Maskinlæring og AI i praksis. Erfaringer fra Danmark? Niels-Peter Rønmos

Transkript

1 Maskinlæring og AI i praksis. Erfaringer fra Danmark? Niels-Peter Rønmos

2 Niels-Peter Rønmos Erhvervsstyrelsen siden 2002 Chef data scientist Cand Oecon, Syddansk Universitet Centrale VirksomhedsRegister og Digitale Regnskaber : domæne ekspert Bestyrelsesmedlem XBRL-Denmark Erhvervsstyrelsen 2

3 Program: Maskinlæring og AI i praksis. Erfaringer fra Danmark?: i dag i morgen De næste store udfordringer 2 Cases Erhvervsstyrelsen 3

4 Hvorfor Machine learning? Erhvervsstyrelsen 4

5 Fordi Vore løsninger vil kunne Sense og Notify og reagere på events Dermed får vi: Mere intelligente løsninger Bedre brugerinteraktion Og interaktion (næsten) altid i real tid Erhvervsstyrelsen 5

6 Hvad kan vi med Machine Learning (ML) i dag Hjælpe og vejlede brugerne, så de laver færre fejl Forbedre og skalere vores kontrol og tilsyn Give anbefalinger og personalisere vore løsninger Forbedre vores policy udvikling med ML skabt indsigt Erhvervsstyrelsen 6

7 Eksempel på ML-drevet vejledning i dag : Regnskabsmodtagelse Når regnskaber indsendes kontrollerer maskinen proaktivt om anvendt regnskabspraksis og regnskabstal for henholdsvis bygninger og kapitalandele hænger sammen Så bliver brugeren advaret og vejledt så hun kan udgå fejl Kontrollen bliver dermed skalerbar til ALLE årsrapporter, således at fejl udgås Erhvervsstyrelsen 7

8 CASE Identifikation af anvendt regnskabspraksis Dagsværdi Kostpris Indre værdi

9 2 strategiske hovedtrends indenfor offentlig Machine learning a) Machine learning i førersædet: Machine learning erstatter menneskelige beslutninger: Fx: Hvad skal vi kontrollere? 2. EXPAND b) Fjern pain points : Machine learning supplerer eller samarbejder med mennesker der hvor det er meget ressourcekrævende: Fx: Gennemse store mængder tekst/billeder - og rapportér. 1. LAND Erhvervsstyrelsen 9

10 Forretningsgangen i Machine learning Lab (data science life cycle) Hypotese Forretningsbehov og-inddragelse Design thinking POC Fail forward, cheap n fast Kvalitetskrav Datapipeline Træningsdata Algoritme, metode og arkitektur Træning af model IT-udvikling og -arkitektur Modeludvikling Implementering Overdragelse fra Lab til leverandør IT-drift og -test Deployment Dokumentation og sporbarhed Drift og Evaluering Cloud Periodisk evaluering Model management Retirement Gentræning Erhvervsstyrelsen 10

11 Eksempel på kontrol i morgen : Styrket virksomhedskontrol vedr. moms Ved at lære maskinen at se mønstre i offentlige datakilder vil vi kunne stoppe eller forsinke virksomheder der forventes at foretage momssvindel. Dette gør vi ved at samle vores viden fra: CVR SKATs momsindberetninger og momskontroller eindkomst Årsregnskaber og andre datakilder > Omkostning: 20 millioner p.a. > Reduceret skattegab: 1,2 milliard p.a. Erhvervsstyrelsen 11

12 Hvordan hjælpe ML os med at blive eventdreven? Machine Learning Knowledge graphs Evnen til at være eventdreven Erhvervsstyrelsen 12

13 Hvad er en Knowledge graphs?? Erhvervsstyrelsen 13

14 Erhvervsstyrelsen 14

15 Erhvervsstyrelsen 15

16 Eksempel på kontrol: Styrket virksomhedskontrol vedr. moms (VAT) Revision Ledelse Ejer Ejer Holding selskab Reel ejer Ejer? Ledelse Ejer Manglende konklusion Manglende konklusion Bogføringslov overtrådt Moms indberette for sent A-skat ikke korrekt/indberettet Manglende konklusion Bogføringslov overtrådt Moms indberette for sent Erhvervsstyrelsen 16

17 Hvordan skal vi vurdere nye virksomheder eller virksomheder som ændres? Erhvervsstyrelsen 17

18 Hvad er det svære? Streaming af data (og GDPR) Machine learning på arbitrære datakilder At reagere i real-time Forretningsanvendelse af mønstergenkendelse Størrelsen af netmaskerne Erhvervsstyrelsen 18

19 De næste store udfordringer Erhvervsstyrelsen 19

20 Læse og forstå tekst Erhvervsstyrelsen 20

21 Kontekst forståelse Erhvervsstyrelsen 21

22 Tak for opmærksomheden! Erhvervsstyrelsen 22