Vil maskinlæring revolusjonere offentlig sektor?

SYNSPUNKT | Maskinlæring har vært i vinden en stund. Noen mener at maskinlæring vil revolusjonere offentlig sektor. Denne teknologien skal bidra til at oppgaveløsningen i offentlig sektor går mye raskere, med høyere kvalitet og med mindre ressursbruk. Maskiner har ikke en dårlig dag på jobben, gjør ikke manuelle feil, krangler ikke med sjefen og kolleger og blir ikke trett. Maskinlæring har et stort potensial til å løse komplekse oppgaver på vesentlig kortere tid enn vi mennesker. Bruk av maskinlæring i offentlig sektor har likevel enkelte klare begrensninger og det er flere hensyn som må ivaretas når denne teknologien tas i bruk.

• LES OGSÅ | – Vi er i starten på en potensiell revolusjon i offentlig sektor

Maskinlæring er basert på algoritmer som gjør datamaskiner i stand å lære fra og utvikle atferd basert på empiriske data. Dette gjør at vi får et bedre grunnlag til å ta de riktige beslutningene. En algoritme er en kode som følger spesifikke operasjoner som utføres av en datamaskin. Algoritmene er basert på modeller som bestemmer hva som er et vellykket utfall, og som består av variabler som er vurdert som mest relevant og pålitelig med hensyn til resultatet algoritmen skal produsere. Maskinlæringsalgoritmer kan brukes til å finne mønstre i data og predikere hva som vil skje i fremtiden og er derfor viktig innen analyse og som beslutningsstøttesystem.

Maskinlæring har et stort potensial i flere offentlige virksomheter fordi det er store datamengder tilgjengelig. Skatteetaten kan bruke maskinlæring til å identifisere skatteunndragelse, Tolletaten kan bruke maskinlæring til å forbedre utvelgelse for kontroll og NAV for å avdekke de som svindler til seg uberettigede ytelser. Helsesektoren er et område der maskinlæring allerede er tatt i bruk med stor effekt. Maskinlæring er likevel ingen mirakelkur for offentlig sektor. Maskinlæring krever store datamengder som den aktuelle myndigheten har fullmakt til å bruke til det aktuelle formålet. Mange tjenester som ytes av offentlig sektor er begrenset i omfang og generer for begrensede datamengder til at en kan få utbytte av maskinlæring. Dette gjelder blant annet i kommunesektoren. Etter å ha jobbet med digitalisering i Oslo kommune i flere år er inntrykket at selv der er det få tjenester som i dag generer nok data til at maskinlæring kan gi veldig stor effekt. Oslo kommune er større enn de tre neste kommunene og de 250 minste kommunene til sammen. Hva er potensialet for de øvrige kommunene i Norge da?

Mangelfulle algoritmer gir mangelfulle resultater.

En maskinlærende agent er ikke bedre enn modellen den er basert på. Det er mennesker som definerer hva som er et vellykket utfall, hvilke variabler som skal bestemme utfallet og vektingen av disse variablene. Bevisste eller ubevisste fordommer som påvirker dagens analoge beslutninger kan gjenskapes i modellene. En annen kilde til dårlige modeller er at variablene ikke er representative for de egenskapene som de skal representere. Da blir maskinbaserte beslutninger like dårlig som de beslutningene som vi feilbare mennesker fatter. Det gjelder for alle algoritmer som brukes i forbindelse med beslutninger, enten den er lærende eller ikke. Mangelfulle algoritmer gir mangelfulle resultater. Eksempler på misbruk av algoritmer i justissektoren, utdanningssektoren og finanssektoren i USA er allerede godt dokumentert. Situasjonen blir ikke bedre når misbrukte algoritmer er lærende.

Et viktig prinsipp for digitaliseringen av offentlig sektor er brukerorientering. Brukerorientering innebærer at brukeren settes i sentrum og at behovet til de ulike brukerne får innflytelse på innholdet i tjenestene og omfanget på tjenestetilbudet. Det kan blant annet sikres ved å kartlegge brukernes behov og forutsetninger som grunnlag for utformingen av kvaliteter ved tjenesten som kommer alle til gode. Brukerorientering innebærer også at individuelle behov tas hensyn til der hvor det er rom for det. Utøvelse av skjønn med utgangspunkt i den enkelte persons faktiske situasjon er viktig i forbindelse med mange offentlige tjenester. Det krever en direkte dialog med den enkelte person som har behovene for å forstå kompleksiteten i behovene. I slike situasjoner vil verdien av maskinlæring som beslutningsstøtte være begrenset fordi behovet er individuelt og tilgangen på representative data med stor sannsynlighet vil være svært begrenset. Maskinlæring egner seg foreløpig best der det er store datamengder og begrensede antall utfall av saksbehandlingen, for eksempel vedtak om man skal få innvilget en ytelse eller ikke. Det egner seg ikke like godt der utfallene kan være mange, for eksempel hvilke tiltak som må iverksettes for at en person skal bo lenger hjemme. Jo flere potensielle utfall saksbehandlingen kan gi, desto større datamengde trenger du for å lære opp maskinen.

Maskinlæring er i spedbarnstadiet i offentlig sektor.

Vedtak som gjelder rettigheter eller plikter til en eller flere bestemte personer reguleres av forvaltningsloven og innebærer et krav om å grunngi vedtakene. Skal algoritmene ikke bare støtte beslutningene men faktisk ta beslutningene, så krever det også at algoritmen kan forklare forståelig for et menneske hvordan den har kommet fram til beslutningen og hva som har dannet grunnlaget for den.

Maskinlæring er i spedbarnstadiet i offentlig sektor. Erfaringene er svært begrenset. Det er likevel god grunn til å mene at denne teknologien vil få stor betydning i deler av offentlig sektor. Grunnlaget for bruk av maskinlæring vil øke gjennom tingenes internett som vil generere stadig økende datamengder på mange områder. Men en ikke uvesentlig del av offentlig sektor yter tjenester med et omfang og karakter som gjør at maskinlæring har et begrenset potensial for denne delen av offentlig sektor. Kommunene står for en vesentlig del av den daglige tjenesteytingen i Norge. De fleste av tjenestene i norske kommuner er svært beskjedne i omfang, selv i en kommune som Oslo. Digital teknologi kan likevel bidra til å revolusjonere kommunene. Det starter ikke med maskinlæring, men med vilje og evne til å tenke annerledes om hvordan forvaltningen kan dekke befolkningens behov.