TEMA: Machine LearningAnvendelsesscenarier i kommunerne

DROIDS AGENCY,

Dansk Center for Anvendt Kunstig IntelligensKommunernes digitaliseringstræf d. 29 maj 2018

Oplæg v. Tim Daniel Hansen

INTRODUKTION – HVAD ER MACHINE LEARNING?

2

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

AI ER OVERALT I DAG…

5

6

AI HANDLER OM

AT LÆRE AT

GENKENDE MØNSTRE

7

100 milliarder

neuroner

X

1.000 synapser

= 100 billoner synapser

THE BRAIN

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

FORUDSÆTNINGER FOR AT KOMME I GANG

12

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

20

ANVENDELSESSCENARIER

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

BILAG:

ANVENDELSESSCENARIERCases til workshopøvelse

27

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