットである。このシステムは、人工知能／機械学習を用いて、光学／赤外カメラとレーダーからのデータを分析することにより、関心のある国境での活動を特定する。活動が検知されると、システムはチーム・アウェアネス・キット（TAK）を通じて捜査官に情報を送る。検知はCBPのTAKユーザーと共有され、効率と捜査官・警察官の安全が強化される。 |
| Stage of System Development Life Cycle: Disposal | システム開発ライフサイクルの段階 廃棄 |
| For more information, please contact: DHS Artificial Intelligence Team | 詳細は下記まで： DHS Artificial Intelligence Team |
| [No Longer in Use] Open-source News Aggregation | [廃止] オープンソース ニュース収集 |
| This use case is no longer in use at DHS. The summary is provided as it was listed on previous inventories for informational purposes. | このユースケースはDHSでは使用されていない。要約は、情報提供の目的で以前の目録に記載されていたものをプロバイダとして提供する。 |
| The platform enables users to make better decisions faster by identifying and forecasting emerging events on a global scale to mitigate risk, recognize threats, greatly enhance indications and warnings, and provide predictive intelligence capabilities. The artificial intelligence / machine learning models enable rapid access to automated intelligence assessments by fusing, processing, exploiting and analyzing open sources of data (including news, social media, economic indicators, governance indicators, travel warnings, weather and other sources). This system is an immediate and substantial force multiplier that shifts the traditional approach of monitoring and assessing the operational environment to focus on the forecast of the future geopolitical, socio, and economic environment. | このプラットフォームは、リスクの緩和、脅威の認識、兆候や警告の大幅な強化、予測インテリジェンス機能の提供のために、世界規模で新たに発生する事象を特定・予測することで、ユーザーがより迅速により良い意思決定を行うことを可能にする。人工知能／機械学習モデルにより、オープンなデータソース（ニュース、ソーシャルメディア、経済指標、ガバナンス指標、渡航警告、天候、その他のソースを含む）を融合、処理、活用、分析することで、自動化されたインテリジェンス評価への迅速なアクセスが可能になる。このシステムは、作戦環境の監視とアセスメントという従来のアプローチを転換し、将来の地政学的、社会的、経済的環境の予測に焦点を当てる、即時かつ実質的な戦力増強となる。 |
| Stage of System Development Life Cycle: Disposal | システム開発ライフサイクルの段階 廃棄 |
| For more information, please contact: DHS Artificial Intelligence Team | 詳細は下記まで： DHS Artificial Intelligence Team |
| U.S. Immigration and Customs Enforcement (ICE) | 米国移民税関捜査局 (ICE) |
| Normalization Services | 標準サービス |
| HSI uses Artificial Intelligence to verify, validate, correct, and normalize addresses, phone numbers, names, and ID numbers to streamline the process of correcting data entry errors, point out purposeful misidentification, connect information about a person across HSI datasets, and cut down the number of resource hours needed for investigations. | HSIは、住所、電話番号、氏名、ID番号の検証、妥当性確認、修正、正規化に人工知能を使用し、データ入力エラーの修正プロセスを合理化し、意図的な誤認を指摘し、HSIデータセット間で個人に関する情報を結びつけ、調査に必要なリソース工数を削減している。 |
| Examples of the normalization services provided include: normalizing less well-defined addresses into usable addresses for analysis- (such as those using mile markers instead of a street number); inferring ID type based on user-provided ID value (such as distinguishing a SSN from a DL number without additional context); categorizing name parts while taking into account additional factors (including generational suffixes and multi-part family names); and validating and normalizing phone numbers to the E164 standard, including their identified county of origin. | 提供される正規化サービスの例としては、あまり明確でない住所を分析に使用可能な住所に正規化すること（番地ではなくマイル標を使用した住所など）、ユーザーが提供したID値に基づいてIDタイプを推測すること（追加のコンテキストなしでSSNとDL番号を区別するなど）、追加要素（生成的接尾辞や複数パートの姓を含む）を考慮しながら名前のパーツを分類すること、特定された出身郡を含むE164標準に電話番号を妥当性確認し正規化することなどがある。 |
| These services are provided as part of the Repository for Analytics in a Virtualized Environment (RAVEn). RAVEn is a DHS HSI Innovation Lab project that facilitates large, complex analytical projects to support ICE’s mission to enforce and investigate violations of U.S. criminal, civil, and administrative laws. RAVEn also enables tools used to analyze trends and isolate criminal patterns as HSI mission needs arise. For more information, please read the DHS/ICE/PIA-055 - Privacy Impact Assessment 055 for RAVEn. | これらのサービスは、RAVEn（Repository for Analytics in a Virtualized Environment）の一部として提供されている。 RAVEnはDHS HSIイノベーション・ラボのプロジェクトで、米国の刑法、民法、行政法違反を執行・捜査するというICEの使命を支援するため、大規模で複雑な分析プロジェクトを促進する。RAVEnはまた、HSIの任務の必要性に応じて、傾向を分析し、犯罪パターンを分離するために使用されるツールを可能にする。詳細については、DHS/ICE/PIA-055 - プライバシー影響アセスメント 055 for RAVEnを参照のこと。 |
| AI techniques used: Machine Learning | 使用されているAI技術 機械学習 |
| Stage of System Development Life Cycle: Operations and Maintenance | システム開発ライフサイクルの段階： 運用と保守 |
| For more information, please contact: DHS Artificial Intelligence Team | 詳細は下記まで： DHS Artificial Intelligence Team |
| Machine Translation (Previously Language Translator) | 機械翻訳 (以前は通訳) |
| Systran provides machine translation for over 100 different language combinations. Currently the Innovation Lab has licenses for translating Chinese, Spanish, Arabic, Farsi, Russian, German, Ukrainian and Filipino to English. Systran can translate plain text, word documents, and PDFS. A web-based UI and API endpoint are available. | Systranは100以上の異なる言語の組み合わせの機械翻訳をプロバイダとして提供している。 現在、イノベーション・ラボは、中国語、スペイン語、アラビア語、ペルシャ語、ロシア語、ドイツ語、ウクライナ語、フィリピン語を英語に翻訳するライセンスを持っている。 Systranは、プレーンテキスト、ワード文書、PDFSを翻訳できる。 ウェブベースのUIとAPIエンドポイントが利用できる。 |
| AI techniques used: Machine Learning, Natural Language Processing (NLP) | 使用されるAI技術 機械学習、自然言語処理（NLP） |
| Stage of System Development Life Cycle: Operations and Maintenance | システム開発ライフサイクルのステージ： 運用と保守 |
| For more information, please contact: DHS Artificial Intelligence Team | 詳細はこちらまで： DHS Artificial Intelligence Team |
| Email Analytics | 電子メール分析 |
| The Email Analytics application enables a user to review and analyze email data acquired through legal process. AI is incorporated to accomplish spam message classification, and named entity recognition (NER) for entity extraction of names, organizations, locations, etc. It also integrates machine translation capabilities using a commercial product. Previously included within the Data Tagging and Classification use case, which is no longer in use. | 電子メール分析アプリケーションにより、ユーザーは法的手続きを通じて取得したEメールデータをレビュー、分析することができる。 スパムメールの分類や、名前、組織、場所などの事業体抽出のための名前付き事業体認識（NER）を実現するためにAIが組み込まれている。 また、商用製品を使用した機械翻訳機能も統合されている。以前は「データタギングと分類」のユースケースに含まれていたが、現在は使用されていない。 |
| AI techniques used: Machine Learning, Natural Language Processing (NLP) | 使用されているAI技術 機械学習、自然言語処理（NLP） |
| Stage of System Development Life Cycle: Operations and Maintenance | システム開発ライフサイクルのステージ： 運用と保守 |
| For more information, please contact: DHS Artificial Intelligence Team | 詳細は下記まで： DHS Artificial Intelligence Team |
| Mobile Device Analytics | モバイル機器分析 |
| Mobile Device Analytics (MDA) has been developed to meet the demand on investigators to view and analyze massive amounts of data resulting from court ordered mobile device extractions. The overarching goal of MDA is to improve the efficacy of agents and analysts in identifying pertinent evidence, relationships, and criminal networks from data extracted from cellular phones. Machine Learning is being developed for object detection (such as firearms, drugs, money, etc.) in photos and videos contained in the data. Previously included within the Data Tagging and Classification use case, which is no longer in use. | モバイル機器分析 (MDA)は、裁判所命令による携帯端末の抽出から生じる膨大な量のデータを閲覧・分析したいという捜査官の要求に応えるために開発された。 MDAの包括的な目標は、捜査官やアナリストが携帯電話から抽出したデータから適切な証拠、関係、犯罪ネットワークを特定する際の有効性を改善することである。機械学習は、データに含まれる写真やビデオ内の物体検知（銃器、麻薬、金銭など）のために開発されている。以前はデータタギングと分類のユースケースに含まれていたが、現在は使用されていない。 |
| This is a DHS HSI Innovation Lab / RAVEn project. The Repository for Analytics in a Virtualized Environment (RAVEn) facilitates large, complex analytical projects to support ICE’s mission to enforce and investigate violations of U.S. criminal, civil, and administrative laws. RAVEn also enables tools used to analyze trends and isolate criminal patterns as HSI mission needs arise. For more information, please read the DHS/ICE/PIA-055 - Privacy Impact Assessment 055 for RAVEn. | これは DHS HSI Innovation Lab / RAVEn プロジェクトである。RAVEn（Repository for Analytics in a Virtualized Environment）は、大規模で複雑な分析プロジェクトを促進し、米国の刑法、民法、行政法の違反を執行・捜査するという ICE の使命を支援する。RAVEnはまた、HSIの任務の必要性に応じて、傾向を分析し、犯罪パターンを分離するために使用されるツールを可能にする。詳細については、DHS/ICE/PIA-055 - プライバシー影響アセスメント 055 for RAVEnを参照のこと。 |
| AI techniques used: Machine Learning, Natural Language Processing (NLP), Object Detection | 使用されるAI技術 機械学習、自然言語処理（NLP）、物体検知 |
| Stage of System Development Life Cycle: Development and Acquisition | システム開発ライフサイクルの段階： 開発および取得 |
| For more information, please contact: DHS Artificial Intelligence Team | 詳細については、下記まで問い合わせを： DHS Artificial Intelligence Team |
| Barcode Scanner | バーコードスキャナー |
| The Barcode Scanner has been developed to scan and populate detected information into corresponding text fields within the RAVEn GO's Encounter Card. The barcode scanner currently supports MRZ and PDF417 barcode types, frequently found on travel documents (Passport and Passport cards) and US Driver's Licenses. | バーコード・スキャナーは、検知された情報をスキャンし、RAVEn GOのエンカウンターカード内の対応するテキスト・フィールドに入力するために開発された。バーコード・スキャナは現在、旅行文書（パスポートとパスポート・カード）および米国運転免許証で頻繁に見られるMRZおよびPDF417バーコード・タイプをサポートしている。 |
| This is a DHS HSI Innovation Lab / RAVEn project. The Repository for Analytics in a Virtualized Environment (RAVEn) facilitates large, complex analytical projects to support ICE’s mission to enforce and investigate violations of U.S. criminal, civil, and administrative laws. RAVEn also enables tools used to analyze trends and isolate criminal patterns as HSI mission needs arise. For more information, please read the DHS/ICE/PIA-055 - Privacy Impact Assessment 055 for RAVEn. | これはDHS HSIイノベーション・ラボ／RAVEnプロジェクトである。RAVEn（Repository for Analytics in a Virtualized Environment）は、大規模で複雑な分析プロジェクトを促進し、米国の刑法、民法、行政法違反を執行・捜査するICEの使命を支援する。RAVEnはまた、HSIの任務の必要性に応じて、傾向を分析し、犯罪パターンを分離するために使用されるツールを可能にする。詳細については、DHS/ICE/PIA-055 - プライバシー影響アセスメント 055 for RAVEnを参照のこと。 |
| AI techniques used: Machine Learning, Machine Vision | 使用されているAI技術 機械学習、マシンビジョン |
| Stage of System Development Life Cycle: Operation and Maintenance | システム開発ライフサイクルの段階： 運用保守 |
| For more information, please contact: DHS Artificial Intelligence Team | 詳細については、下記まで問い合わせを： DHS Artificial Intelligence Team |
| Facial Recognition Service | 顔認識サービス |
| The Facial Recognition Service is used during investigations conducted by HSI agents and analysts for identification of known individuals, as well as extracting faces for further investigations from perpetrators including child exploitation offenses, human rights atrocities, and war criminals. | 顔認識サービスは、HSIの捜査官やアナリストが行う捜査において、既知の人物の識別や、児童 搾取犯罪、人権残虐行為、戦争犯罪を含む加害者からさらなる捜査のために顔を抽出するために使用される。 |
| This is a DHS HSI Innovation Lab / RAVEn project. The Repository for Analytics in a Virtualized Environment (RAVEn) facilitates large, complex analytical projects to support ICE’s mission to enforce and investigate violations of U.S. criminal, civil, and administrative laws. RAVEn also enables tools used to analyze trends and isolate criminal patterns as HSI mission needs arise. For more information, please read the DHS/ICE/PIA-055 - Privacy Impact Assessment 055 for RAVEn. | これはDHS HSIイノベーション・ラボ／RAVEnプロジェクトである。RAVEn（Repository for Analytics in a Virtualized Environment）は、大規模で複雑な分析プロジェクトを促進し、米国の刑法、民法、行政法違反を執行・捜査するICEの使命を支援する。RAVEnはまた、HSIの任務の必要性に応じて、傾向を分析し、犯罪パターンを分離するために使用されるツールを可能にする。詳細については、DHS/ICE/PIA-055 - プライバシー影響アセスメント 055 for RAVEnを参照のこと。 |
| AI techniques used: Machine Learning, Facial Recognition | 使用されているAI技術 機械学習、顔認識 |
| Stage of System Development Life Cycle: Operation and Maintenance | システム開発ライフサイクルの段階： 運用保守 |
| For more information, please contact: DHS Artificial Intelligence Team | 詳細については、下記まで問い合わせを： DHS Artificial Intelligence Team |
| Semantic Search and Summarization | 意味検索と要約 |
| The HSI Semantic Search and Summarization project will strengthen investigative processes by introducing an LLM-based system designed to enhance the efficiency and accuracy of summaries investigators rely upon. The LLM-based system will leverage open-source technologies to allow investigators to more quickly summarize and search for contextually relevant information within investigative reports. The project could lead to increases in detection of fentanyl-related networks, aid in identification of perpetrators and victims of child exploitation crimes, and surface key patterns and trends that could further HSI’s vital work. | HSI 意味検索と要約プロジェクトは、捜査官が信頼する要約の効率と精度を高めるために設計された LLM ベースのシステムを導入することにより、捜査プロセスを強化する。LLMベースのシステムは、オープンソースの技術を活用し、捜査官が捜査報告書内の文脈に関連した情報をより迅速に要約し、検索できるようにする。このプロジェクトは、フェンタニル関連ネットワークの検知を増加させ、児童搾取犯罪の加害者と被害者の特定を支援し、HSIの重要な活動を促進する重要なパターンと傾向を表面化させる可能性がある。 |
| AI techniques used: Machine Natural Language Processing (NLP), Generative AI | 使用されたAI技術 機械自然言語処理（NLP）、生成的AI |
| Stage of System Development Life Cycle: Initiation | システム開発ライフサイクルの段階： 開始 |
| For more information, please contact: DHS Artificial Intelligence Team | 詳細は下記まで： DHS Artificial Intelligence Team |
| [No Longer in Use] Data Tagging and Classification | [廃止] データタグ付と分類 |
| Data Tagging and Classification is no longer an AI use case at DHS. Email Analytics and Mobile Device Analytics are now individually listed above, and the RAVEn Leader Tracker is no longer in use. The summary is provided as it was listed on previous inventories for informational purposes. | データタグ付と分類はDHSのAIユースケースではなくなっている。電子メール解析とモバイル・デバイス解析は現在個別に上記のリストに記載されており、RAVEn リーダー・トラッカーは使用されていない。要約は、情報提供の目的で以前のインベントリに記載されていた通りにプロバイダが提供する。 |
| RAVEn leverages data tagging and classification to do the following: | RAVEnは、データ・タグ付けと分類を活用して以下のことを行う： |
| The Email Analytics Tool streamlines how special agents and criminal analysts search, filter, translate, and report on electronic communications evidence and will help investigators more effectively determine the structure and organization of criminal enterprises. | 電子メール分析ツールは、特別捜査官と犯罪アナリストが電子コミュニケーション証拠を検索、フィルタリング、翻訳、報告する方法を合理化し、捜査官が犯罪エンタープライズの構造と組織をより効果的に判断するのに役立つ。 |
| The RAVEn - Lead Tracker is a centralized system where agents can send and receive leads and enter outcomes such as arrests and seizures. The goal is for all leads in the agency to be found in one place, rather than in various email inboxes. | RAVEn - Lead Trackerは、捜査官がリードを送受信し、逮捕や押収などの結果を入力できる集中システムである。その目的は、捜査機関内のすべての手がかりを、さまざまな電子メールの受信トレイではなく、一箇所で確認できるようにすることである。 |
| The overarching goal of Mobile Device Analytics is to improve the efficiency of agents and analysts in identifying pertinent evidence, relationships, and criminal networks from data extracted from mobile devices. | モバイル・デバイス解析の包括的な目標は、モバイル・デバイスから抽出したデータから、捜査官やアナリストが適切な証拠、関係、犯罪ネットワークを特定する際の効率を改善することである。 |
| Stage of System Development Life Cycle: Disposal | システム開発ライフサイクルの段階： 廃棄 |
| For more information, please contact: DHS Artificial Intelligence Team | 詳細については、下記まで問い合わせを： DHS Artificial Intelligence Team |
| [No Longer in Use] RAVEn Compliance Automation Tool (CAT) | [廃止] RAVEn コンプライアンス自動化ツール (CAT) |
| This use case is no longer in use at DHS. The summary is provided as it was listed on previous inventories for informational purposes. | このユースケースはDHSでは使用されていない。情報提供のため、以前のインベントリに記載されていた概要をプロバイダとして提供する。 |
| RAVEn CAT is being developed as part of an effort to modernize HSI’s Form I-9 Inspection Process. The goal is to use machine learning and automation to increase the speed and efficiency of ingesting and processing Forms I-9 data. Easy to use front-end interface workflow that increases work productivity and reduces manual entry. RAVEn CAT currently employs an Optical Recognition Service (OCR) model and software (Tesseract OCR) to identify pixel coordinates of handwritten and read/extract computer typed characters from ingested forms for processing. Additional research into opensource Machine Learning Object Detection models is being made to help further augment accuracy of text identification and extraction of ingested forms into the pipeline. | RAVEn CATはHSIのフォームI-9検査プロセスを近代化する努力の一環として開発されている。目標は、機械学習と自動化を使い、フォームI-9データの取り込みと処理のスピードと効率を上げることである。使いやすいフロントエンド・インターフェイスのワークフローは、作業の生産性を高め、手入力を減らす。RAVEn CATは現在、光学認識サービス（OCR）モデルとソフトウェア（Tesseract OCR）を採用し、取り込まれたフォームから手書きのピクセル座標を識別し、コンピュータで入力された文字を読み取り／抽出して処理する。オープンソースの機械学習オブジェクト検知モデルに関する追加研究は、テキスト識別の精度をさらに高め、取り込まれた帳票をパイプラインに抽出するために行われている。 |
| Stage of System Development Life Cycle: Disposal | システム開発ライフサイクルの段階： 廃棄 |
| For more information, please contact: DHS Artificial Intelligence Team | 詳細は下記まで： DHS Artificial Intelligence Team |
| U.S. Coast Guard (USCG) | 米国沿岸警備隊 |
| Silicon Valley Innovation Program (SVIP) Language Translator | シリコンバレー・イノベーション・プログラム（SVIP）言語翻訳者 |
| USCG operators must be able to communicate with vessel occupants - many who may be non-English speakers - while performing a variety of rescue and investigative missions. The accurate and swift translation of information is critical to the safety and security of Coast Guard boarding teams and vessel occupants. The DHS’s Science and Technology Silicon Valley Innovation Program (SVIP) Language Translator solicitation sought new capabilities to support the Coast Guard in facilitating real-time communications with non-English speakers and those who are unable to communicate verbally. The solicitation also included requirements for language translation technology to be capable of operating both online and offline because many Coast Guard interactions take place in extreme environmental conditions, and in locations without cell service or an internet connection. | USCGのオペレーターは、さまざまな救助や捜査の任務を遂行する間、船舶の乗員（多くは英語を話さない）とコミュニケーショ ンできなければならない。情報の正確かつ迅速な翻訳は、沿岸警備隊の乗船チームと船舶乗員の安全・安心に不可欠である。DHSの科学技術シリコンバレー・イノベーション・プログラム（SVIP）の言語翻訳機募集では、沿岸警備隊が英語を話さない人や口頭でコミュニケーションができない人とのリアルタイム・コミュニケーションを円滑にするための新機能を求めていた。この募集には、沿岸警備隊とのやりとりの多くが過酷な環境条件下や、携帯電話サービスやインターネット接続のない場所で行われるため、オンラインとオフラインの両方で動作可能な言語翻訳技術の要件も含まれていた。 |
| AI techniques used: Machine Learning, Natural Language processing (NLP) | 使用されるAI技術： 機械学習、自然言語処理（NLP） |
| Stage of System Development Life Cycle: Development and Acquisition | システム開発ライフサイクルの段階： 開発および取得 |
| For more information, please contact: DHS Artificial Intelligence Team | 詳細は下記まで： DHS Artificial Intelligence Team |
| Transportation Security Administration (TSA) | 運輸保安局 (TSA) |
| Touchless PreCheck Identity Solution | 非接触型PreCheck個人識別ソリューション |
| TSA is using Facial Comparison to verify a passenger’s identity at its security checkpoints using the CBP Traveler Verification Service (TVS). The TVS creates a secure biometric template of a passenger’s live facial image taken at the checkpoint and matches it against a gallery of templates of photos that the passenger previously provided to the government. | TSAは、CBP Traveler Verification Service (TVS)を使用して、セキュリティ・チェックポイントで乗客の身元検証を行うために顔照合を使用している。TVSは、チェックポイントで撮影された乗客の生の顔画像の安全なバイオメトリック・テンプレートを作成し、乗客が以前に政府に提供した写真のテンプレートのギャラリーと照合する。 |
| TVS is standard procedure for travelers entering or leaving the United States, however, TSA is leveraging this technology as an optional process for passengers traveling via certain airports who wish to further expedite their PreCheck screening process. This additional PreCheck feature is voluntary, and passengers may opt-out of the process at any time and instead choose the standard identity verification by a Transportation Security Officer (TSO). | TVSは米国を出入国する旅行者の標準的な手順であるが、TSAは、プリチェック・スクリーニング・プロセスのさらなる迅速化を希望する特定の空港を経由する旅行者のためのオプション・プロセスとして、この技術を活用している。この追加プレチェック機能は任意であり、旅客はいつでもこのプロセスから外れ、代わりに運輸保安官（TSO）による標準の本人確認を選択することができる。 |
| To further enhance speed and security, TSA and CBP are also allowing airport and airline partners to request the use of TVS for identity verification. These partners purchase camera equipment in order to take voluntary photos of passengers at airport baggage drop and boarding locations for transmission to TVS. TVS then creates biometric templates of these photos and compares them against templates of existing DHS holdings as described above. This process streamlines passenger identity verification, increasing the speed of security checks while maintaining a high degree of safety for all passengers. | スピードとセキュリティをさらに強化するために、TSA と CBP は空港と航空会社のパートナ ーにも ID 検証に TVS の使用を要求することを認めている。これらのパートナーは、空港の手荷物預け入れ所や搭乗場所で乗客の任意 の写真を撮影して TVS に送信するためにカメラ機器を購入する。その後、TVS はこれらの写真のバイオメトリクス・テンプレートを作成し、上述したように既存の DHS 保有のテンプレートと比較する。このプロセスにより、乗客の身元検証が合理化され、すべての乗客の高い安全性を維持しながら、セキュリティ・チェックのスピードが向上する。 |
| AI techniques used: Facial Comparison | 使用されるAI技術 顔比較 |
| Stage of System Development Life Cycle: Operation and Maintenance | システム開発ライフサイクルの段階： 運用・保守 |
| For more information, please contact: DHS Artificial Intelligence Team | 詳細は下記まで： DHS Artificial Intelligence Team |
| [No Longer in Use] CDC Airport Hotspot Throughput (PageRank) | [No Longer in Use] CDC Airport Hotspot Throughput (PageRank) |
| This use case is no longer in use at DHS. The summary is provided as it was listed on previous inventories for informational purposes. | このユースケースはDHSでは使用されていない。情報提供のため、以前のインベントリに記載されていた概要をプロバイダとして提供する。 |
| TSA launched the “Stay Healthy. Stay Secure.” campaign, which details proactive and protective measures have been implemented at security checkpoints to make the screening process safer for passengers and our workforce by reducing the potential of exposure to the coronavirus. The campaign includes guidance and resources to help passengers prepare for the security screening process in the COVID environment. A big part of that campaign was the development of the Centers for Disease Control and Prevention's Airport Hotspot Throughput. This capability determines the domestic airports that have the highest rank of connecting flights during the holiday travel season to help mitigate the spread of COVID-19. This capability is a DHS-developed artificial intelligence model written in Spark/Scala that takes historical non-PII travel data and computes the highest-ranking airports based on the PageRank algorithm. | TSAは "Stay Healthy. Stay Secure. "キャンペーンを開始した。このキャンペーンでは、コロナウイルスにエクスポージャーする可能性を減らすことで、乗客と従業員にとってより安全なスクリーニングプロセスを実現するために、セキュリティチェックポイントで実施されている事前対策と防御策について詳しく説明している。このキャンペーンには、乗客がCOVID環境での保安検査プロセスに備えるためのガイダンスや資料も含まれている。このキャンペーンで大きな役割を果たしたのが、米国疾病予防管理センター（Centers for Disease Control and Prevention）の「空港ホットスポット・スループット（Airport Hotspot Throughput）」の開発である。この機能は、COVID-19の感染拡大を緩和するために、年末年始の旅行シーズンに乗り継ぎ便のランクが最も高い国内空港を特定するものである。この機能はDHSが開発したSpark/Scalaで書かれた人工知能モデルで、過去の非PII渡航データを取得し、PageRankアルゴリズムに基づいて最高ランクの空港を計算する。 |
| TSA does not make decisions about flight cancellations or airport closures. These decisions are made locally, on a case-by-case basis, by individual airlines, airports, and public health officials. TSA will continuously evaluate and adapt procedures and policies to keep the public and our workforce safe as we learn more about this devastating disease and how it spreads. | TSAは欠航や空港閉鎖の決定は行わない。これらの決定は、個々の航空会社、空港、公衆衛生当局によって、ケースバイケースでローカルに行われる。TSAは、この壊滅的な伝染病とその蔓延方法についてより多くのことを知るにつれて、国民と職員の安全を守るための手順と方針を継続的に評価し、適応させていく。 |
| Stage of System Development Life Cycle: Disposal | システム開発ライフサイクルの段階 廃棄 |
| For more information, please contact: DHS Artificial Intelligence Team | 詳細は下記まで： DHS Artificial Intelligence Team |
| Federal Emergency Management Agency (FEMA) | 連邦緊急事態管理庁 |
| Geospatial Damage Assessments | 地理空間被害アセスメント |
| In the aftermath of Hurricane Ian, FEMA employed the Geospatial Damage Assessments machine learning (ML) model to quickly assess the severity of structural damage caused by the disaster. The model, trained on historical photos of damage caused by natural disasters, uses computer vision and ML techniques to identify both damaged and non-impacted structures in aerial imagery. Human analysts conducting Geospatial Damage Assessments reviewed the model outputs to verify those structures identified by the model as having damage classified as minor, major, or destroyed. A feedback loop was incorporated into the ML system to allow analysts input to improve performance over time. | ハリケーン・イアンの直後、FEMAは災害による構造物被害の深刻度を迅速に評価するため、地理空間被害アセスメントの機械学習（ML）モデルを採用した。このモデルは、自然災害による過去の被害写真で訓練されたもので、コンピュータ・ビジョンとML技術を使用して、航空画像から損傷した構造物とそうでない構造物の両方を識別する。地理空間被害アセスメントを実施する人間のアナリストがモデルの出力を確認し、モデルによって被害が軽微、大規模、または破壊に分類されたと識別された構造物を検証した。MLシステムにはフィードバック・ループが組み込まれており、解析者が入力することで、時間の経過とともに性能が改善されるようになっている。 |
| In this use case, the tool narrowed the number of structures needing human review from over a million to just 77,000, shortening the time of completion from weeks to days. This helped improve efficiency and situational awareness for decision makers so they could expedite resources to those most in need. | この使用例では、このツールによって、人によるレビューが必要な構造物の数が100万以上からわずか77,000に絞り込まれ、完了までの時間が数週間から数日に短縮された。これにより、意思決定者の効率と状況認識が改善され、最も必要としている人々にリソースを迅速に提供できるようになった。 |
| AI techniques used: Machine Learning, Machine Vision | 使用されたAI技術 機械学習、マシンビジョン |
| Stage of System Development Life Cycle: Operation and Maintenance | システム開発ライフサイクルのステージ： 運用と保守 |
| For more information, please contact: DHS Artificial Intelligence Team | 詳細は下記まで： DHS Artificial Intelligence Team |
| FEMA OCFO GPT | FEMA OCFO GPT |
| FEMA OCFO GPT is a generative AI solution developed to assist with answering questions related to the FEMA budget. On average, FEMA receives fifteen questions per day on the budget. These questions take thousands of hours per year to answer, pulling resources away from other mission critical activities. The goal of FEMA OCFO GPT is to generate draft responses to questions which are reviewed and validated by FEMA employees. This solution will help improve the quality of responses and decrease the resources required to respond. | FEMA OCFO GPTは、FEMA予算に関する質問への回答を支援するために開発された生成的AIソリューションである。FEMAには予算に関する質問が1日平均15件寄せられる。これらの質問に答えるには年間数千時間を要し、他のミッションクリティカルな活動からリソースを引き離している。FEMA OCFO GPTの目標は、FEMA職員が確認し妥当性を確認した質問に対する回答ドラフトを生成することである。このソリューションは、対応の質を改善し、対応に必要なリソースを削減するのに役立つ。 |
| AI techniques used: Natural Language Processing (NLP), Generative AI | 使用されるAI技術 自然言語処理（NLP）、生成的AI |
| Stage of System Development Life Cycle: Operation and Maintenance | システム開発ライフサイクルのステージ： 運用・保守 |
| For more information, please contact: DHS Artificial Intelligence Team | 詳細は下記まで： DHS Artificial Intelligence Team |
| Planning Assistant for Resilient Communities (PARC) | レジリエントコミュニティのための計画アシスタント(PARC) |
| The proposed Generative AI solution, "PARC" will create efficiencies for the hazard mitigation planning process for local governments, including underserved communities. Hazard mitigation plans are not only a foundational step that communities can take to build their resilience but can be lengthy to produce and challenging for communities that lack resources to do so. PARC will specifically support State, Local, Tribal, and Territorial (SLTT) governments’ understanding of how to craft a plan that identifies risks and mitigation strategies as well as generate draft plan elements—from publicly-available, well-researched sources — that governments could customize to meet their needs. This capability could lead to more communities having the ability to submit grant applications for funding to become more resilient and reduce disaster risks. | 提案された生成的AIソリューション「PARC」は、十分なサービスを受けていない地域を含む地方自治体の危険緩和計画プロセスの効率化を実現する。災害緩和計画は、地域社会がレジリエンスを構築するための基礎的なステップであるだけでなく、その作成には時間がかかり、リソースのない地域社会にとっては困難なものである。PARCは、州・地方・部族・準州（SLTT）政府が、リスクと緩和戦略を特定した計画を作成する方法について理解することを特に支援し、また、政府が自分たちのニーズに合わせてカスタマイズできるような計画要素案を、一般に入手可能でよく調査された情報源から作成する。この機能により、より多くのコミュニティが、レジリエンスを高め、災害リスクを軽減するための助成金申請書を提出できるようになる可能性がある。 |
| For more information about the PARC pilot please read the PARC One-Pager. | PARCパイロットについての詳細は、PARC One-Pagerを参照のこと。 |
| AI techniques used: Natural Language Processing (NLP), Generative AI | 使用されたAI技術 自然言語処理（NLP）、生成的AI |
| Stage of System Development Life Cycle: Implementation | システム開発ライフサイクルのステージ： 実装 |
| For more information, please contact: DHS Artificial Intelligence Team | 詳細は下記まで： DHS人工知能チーム |
Comments