Post on 24-Feb-2022
TEMA: Machine LearningAnvendelsesscenarier i kommunerne
DROIDS AGENCY,
Dansk Center for Anvendt Kunstig IntelligensKommunernes digitaliseringstræf d. 29 maj 2018
Oplæg v. Tim Daniel Hansen
THE BIRTH OF AI – THE DARTHMOUTH WORKSHOP 1956
3
“We propose that a 2 month, 10 man study of artificial intelligence be carried out during the
summer of 1956 at Dartmouth College in Hanover, New Hampshire.”
Proposal, September 2, 1955
4
Kunstig
Intelligenstidlig AI vækker begejstring. I
70’erne forskes kraftigt, men
resultater udebliver…
Machine
Learning nye metoder blomstrer
op, men det bliver aldrig
en kommerciel succes
Deep Learning data og regnekraft skaber
kommercielt gennembrud
MACHINE LEARNING ER TYPISK BASERET PÅ SIMPLIFICEREDE
=(KUNSTIGE) NEURALE NETVÆRK
8
Input
Input
LayerHidden
Layer
Hidden
LayerOutput
Layer
Output
DET KUNSTIGE NEURALE NETVÆRK KAN FX BRUGES TIL AT GENKENDE
BILLEDER…
9
Input
Input
LayerHidden
Layer
Hidden
LayerOutput
Layer
Output
1
0
”Cat”
”?”
Input pixels
HVORFOR ER MACHINE LEARNING ET PARADIGMESKIFTE?
10
MACHINE LEARNING giver computere evnen til at
lære, uden at vi programmerer dem eksplicit til detArthur Samuel 1959
Data
ProgramOutput
Data
OutputProgram
TRADITIONEL PROGRAMMERING MACHINE LEARNING
TRE OVERORDNEDE ANVENDELSESOMRÅDER
11
Dataanalyse Avanceret analyse af
data med fokus på
trends, forudsigelser,
segmentering,
klassifikation mv.
NLPNatural Language
Processing – dvs.
forståelse af naturligt
sprog, indhold og
mening i lyd og tekst
VisionComputer vision med
fokus på klassifikation
og opmærkning af
digitale billeder og
video
13
Til teknologi-infusionFra IT-understøttelse
DET INTELLIGENTE TEKNOLOGISPRING OPSTÅR FØRST, NÅR VI
GENTÆNKER HELE VÆRDIKÆDEN DIGITALT…
ProcesinnovationProcesoptimering
SIZE MATTERS…
14
MACHINE LEARNING KRÆVER DATA – MANGE DATA!Selv de største kommuner har ikke altid data nok til at
kunne træne modeller, som giver tilfredsstillende
resultater. Vi får behov for et teknologisk samarbejde
omkring distribueret Machine Learning for at få succes
på alle områder. Herudover er det omkostningstungt at
levere Machine Learning i høj kvalitet. Det kan ikke
sammenlignes med simple teknologier som fx RPA.
DET ER ET KOMPETENCEGAME…
15
DATA SCIENTISTS BLIVER EN MANGELVARETop 10 kommuner har måske mulighed for at opbygge
data science kompetencer internt og rekruttere sig til
kritisk masse. Resten får svært med at være med i
kapløbet, hvis vi ikke finder ud af at samarbejde på
tværs…
VI SKAL KUNNE DELE DATA PÅ TVÆRS…
16
GODE ALGORITMER KRÆVER DATA PÅ TVÆRSPå mange områder vil det være en fordel, hvis vi kan
inddrage data på tværs af kommunale skel og på tværs
af det offentlige.
JURA OG ETIK SKAL INDTÆNKES FRA START...
17
DER ER OFTE MANGE JURIDISKE SPØRGSMÅLFor at jura ikke bliver en barriere, skal de juridiske
afklaringer indtænkes fra start. Det gælder også for
etiske overvejelser ifm. Machine Learning…
SELVOM DET LYDER SVÆRT, KOMMER VI TIL AT ANVENDE AI I
ALLE DELE AF VORES KOMMUNALE VÆRDIKÆDE, FORDI VORES
VELFÆRDSMODEL ER BASERET PÅ VÆKST OG PRODUKTIVITET…
18
”AI is blind to the color of your collar”Jerry Kaplan
STRATEGIER FOR AT KOMME I GANG…
19
SOLODe store kommuner
opbygger egne data
science
kompetencecentre
eller indkøber
konsulenthuse
specialiseret i Data
Science til at drive
arbejdet
1 FÆLLESFælleskommunalt og
fællesoffentlig
samarbejde på
fagområder med
potentiale for
datadrevne
processer
2 LEVERANDØRFagsystemleverandører
leverer Machine Learning
som en del af deres
system. Her er det
afgørende, at
kommunerne får sat
deres præg på arkitektur
og rettigheder til de
udviklede algoritmer
3
KOMMUNALE VÆRDISKABELSE OG TEKNOLOGISKE MULIGHEDER…
21
Regelbaseret
▪ Indtastning
▪ Arkivering
▪ Indberetning
▪ Rapportering
Vidensbaseret
▪ Vurdering
▪ Afgørelse
▪ Skøn
▪ Kontrol
Servicebaseret
▪ Rådgivning
▪ Vejledning
▪ Vejviser
Velfærdsbaseret
▪ Omsorg
▪ Pleje
▪ Undervisning
▪ Pasning
▪ Kultur
Funktionsbaseret
▪ Bygninger
▪ Byrum
▪ Veje
▪ Trafik
▪ Landskab
Robotic Process Automation (RPA)
Machine Learning (AI)
Sensorer og devices (IoT)
CASES: MACHINE LEARNING TIL AVANCERET ANALYSE AF
PLEJEBEHOV
22
Plejebehov i hjemmeplejenMedarbejderne i hjemmeplejen har travlt og det
kan derfor være vanskeligt at nå at opfange
signaler om at en borger udvikler sig i en mere
behandlingskrævende retning.
Ved at se på tre måneder gammelt data er det
muligt at forudsige hvilke ældre borgere der
stiger mindst 6 timer i ugentligt plejebehov i løbet
af de kommende tre måneder med en præcision
på ca. 80%.
CASES: MACHINE LEARNING I CHAT BOTS MED FORSTÅELSE AF
NATURLIGT SPROG (VOICE)
23
Nulstilling af passwordsKommunale it-medarbejdere bruger lang tid
på at servicere medarbejdere, som har glemt
at fornye passwords eller som fx har glemt
passwords efter en ferie.
I dag kan en voicebot forstå naturligt sprog
og levere automatisk reset af passwords i
kombination med RPA-teknologi.
CASES: MACHINE LEARNING SOM SER
24
Identifikation af passtemplerKommunale kontrolmedarbejdere har brug
for at se, hvornår borgere har været rejst ud
af landet for at vurdere, om de er berettiget
til sociale ydelser.
En Machine Learning algoritme kan se,
hvilket land et passtempel er fra og
fastlægge datoer for ind- og udrejse.
▪ Hvordan får vi alle områder med, forandringsledelse, ledelse ud i afdelingerne, udbredelse af
automatiseringsdagsordenen, organiseringen omkring arbejdet fremadrettet m.v.
25
Workshopøvelse
Hvor ser I, at Machine Learning kan anvendes i jeres forretningsprocesser? Og hvilken form for Machine Learning skal i spil?
Kont ak t :
T im D an ie l Hans en
t im@dr o ids a gency.com
+ 4 5 4 2 3 6 6 6 14
N j a l s g a d e 7 6
D a n s k C e n t e r f o r A n v e n d t
K u n s t i g I n t e l l i g e n s
2 3 0 0 K ø b e n h a v n S .
26
COMPLIANCE PÅ PERSONALESAGER
▪ I kommunale stillinger hvor medarbejderen er i kontakt med børn,
kræves det at medarbejderen har en børneattest. Børneattesten
journaliseres på den enkelte medarbejders sag. Da praksis en
overgang har været blot at konstatere at en børneattest er pletfri uden
efterfølgende journalisering på sagen, er der rejst tvivl om hvorvidt der
findes børneattester for alle relevante medarbejdere i kommunen.
28
SYGEFRAVÆR
▪ Kommunen har store udgifter til sygefravær blandt personalet.
Specielt medarbejderne med direkte borgerkontakt er udsatte. Vi er i
tvivl om, hvilke faktorer der spiller ind på medarbejdernes sygefravær
og vil gerne være bedre til at spotte de medarbejdere, som har risiko
for at blive langtidssyge…
29
SORTERING AF E-MAILS OG POSTSORTERING
▪ Kommunen modtager et væld af emails og breve hver dag. Alene
sorteringen af emails og breve kræver mange ressourcer med en
dybdegående viden om sagsbehandlernes område. Nye
medarbejdere på områder får ikke altid sorteret mails korrekt, så de
lander et forkert sted…
30
MISBRUG – BØRN OG UNGE
▪ På Social og børne- og ungeområdet vil vi gerne have bedre
redskaber til at føre tilsyn med familier, hvor der er mistanke om
misbrug af den ene eller anden slags – og overhovedet at finde frem
til disse familier. Vi vil naturligvis ikke sætte computeren til at
eksekvere tvangsfjernelser, men hvis den kan se noget, vi ikke får øje
på, vil det måske kunne være med til at vi finder frem til sagerne i tide
og reagerer inden det går galt…
31
SMART PARKERING
▪ Søgetrafikken i kommunen – dvs. den trafik der er forbundet med at
folk kører i byen og leder efter en parkeringsplads – bidrager til
forureningen i kommunen. For at minimere forureningen og for at
reducere spildtid for borgerne vil kommunen bidrage til at mindske
søgetrafikken ved at udpege områder, hvor der på bestemte
tidspunkter er en høj sandsynlighed for at man kan finde en ledig
parkeringsplads.
32
SNYD MED SOCIALE YDELSER
▪ I kommunen oplever vi desværre mange sager, hvor der snydes med
sociale ydelser. Det kan være snyd med børnetilskud, boligstøtte,
kontanthjælp, friplads i daginstitution, kontanthjælp, sygedagpenge,
revalideringsydelse, flexydelse eller lignende… I kommunens
kontrolgruppe vil vi gerne have et bedre grundlag for at finde ”nålen i
høstakken”, så vi får kigget på de relevante sager…
33
JOBMATCH
▪ I kommunens Jobcenter vil vi gerne sikre at ledige borgere får søgt
relevante stillinger. Både vi og borgerne kan bruge lang tid på at finde
frem til de relevante stillinger i annoncedatabaserne. Det ville være
smart, hvis vi automatisk kunne matche borgerens CV til relevante
stillingsopslag og får en form for ”Matchscore”… hellere få gode
ansøgninger end en masse ukvalificerede…
34
LANGTIDSLEDIGHED
▪ I Jobcentret vil vi gerne vide, hvilke borgere der er i risiko for at ende i
langtidsledighed, så vi kan gøre noget ved situationen, inden det går
galt og vi har rigtig svært ved at få borgeren tilbage på jobmarkedet…
35
INDSATSER DER VIRKER PÅ BESKÆFTIGELSESOMRÅDET
▪ I kommunen vil vi gerne sikre, at de indsatser vi vælger til vores
jobsøgende/ledige, har så stor effekt som muligt. Men det er svært at
gennemskue, hvad der virker og har den bedste effekt for borgeren.
Der er ikke altid det dyreste tilbud som har den største effekt og det
der virker for den ene er ikke altid det rette for en anden borger…
36
VISITERING – JOBPARAT ELLER AKTIVITETSPARAT
▪ Vi skal visitere borgerne alt efter om de er jobparate eller
aktivitetsparate. Det er en ressourcekrævende opgave og det ville
være rart, hvis vi havde et system, som kunne hjælpe os med af
opdele borgerne i de forskellige grupper.
37
SORTERING AF SAGER – DE NEMME OG DE SVÆRE OG DE KRITISKE
▪ På flere områder i kommunen har vi en opdeling af vores arbejde i
svære og lette sager – og nogle sager som er virkelig kritiske, som vi
skal reagere på med det samme, da det ellers kan have store
sociale/økonomiske konsekvenser. Det ville være en stor hjælp, hvis
vi kunne få hjælp til screene og sortere sagerne, så de lander i de
rette sagsbunker og teams med rette ”haster mærkat”…
38
ER DER BYGGET ULOVLIGE TILBYGNINGER?
▪ På det tekniske område skal vi holde øje med, om borgere og
virksomheder har bygget ulovlige tilbygninger. Det kan være svært at
føre dette tilsyn, når vi har titusindvis af bygninger i kommunen. Vi
kunne godt bruge nogle mere effektive redskaber til at udpege, hvor
der ”pludselig” er dukket nye bygninger eller tilbygninger op…
39
HVOR LIGGER DE FORSKELLIGE MARKER, SKEL MV.
▪ Vi er en landkommune og vil gerne havde bedre styr på, hvor
landmændenes marker, vandafledning og skel ligger. Vi vil også
gerne have bedre mulighed for at holde øje med om diverse
miljøregler for randområder, zoner mv. overholdes… vi har for få øjne
i marken til at holde øje med det hele, så måske er der nogle
teknologier, som kan hjælpe os derude?
40
HVOR MANGE BILER OG CYKLER KØRER GENNEM BYEN
▪ Vi kunne godt tænke os at vide noget mere om trafikmønstre gennem
byen og hvilke typer af trafikanter der kommer ind til byen gennem de
forskellige indfaldsveje… er det biler, lastbiler, varevogne, busser? Og
hvor mange cykler? Hvis vi har bedre viden, håber vi at kunne
forbedre vores trafikplanlægning og fremtidige investeringer…
41
RUTEOPTIMERING I HJEMMEPLEJE
▪ I hjemmeplejen har vi rigtig mange medarbejdere, som skal finde
rundt til borgerne og helst på en optimal rute… særligt, når der er
afvigelser i planerne, er det svært at vurdere og vi har skruet
logistikken sammen på den smarteste måde. Her kunne vi godt bruge
noget hjælp…
42
TRAFIKOPTIMERING
▪ Vi har en hypotese om, at vi kunne få trafikken i byen til at glide
nemmere, hvis vi have en mere intelligent styring af trafikken med
intelligente skilte, stopsignaler osv. Men vi skal have nogen/noget til at
fortælle signaler og skilte, hvad de skal sige til bilister og cykellister
og hvornår de skal skifte for at det bliver smart…
43
PARKERINGSKONTROL
▪ Vi vil gerne have en endnu bedre parkeringskontrol i kommunen, hvor
vi hurtigt få skannet om biler er parkeret korrekt, og om
”nummerpladen” har licens eller betalt p-afgift…
44
MELLEMKOMMUNAL AFREGNING
▪ Vi kan se, at vi ikke får hevet alle penge hjem i de kommunale
afregninger. Vi vil gerne have nogle redskaber, som hjælper os med
at sikre dette på en bedre måde.
45
SAGSBEHANDLING PÅ OPKRÆVNING
▪ Efter at SKAT har overtaget inddrivelsesopgaven, har vi i de senere år
valgt at bruge flere ressourcer på opkrævningen internt i kommunen.
Men vi har svært ved at følge med, og det ville måske være smartere,
hvis vi altid startede med de krav, hvor de var bedst sandsynlighed for
at få pengene hjem – og omvendt – fik smidt sager med lav
sandsynlighed og små beløb videre til SKAT så hurtigt som muligt
46
VEDLIGEHOLD AF EJENDOMME
▪ Vi har en stor kommunal bygningsmasse som koster mange penge at
vedligeholde. Vi vil gerne ramme det optimale punkt mellem
vedligehold og udbedring, så vi gør det så omkostningseffektivt som
muligt over en årrække… i mange andre brancher snakker de om
”Predictive maintenance”, så mon ikke vi også kan bruge det i
kommunerne?
47
VEDLIGEHOLD AF VEJE
▪ Vi har en masse kommunale veje som koster mange penge at
vedligeholde. Vi vil gerne ramme det optimale punkt mellem
vedligehold og udbedring, så vi gør det så omkostningseffektivt som
muligt over en årrække… i mange andre brancher snakker de om
”Predictive maintenance”, så mon ikke vi også kan bruge det i
kommunerne?
48
HACKERANGREB
▪ Vi har set en del sager på det seneste, hvor offentlige myndigheder
bliver ramt af hackerangreb. Trods opdaterede virussoftware, så sker
det åbenbart alligevel. Vi vil gerne have nogle redskaber der i højere
grad kan se, når der er mønstre i vores datastrømme ind og ud af
kommunen, som ikke er som de skal være. Noget der lytter til om
”pulsen” er som den skal være og kan reagere, hvis vi er under
angreb…
49
ADAPTIV LÆRING
▪ I vores skoler vil vi gerne sikre, at alle vores børn og unge få læring,
som udvikler individet optimalt. Vi kunne godt forestille os mere
”adaptive” læringsmidler som selv skruer op eller ned for
udfordringerne alt efter, hvor godt det går… lidt ala det de har forsøgt
sig med i de nationale test (bare smartere ☺)
50
HÅNDTERING AF REGNINGER/FAKTURAER/SÆRFAKTURAER
▪ På økonomiområdet bruger vi stadig en del tid på at håndtere
fakturaer på forskellige områder. Vi vil gerne have hjælp til at
fastlægge, hvordan fakturaerne skal betales, hvordan de skal
konteres og om vi er ved at betale for noget vi ikke har bestilt eller om
priserne måske afviger fra det aftalte…
51