En mand og en dame giver hånd henover et bord

Kunstig intelligens kan knuse data fra tusindvis af sager til at forudse, hvordan ledige danskere bedst kan komme tilbage i job. Det er målet i et stort forskningsprojekt, hvor KMD er en af partnerne.

I skak leder man efter den bedste langsigtede strategi. Men et godt træk her og nu er ikke altid den bedste løsning, hvis man kan forudse, at en anden handling kan sikre sejren fem eller ti træk senere. Det samme gør sig gældende på landets jobcentre, der skal lægge den strategi, som hurtigst kan hjælpe en ledig dansker tilbage på arbejdsmarkedet.

Kunstig intelligens er i dag bedre til at lægge langsigtede strategier end mennesker. Forskningen i kunstig intelligens betyder, at maskiner slår verdens bedste skakspillere og forbløffer eksperter i det avancerede spil GO med deres overraskende strategier. Den forskning skal nu bringes i spil ude i jobcentrene.

Det er et af målene med et stort innovations- og forskningsprojekt ved navn EcoKnow, som er støttet af Innovationsfonden med 16 mio. kroner. EcoKnow ledes af Thomas Hildebrandt, der tiltræder som professor ved Datalogisk Institut Københavns Universitet (DIKU) den 1. marts og har bl.a. KMD, Dansk Socialrådgiverforening og flere kommuner som partnere.

”EcoKnow er et virkelig interessant projekt, fordi vi kan kombinere al KMD’s domæneviden og data med den nyeste forskning inden for kunstig intelligens,” siger Dan Svenstrup, som er Lead Data Scientist på EcoKnow-projektet fra KMD’s side.

”Når man skal træne modeller til kunstig intelligens er forhindringen ofte, at man har en meget begrænset mængde data til rådighed. Men her sidder vi faktisk med data fra tusindvis af sagsbehandlere og borgere, som vi kan bruge til at finde mønstre. De mønstre kan så bruges til at give sagsbehandlerne anbefalinger om det videre forløb for den enkelte borger,” forklarer Dan Svenstrup.

EcoKnow er et virkelig interessant projekt, fordi vi kan kombinere al KMD’s domæneviden og data med den nyeste forskning inden for kunstig intelligens

Dan Svenstrup, Lead Data Scientist i KMD

Kunstig intelligens trækker på bunker af data

Når en sagsbehandler i dag skal mødes med en ledig borger, er det målet at planlægge et forløb, der bringer den ledige tættere på arbejdsmarkedet – og forhåbentlig tilbage i job. Men hvor sagsbehandleren måske kan huske sine seneste 100 sager og har få minutter til at forberede sig på den nyeste sag, kan den kunstige intelligens i EcoKnow konstant trække på et utal af anonymiserede forløb, der matcher den konkrete borgers situation, og spotte egnede mønstre.

På sin skærm vil sagsbehandleren derfor kunne se konkrete forslag til et videre forløb for den aktuelle borger, som hele tiden bliver bygget på evidens, fakta og resultater fra andre tilsvarende forløb. Ansvaret og valget ligger dog stadig hos sagsbehandleren.

”Den kunstige intelligens kan bedre se flere trin frem i et forløb. Men det bliver et værktøj til beslutningsstøtte og ikke noget, der skal tage beslutninger selv. Derfor er det også afgørende, at vi er i stand til at forklare, hvad der ligger til grund for en given anbefaling. Det er ikke særligt betryggende for en sagsbehandler, hvis han ikke kan forstå, hvorfor systemet anbefaler et givent forløb,” siger Dan Svenstrup.

”Samtidig er anonymitet en udfordring. Man må ikke kunne gå tilbage og se, hvilke mennesker en anbefaling bygger på,” siger han.

Juridiske og etiske dilemmaer skal afklares

Ligesom det er afgørende, at den kunstige intelligens kun behandler data i en anonymiseret form, er det desuden vigtigt at gøre hele processen gennemsigtig for både borgerne og sagsbehandlerne. Der er derfor adskillige både etiske og juridiske dilemmaer i de nye muligheder, som skal afklares undervejs i projektet i et samarbejde med bl.a. Kammeradvokaten og Dansk Socialrådgiverforening.

Resultaterne fra EcoKnow vil løbende blive implementeret i bl.a. KMD Momentum, som bruges i mange kommuners jobcentre. Potentielt vil det ved hjælp af kunstig intelligens fx gøre det muligt at hjælpe en borger proaktivt, fordi systemet kan se et tidligt faresignal om, at borgeren kan være på vej ud i langtidsledighed.

”Hvis man sætter ind så tidligt som muligt, kan det gøre en stor forskel. Det vil potentielt være godt for både samfundet og for den enkelte borger, for der er jo ingen, der ønsker at ende i langtidsledighed,” siger Dan Svenstrup.

Hvis man sætter ind så tidligt som muligt, kan det gøre en stor forskel. Det vil potentielt være godt for både samfundet og for den enkelte borger, for der er jo ingen, der ønsker at ende i langtidsledighed

Dan Svenstrup, Lead Data Scientist i KMD

Det er som at bygge med Lego

Som Lead Data Scientist glæder Dan Svenstrup sig til at kaste sig over de store mængder af data i projektet, som giver mulighed for at bruge kunstig intelligens-værktøjer fra bl.a. Microsoft Azure.

”Men vi kommer også til at bygge vores egne modeller, som vil være skræddersyet til den type data, vi ser i kommunerne. Det er noget af det, der bliver forsket i allerede nu. Hvis vi vidste, hvordan alle udfordringerne skulle løses, så havde vi ikke noget forskningsprojekt – så var det bare en it-løsning,” siger Dan Svenstrup om projektet, som kører i fire år og bl.a. indebærer ansættelsen af forskere i Ph.D- og Postdoc-stillinger.

”Sammen med Thomas Hildebrandt fra DIKU kommer vi til at bruge predicitive monitoring og prescriptive process management til at undersøge, hvordan vi bedst kan behandle tidligere forløb og prøve at forudse et optimalt forløb for en nuværende sag. Det hele bliver meget evidensbaseret, og vi kommer til at bygge modeller, der måske består af dele fra Microsoft Azure, nogle af Googles frameworks og modeller, vi selv bygger. Det bliver lidt ligesom at bygge med Lego-klodser, hvor vi tager det bedste fra alle eksisterende løsninger og supplerer med vores egne modeller,” forklarer han.

Kunstig intelligens giver helt nye muligheder

Dan Svenstrup ser frem til, at projektet kan øge fleksibiliteten i sagsbehandlingen ude i kommunerne, understøttet af den kunstige intelligens, som kan hjælpe sagsbehandlerne til at finde den rigtige rute gennem de mange potentielle veje frem mod målet.

”Projektet giver potentielt også spændende muligheder for KMD, fordi vi nu sætter topforskning sammen med vores domæneviden. Det skal gerne gøre KMD Momentum meget bedre, så det bliver i sig selv virkelig værdifuldt. Men samtidig kan vores erfaringer med kunstig intelligens inden for jobmarkedet bruges mange andre steder, fx inden for sundhedsvæsenet. Så EcoKnow kan potentielt åbne op for helt nye muligheder for KMD,” siger Dan Svenstrup.