Det offentlige har svært ved at få hul på ML: Kræver andet mindset

Illustration: Big Stock
Potentialet er stort, men erfaringerne er få, når det handler om at bruge machine learning i det offentlige.

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.

Tips og korrekturforslag til denne historie sendes til tip@version2.dk
Kommentarer (6)
sortSortér kommentarer
  • Ældste først
  • Nyeste først
  • Bedste først
Christian Bruun

»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.

Det tror jeg faktisk allerede staten og regionerne gør ;-).

Deres talegenkendelses-app er et niche produkt som de ikke nødvendigvis behøver at tjene på. Hvis de gjorde det samme med Google Search, Youtube og Gmail ville deres forretning lide store tab.

  • 2
  • 0
Mads Hjorth

Min personlige holdning er, at machine learning ikke bør bruges direkte i offentlig sagsbehandling.

Alene fordi resultatet oftest ikke kan forklares og derfor heller ikke kan anskes. "Min AI er bedre end din AI", bliver svær at fælde en fornuftig dom over.

Derimod kan machine learning sagtens bruges som baggrund for udarbejdelse af retningslinjer for brug i sagsbehandling.

Du vil så kunne klage over at retningslinjerne ikke er overholdt i den konkrete afgørelse — hvilket bør kunne afgøres i en retssag.

Men 'rigtigheden' af principperne og modellerne bag retningslinjerne bør vi nok kunne stemme om...

  • 6
  • 0
Bjarne Nielsen

Det var en underbemandet og overbebyrdet afdeling i Skat, som gav os udbytteskatteskandalen. Hvordan skulle et fuldautomatiseret system af gummistempler, uden enhver form for sund skepsis og menneskelig fornuft, være en forbedring?

Vi ser allerede hvordan såkaldte "high frequency trading" fører til "flash crashes", og vi ved, at mønstergenkendelse nemt snydes af målrettede angreb.

Det kræver i sandhed et risikovilligt mind-set at turde gå længere i den retning. Mon ikke man i stedet skulle løsne slipset og få lidt ilt til hjernen? Skat m.fl. mangler flere kyndige folk, ikke flere silver bullets.

  • 6
  • 0
Anne-Marie Krogsbøll

Det kræver i sandhed et risikovilligt mind-set at turde gå længere i den retning.


Jeg kan kun være enig - og jeg synes, det er meget diplomatisk formuleret. I min øjne kan man uden at overdrive udskifte "risikovilligt" med "dumdristigt" eller måske ligefrem "direkte dumt og uansvarligt".

Desværre er "risikovillighed" det nye "sort" i topembedsmandskredse - for de har gentagne gange været på kult-ophold hos Singulartiy University sidste år, og er der - i følge aktindsigt - blevet belært om, at der ikke er tid til eftertanke i det digitale våbenkapløb - "risikovillighed" er vejen frem.

Af en eller anden grund kan de ikke tænke kritisk og gennemskue, at de lytter til folk, som har en økonomiske interesse i, at beslutningstagere handler ukritisk på kultledernes befalinger. I stedet fór de hjem og planlagde en møderække med det formål at fastholde de store visioner....

  • 3
  • 2
Thomas Nielsen

Alene fordi resultatet oftest ikke kan forklares og derfor heller ikke kan anskes. "Min AI er bedre end din AI", bliver svær at fælde en fornuftig dom over.

Derimod kan machine learning sagtens bruges som baggrund for udarbejdelse af retningslinjer for brug i sagsbehandling.


Netop. Men dertil er der de mange andre steder i det offentlige, hvor man kan instrumentere delopgaver, f.eks. fejlsøgning eller indlemmelse af andre søgekriterier som ellers ikke ligger ligefor; måske hvilke stykker vejbane der skal udbedres før andre, hvis det traditionelle datagrundlag ikke giver udslag.

  • 0
  • 0
Finn Christensen

..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?

Lad uafhængige måle noget andet ude hos borgeren end de nuværende utallige snage-/melde-/undrings- og kontrolsystemer.

Skat og sociale ydelser: Afregningen til den formastelige fra kontrolsystemer fremkommer særdeles kontant og skriftligt til e-boks eller ved, at nogle personer ringer på dørklokken.

Bedre kundeservice: Hvis man bliver set som kunde, så er det usædvanligt. Borgeren er en sag med et nummer der orkestreres af en sagsbehandler eller er en klient i et eller andet forløb. Alle arbejder tvangsmæssigt efter love, bekendgørelser og utallige centrale eller lokale regler.

Hændelser og sager er for systemet gerne et nødvendigt onde, som alt for få ansatte[1] i et nedskåret til benet[2] personale, der er pligtige til at udrede.

Altså ikke et firma; slet ikke et servicesystem og der er heller ingen kunder, bortser fra under IV[3]. Borgeren betaler faktisk konstant til vores system, og borgeren ejer det i fællesskab sammen med alle øvrige.

Bliver der serviceret vs behandlet og hvis det er som en kunde med respekt vs som en sag/klient, så ved man det øjeblikkeligt, og det kan nemt måles.

[1] 2018 ultimo var der ~718.000 offentlige heltidsansatte ud af ~3.700.000 personer (>19 år og <65 år)
[2] https://nordjylland.enhedslisten.dk/sundhedsvaesen-skaaret-ind-til-benet/
[2] https://www.beredskabsinfo.dk/brandvaesen/fagforening-der-er-allerede-sk...
[3] IV = Indtægtsdækket virksomhed

  • 0
  • 0
Log ind eller Opret konto for at kommentere