4 minutters lesing 6 jan. 2021
Dame som arbeider på nettbrett

Bedre datakvalitet muliggjør kunstig intelligens

Skrevet av
Elisabeth Heggløv

Leder av Offentlig sektor i Consulting Norge og fagområdet Enterprise Risk

Leder for offentlig sektor i Norge. Brenner for å forbedre våre offentlige tjenester, innovasjon og å jobbe i team. Hun deler tiden mellom en mann, to barn, venner og EY.

Even Vinge

Leder av Data & Analytics, partner, EY Norge

Rådgiver og teknolog som brenner for dataanalyse og kunstig intelligens. Stolt far til fantastisk datter.

4 minutters lesing 6 jan. 2021

Den viktigste barrieren for økt bruk og effekt av kunstig intelligens i offentlig sektor er data.

Oppsummert

  • Bruken av kunstig intelligens øker i offentlig sektor
  • Mange sliter imidlertid med å gå fra pilot til skalerte løsninger
  • Fem nøkkelfaktorer er avgjørende for å lykkes med AI: data, talent, etikk, kultur og teknologi

Bruken av kunstig intelligens øker i offentlig sektor. Brukt riktig er dette en av teknologiene som har potensial til å innovere og transformere offentlige tjenester og sikre fremtidens velferdsløsninger.

Generelt har offentlige institusjoner i Norge kommet lenger med kunstig intelligens enn vi ser i mange andre land. Den offentlige sektoren i Norge fokuserer på mulighetene, og kunstig intelligens er på dagsordenen mange steder. Dette viser rapporten Kunstig intelligens i offentlig sektor Norge: Europeiske utsikter for 2020 og fremover, som EY har utarbeidet for Microsoft. Her er det samlet innspill og eksempler fra 212 offentlige institusjoner i 12 europeiske land.

Mange sliter imidlertid med å gå fra avgrensede pilotprosjekter til skalerte løsninger som realiserer det fulle potensialet. En av de viktigste identifiserte utfordringene handler om data.

Data blir en snublestein

Rapporten definerer fem nøkkelfaktorer som avgjørende for å lykkes med kunstig intelligens: data, talent, etikk, kultur og teknologi. For de norske respondentene i rapporten er data det viktigste aspektet når vi snakker om vellykket bruk av kunstig intelligens.

Kunstig intelligens er avhengig av data for å trenes, og en av de største utfordringene er at disse løsningene ofte kombinerer data fra mange forskjellige eksisterende systemer. Derfor kommer mange tidlig til et punkt der begrensningen for videre suksess ikke omhandler hvor avanserte algoritmer man appliserer, men tilgangen på god nok data til å trene algoritmene.

Mange kommer tidlig til et punkt der begrensningen for videre suksess ikke omhandler hvor avanserte algoritmer man appliserer, men tilgangen på god nok data til å trene algoritmene.
Even Vinge
Leder av Data & Analytics, partner, EY Norge

Mange offentlige institusjoner har store datamengder fra mange kilder, men kvaliteten på data varierer dramatisk. Både i de enkelte datakildene og i kombinasjonen av data ligger mulige feilkilder som både kan redusere potensialet av kunstig intelligens, og medføre risiko for skjevhet og andre uønskede, og til og med potensielt diskriminerende, konsekvenser.

Manglende historiske data, manglende felles nøkler på tvers av systemer, forskjellige definisjoner på tvers av organisasjonen, og uavklarte personvernhensyn er alle utfordringer som begrenser mulighetsrommet for bruk av kunstig intelligens.

En annen viktig faktor når vi snakker om data er utfordringen med bevisst eller ubevisst skjevhet i data, som kommer med og kan være en svakhet. Dette reiser etiske spørsmål rundt løsninger som bruker kunstig intelligens. Enten vi ser på løsninger i offentlig sektor innen offentlig forvaltning, trafikk og infrastruktur, eller helsevesenet, er det avgjørende at vi kan ha tillit til bruken av kunstig intelligens og de beslutningene og konsekvensene som kommer av den.

Om AI-undersøkelsen

212

offentlige institusjoner i 12 europeiske land har deltatt i AI-undersøkelsen

Hvor begynner man?

Datakvalitetsarbeid handler i praksis vel så mye om forståelse av data som å faktisk gjøre endringer i data. Viktige spørsmål man bør kunne svare: Hvor kommer dette datasettet fra? Hvilke prosesser har bidratt til dataene? Representerer dataene faktisk alle underliggende hendelser? Har alle sentrale dataelementer tydelige definisjoner? For å kunne tilby svar på disse spørsmålene trenger organisasjoner både strukturer, prosesser og verktøy.

Å prøve å beskrive all data i en organisasjon er nær ordbokdefinisjonen av å koke havet. Et effektivt datakvalitetsprogram starter med å identifisere de viktigste dataområdene – de som gir størst verdi bruk i kunstig intelligens og datadrevne produkter og tjenester – og å jobbe målrettet med å forbedre kvaliteten i disse.

Vil du lese mer om offentlig sektors bruk av kunstig intelligens?

Les rapporten Kunstig intelligens i offentlig sektor Norge: Europeiske utsikter for 2020 og fremover

 

Sammendrag

Når mange sliter med å skalere opp sine AI-prosjekter fra pilot handler det ofte om data. Dette viser en rapport om AI i offentlig sektor produsert av EY for Microsoft. Nøkkelen er tilgangen på god nok data til å trene algoritmene; kunstig intelligens er avhengig av data for å trenes. Ofte betinger dette at data fra svært forskjellige kilder må kombineres.

Om denne artikkelen

Skrevet av
Elisabeth Heggløv

Leder av Offentlig sektor i Consulting Norge og fagområdet Enterprise Risk

Leder for offentlig sektor i Norge. Brenner for å forbedre våre offentlige tjenester, innovasjon og å jobbe i team. Hun deler tiden mellom en mann, to barn, venner og EY.

Even Vinge

Leder av Data & Analytics, partner, EY Norge

Rådgiver og teknolog som brenner for dataanalyse og kunstig intelligens. Stolt far til fantastisk datter.