Nye teknologier til automatisering af processer og service

Transkript

1 Nye teknologier til automatisering af processer og service Inspiration og cases med brug af nye teknologier i den offentlige sektor 7. maj 2019

2 Drivere for anvendelse af nye teknologier Samme ambitioner som traditionel digitalisering men udviklingshastighed, omkostningsniveau og intelligens er anderledes Effektivitet Service Indsigt Effektiv ressourceanvendelse og øget arbejdsglæde Personaliseret service Datadrevet indsigt i både egne og brugernes processer Hurtige processer 24/7 tilgængelighed Bedre forståelse af komplekse problemer og data Høj kvalitet ingen tilbageløb Selvbetjening og umiddelbar afklaring Mindsket sårbarhed ift ekspertressourcer 2

3 Mød jeres nye digitale arbejdsstyrke! 3 typer af Robotter som kan anvendes hver for sig eller i kombination og som indgår i samspil med deres menneskelige kolleger og brugere TASTEBOT (Robotics Process Automation - RPA) SERVICEBOT (Chatbot) ANALYSEBOT (Machine learning) Efterligner menneskelige handlinger og arbejdsgange Løser regelbaserede og digitale opgaver i eksisterende it-systemer. Gennemfører samtaler med menneskelige brugere Svarer på spørgsmål og vejleder brugerne i naturligt sprog. Kan kværne enorme mængder data på kort tid Understøtter menneskelige vurderinger og beslutninger 33

4 TASTEBOT (Robotics Process Automation - RPA) 4

5 Er jeres medarbejdere kontorstols-integratorer? Mange processer er digitaliserede, men ikke altid automatiserede 55

6 Hvordan fungerer teknologien, og hvor er den relevant? RPA software kan anvendes til at automatisere regelbaserede opgaver Deloitte Digital Copyright 2017 Deloitte Digital LLC. All rights reserved.

7 SERVICEBOT (Chatbot) 7

8 Hvad er en chatbot? Chatbots efterligner ved hjælp af kunstig intelligens dialog med et rigtigt menneske. Inddragende Tilbyder menneskelignende interaktioner igennem kanaler, der er yderst skalérbare Intelligente Avanceret software muliggør at lære fra tidligere interaktioner for at forbedre svar over tid Effektive Tilbyder brugere at udføre opgaver hurtigt og effektivt ved hjælp af samtalelignende self-service Tilgængelig 24/7 Ubegrænset antal henvendelser Ingen ventetid svar på 1 sek. Konsistente svar Mulighed for personaliseret dialog Holder fast i viden fra tidligere spørgsmål i dialogen dynamisk dialog Viderestilling til menneskelig agent Giver indsigt i henvendelser 8

9 Eksempler på chatbots Brugen af chatbots spreder sig hastigt også i kommunerne Sofie i Københavns Kommune Roskilde Kommune har netop lanceret Kiri, der kan håndtere over 1000 forskellige emner indenfor borgerservice. I Norge har over 60 kommuner allerede ansat Kommune Kari. 5 øvrige kommuner følger trop i maj. Kiri svarer kommunespecifikt. 9

10 Resultaterne begynder at vise sig Både øget effektivitet og bedre service Increasing customer support capacity by 149.3% without hiring any new staff. Handling over conversations per month through Banki - equivalent of 20 FTE Decreasing customer interactions in error handling by 24% Erfaringer fra Kommune Kari i Norge - nedgang i antal telefonhenvendelser: Haugesund kommune -20% Kongsberg kommune -30% Ullensaker kommune -20% Fordeling af samtaler med Sofie fra Københavns Kommune Svar/time Nova har reduceret telefonkøer og reduceret kundehenvendelser pr. mail med 30 pct. efter kun to uger. - Nordea News Udenfor åbningstid 5/6/2019 Udenfor åbningstid 10

11 Og der er tale om avancerede dialoger Deloitte Digital Copyright 2017 Deloitte Digital LLC. All rights reserved.

12 Fra tekst til tale Hey Store Assistant, what wine would you recommend that is on sale? Hey Store Assistant, what wine would you recommend that is on sale? Hej biblioteks-bot, hvilken bog vil du anbefale mig? 12

13 Mundtlige dialoger og log-in øger service og værdiskabelse endnu mere På mindre end 2 timer blev Globus trænet til at kunne svare specifikt på spørgsmål vedr. forsikringsdækning ifm SAS pilotstrejken Deloitte Digital Copyright 2017 Deloitte Digital LLC. All rights reserved.

14 ANALYSEBOT (Machine learning) 14

15 Kunstig intelligens algoritmer kan skabe indsigt i omfattende mængder af data Machine learning kan anvendes på både strukturerede og ustrukturerede data To grundlæggende måder at træne algoritmerne: Data 1. Superviseret? = Kendte data Nye data Mønstergenkendelse Opsporing af anomalier, undtagelser, afvigelser mv. 2. Usuperviseret Hævning / aktionærlån bil/kunst Lejeindtægt / mellemregning Segmentering Prædiktering, fx adfærd = 15

16 Anvendelse af machine learning til segmentering/sortering af sager Tekstanalysealgoritmer, der forstår sagernes indhold SKATTEANKESTYRELSEN Segmentering af ca uvisiterede klagesager via tekstanalyse-algoritmer og machine learning Resultater: Nøgletal 1,6 TB data behandlet (klagesager inkl. dokumenter) på Big Data platform Automatisering af tidskrævende, manuelle opgaver Sager fordeles korrekt til de rigtige kompetencer Fokuserede bunkeafviklingsprojekter med standardiseret, målrettet sagsbehandling 20-30% af sagsmængden identificeret til bunkeafviklingsprojekter med motorvejs-sagsbehandling 12 kontore r Løsningen videreudvikles til løbende visitering af nye sager samt tilknytning af lignende (tidligere) sager, så hjemmel allerede ligger klart en væsentlig tidsrøver i den nuværende sagsbehandling. PROJEKTFORLØB 12 kontorer sager 15 sagsområder 4 måneder Prototype prædikterer sagers kompleksitet med ca. 75 % korrekthed efter 14 dage 16

17 Kortlægning af habitatnaturtyper på baggrund af billedgenkendelse Algoritmer trænet til at genkende billeder af komplekse naturforhold Projektets baggrund Baggrund og udfordring De 44 terrestriske habitatnaturtyper i Danmark kortlægges i dag via feltkortlægning af biologer. Afgrænsningen af naturtyperne udføres i dag vha. luftfototolkning og feltarbejde, som er udfordret af flere grunde: Løsning Ressourcekrævende med biologer i felten Adgangsbegrænsninger på arealerne Luftfotos kan være forældede Habitatnaturen kan være svær at finde Udvikling af billedgenkendelsesmodel trænet på landsdækkende data af eksisterende kortlægning samt offentlige tilgængelige luftfotos og LiDAR data. Resultatet Med stor sikkerhed er det nu muligt at forudsige habitatnaturtyperne indenfor habitatområderne kun vha. sensordata (luftfotos med nærinfrarød samt LiDAR). Perspektiver Detektion af konsekvensen af menneskelige indgreb såsom infrastruktur eller forurening. Invasive arter vil kunne afsløres. Klimaændringers effekt kan bestemmes tidligt. 17

18 Spørgsmål til BOT erne? 18

19 Michael Theill Partner Deloitte Digital Copyright 2016 Deloitte Digital LLC. All rights reserved.