TEMA: Machine Learning

Transkript

1 TEMA: Machine Learning Anvendelsesscenarier i kommunerne DROIDS AGENCY, Dansk Center for Anvendt Kunstig Intelligens Kommunernes digitaliseringstræf d. 29 maj 2018 Oplæg v. Tim Daniel Hansen

2 INTRODUKTION HVAD ER MACHINE LEARNING? 2

3 THE BIRTH OF AI THE DARTHMOUTH WORKSHOP 1956 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,

4 Kunstig Intelligens tidlig 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 4

5 AI ER OVERALT I DAG 5

6 AI HANDLER OM AT LÆRE AT GENKENDE MØNSTRE 6

7 THE BRAIN 100 milliarder neuroner X synapser = 100 billoner synapser 7

8 MACHINE LEARNING ER TYPISK BASERET PÅ SIMPLIFICEREDE =(KUNSTIGE) NEURALE NETVÆRK Input Output Input Layer Hidden Layer Hidden Layer Output Layer 8

9 DET KUNSTIGE NEURALE NETVÆRK KAN FX BRUGES TIL AT GENKENDE BILLEDER Input Output 1 Cat 0? Input pixels Input Layer Hidden Layer Hidden Layer Output Layer 9

10 HVORFOR ER MACHINE LEARNING ET PARADIGMESKIFTE? TRADITIONEL PROGRAMMERING MACHINE LEARNING Data Program Output Data Output Program MACHINE LEARNING giver computere evnen til at lære, uden at vi programmerer dem eksplicit til det Arthur Samuel

11 TRE OVERORDNEDE ANVENDELSESOMRÅDER Dataanalyse Avanceret analyse af data med fokus på trends, forudsigelser, segmentering, klassifikation mv. NLP Natural Language Processing dvs. forståelse af naturligt sprog, indhold og mening i lyd og tekst Vision Computer vision med fokus på klassifikation og opmærkning af digitale billeder og video 11

12 FORUDSÆTNINGER FOR AT KOMME I GANG 12

13 DET INTELLIGENTE TEKNOLOGISPRING OPSTÅR FØRST, NÅR VI GENTÆNKER HELE VÆRDIKÆDEN DIGITALT Fra IT-understøttelse Til teknologi-infusion Procesoptimering Procesinnovation 13

14 SIZE MATTERS 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. 14

15 DET ER ET KOMPETENCEGAME DATA SCIENTISTS BLIVER EN MANGELVARE Top 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 15

16 VI SKAL KUNNE DELE DATA PÅ TVÆRS GODE ALGORITMER KRÆVER DATA PÅ TVÆRS På mange områder vil det være en fordel, hvis vi kan inddrage data på tværs af kommunale skel og på tværs af det offentlige. 16

17 JURA OG ETIK SKAL INDTÆNKES FRA START... DER ER OFTE MANGE JURIDISKE SPØRGSMÅL For at jura ikke bliver en barriere, skal de juridiske afklaringer indtænkes fra start. Det gælder også for etiske overvejelser ifm. Machine Learning 17

18 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 AI is blind to the color of your collar Jerry Kaplan 18

19 STRATEGIER FOR AT KOMME I GANG 1 SOLO 2 FÆLLES 3 LEVERANDØR De store kommuner opbygger egne data science kompetencecentre eller indkøber konsulenthuse specialiseret i Data Science til at drive arbejdet Fælleskommunalt og fællesoffentlig samarbejde på fagområder med potentiale for datadrevne processer Fagsystemleverandører 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 19

20 ANVENDELSESSCENARIER 20

21 KOMMUNALE VÆRDISKABELSE OG TEKNOLOGISKE MULIGHEDER 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 Sensorer og devices (IoT) Machine Learning (AI) Robotic Process Automation (RPA) 21

22 CASES: MACHINE LEARNING TIL AVANCERET ANALYSE AF PLEJEBEHOV Plejebehov i hjemmeplejen Medarbejderne 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%. 22

23 CASES: MACHINE LEARNING I CHAT BOTS MED FORSTÅELSE AF NATURLIGT SPROG (VOICE) Nulstilling af passwords Kommunale 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. 23

24 CASES: MACHINE LEARNING SOM SER Identifikation af passtempler Kommunale 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. 24

25 Workshopøvelse Hvor Hvordan ser I, får vi at alle Machine områder med, forandringsledelse, Learning ledelse kan ud i afdelingerne, anvendes udbredelse af i jeres automatiseringsdagsordenen, forretningsprocesser? organiseringen omkring Og arbejdet hvilken fremadrettet m.v. form for Machine Learning skal i spil? 25

26 K o n t a k t : T i m D a n i e l H a n s e n t i d r o i d s a g e n c y. c o m 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 K ø b e n h a v n S. 26

27 BILAG: ANVENDELSESSCENARIER Cases til workshopøvelse 27

28 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

29 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

30 SORTERING AF S OG POSTSORTERING Kommunen modtager et væld af s og breve hver dag. Alene sorteringen af s 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

31 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

32 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

33 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

34 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

35 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

36 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

37 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

38 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

39 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

40 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

41 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

42 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

43 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

44 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

45 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

46 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

47 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

48 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

49 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

50 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

51 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