Bedre kundesupport, mere effektiv sagsbehandling og mere intelligent brug af tilsynskræfterne er alle på listen over mulighederne i at bruge avanceret dataanalyse i offentlige institutioner.
Men at gå fra potentiale til at have en model i produktion er ikke simpelt. Det fremgår af en større redegørelse, som Moderniseringsstyrelsen har lavet.
En af de grundlæggende udfordringer er, at arbejdet med machine learning ofte kræver en form for risikovillighed, som kan være udfordrende for embedsfolk, fortæller kontorchef Michael Sperling
»Embedsmænd har Kodex VII – som blandt andet giver dem en sandhedspligt. Det betyder, at man meget gerne vil have data, der konkret og faktuelt beskriver virkeligheden,« forklarer han:
»Men meget machine learning arbejder i sandsynligheder. Så når fokus skifter fra at opgøre, hvad der er sket, til at bruge data og algoritmer til at sige noget om fremtiden – altså hvor skal vi prioritere vores tilsynsbesøg, hvordan skal vi bemande en afdeling i næste måned og så videre – så bliver det en lidt ubekvem risikovillighed for mange embedsfolk.«
At handle efter algoritmens sandsynlighedsberegning kræver et andet mindset, end det embedsmænd traditionelt lærer, vurderer Michael Sperling.
»Embedsfolk er opdraget til at være mere forsigtige. Når Google sætter sin første talegenkendelses-app på markedet, kan de være ligeglade med, at den er fuld af fejl, for når vi bruger den, så bliver den bedre. Forestil dig, at vi gjorde det samme i staten. Det ville være angstprovokerende,« siger Michael Sperling.
En brændende platform
Flere af de institutioner, som Moderniseringsstyrelsen har talt med, ser ikke blot analytics som et effektiviseringsværktøj, men som løsningen på en brændende platform.
F.eks. kommer følgende udsagn fra Finanstilsynet:
»Vi har været belastet af store datamængder, og flere af dem, vi fører tilsyn med, er dem, der rykker mest. Vi bliver derfor også nødt til at rykke og lave et kompetenceløft for at kunne følge med sektoren.«
Som deres modstykke i det private har offentlige institutioner også udfordringer med at sætte tal på nogle af de use cases, som machine learning kan bruges til.
»Det kan være en udfordring i det offentlige at vurdere, hvornår noget kan noget betale sig,« siger Michael Sperling.
»En ting er, hvis man kan fange nogen, der snyder i skat. Det har en åbenlys værdi. Men sådan noget som oplevet bedre kundeservice – hvordan måler vi det?« spørger han retorisk.
