Kunstig intelligens er formentlig den teknologi, der vil påvirke samfundet mest i det kommende årti.

Meget tyder på, at en stor del af vores apparater og infrastruktur, hvad enten det er biler, bygninger, gadelamper eller badevægte, fremover vil blive knyttet til en form for kunstig intelligens, som kan fortolke situationer, tage beslutninger eller komme med forslag og råd, der kan understøtte vores færd gennem verden.

Vi mærker det allerede i dagligdagen, når Google kan gætte, hvad vi vil vide, før vi har nået at taste hele forespørgslen ind – eller når Spotify, Netflix eller Amazon kan anbefale musik, film og bøger, der passer forbløffende godt til vores smag.  

Det er kunstig intelligens, når vi kan udtale kommandoer til mobiltelefonen eller den smarte højttaler derhjemme, og det er kunstig intelligens, når Brøndby IF bruger ansigtsgenkendelse på stadion for automatisk at spotte hooligans, der er pålagt karantæne fra fodboldkampene.

På samme måde vil den stadigt mere intelligente indsigt, som vores apparater og tjenester kan betjene os med, også blive en del af det offentliges tjenester: lige fra reguleringen af trafiklys, prognoserne for vejret til lægers diagnoser og sagsbehandlingen i forbindelse med byggetilladelser, udbetaling af dagpenge eller opsynet med udsatte børn.

Maskinen kan selv tage ved lære og opbygge erfaring

Betegnelsen kunstig intelligens er imidlertid så bred, at det kan være misvisende at bruge den om de systemer, der i de kommende år vil forandre den offentlige sektor.

Hvad der opfattes som kunstig intelligens, skifter lige så hurtigt, som teknologien udvikler sig. Mange af de funktioner, vi rutinemæssigt anvender i dag – som at man kan tale til en app på dansk og øjeblikkeligt få sætningen oversat og læst højt på kinesisk – ville for få år siden være nærmest skræmmende eksempler på computeres overmenneskelige intelligens.               

For at forstå, hvorfor de systemer, der er på vej, vil være væsentlig anderledes end den digitalisering og automatisering, vi allerede har været igennem, er det mere præcist at fokusere på det aspekt af kunstig intelligens, der kaldes maskinlæring.

Traditionelle computerprogrammer arbejder ud fra et sæt faste regler. Hvis A, så X. Hvis B, så Y. Hvis både A og B, så Z.

Det er sammenhænge, som er indlagt i koden for programmet. Det kan være komplicerede instrukser og vidtforgrenede forløb, men grundlæggende er de skrevet ind i koden af en menneskelig programmør, og de forandrer sig ikke, medmindre man redigerer koden.

Maskinlæring bygger derimod på mønstergenkendelse, og maskinens beslutninger bygger på statistik og sandsynligheder snarere end helt faste sammenhænge.

Når maskinen lærer, opbygger den en forståelse af en problemstilling ved at analysere de data, den bliver fodret med. Det kan være data om skydække, temperatur, nedbør, vind for mange forskellige typer vejr. Efterhånden vil maskinen finde mønstre i data, så den forstår, hvilke situationer der typisk hænger sammen med snevejr eller støvregn.

Jo flere data og jo flere eksempler maskinen ser, des mere præcist kan den lave vurderinger, og hvis den får mulighed for løbende at se, om dens vurderinger faktisk svarer til virkeligheden, kan den gradvis optimere og forfine sin forståelse.

Maskinen er altså i stand til selv at lære, gøre sig erfaringer og justere sine vurderinger, uden at et menneske skal ændre i programmets kode. 

På den måde kan et system i løbet af ganske kort tid opbygge et overblik og en indsigt i en problemstilling, som det ville tage et menneske mange år at opbygge. Med den forståelse kan maskinen analysere og behandle enorme mængder data og potentielt afgøre tusinder eller millioner af sager – samtidig med at den løbende forbedrer sin præcision.

Mekanismen i maskinlæring er dybest set den samme, hvad enten det handler om at analysere røntgenbilleder og biopsier for at finde tegn på kræft, eller om systemet tjekker eksamensopgaver for snyd ud fra sammenligning med de studerendes andre opgaver.

Erhvervsstyrelsens AI finder de mistænkelige regnskaber

Erhvervsstyrelsen er en af de offentlige instanser, der har arbejdet med det længst. Man bruger blandt andet maskinlæring til at træne systemer i at finde tegn på svindel i regnskaber.

Hvert år indsendes 270.000 regnskaber til virk.dk, og hvert regnskab indeholder typisk 10.000 datapunkter. De fleste felter i den elektroniske skabelon for indberetningen er faste, men der er også enkelte felter med fritekst, for eksempel til at angive den regnskabspraksis, man har brugt for at beregne de tal, man indsender.

Erhvervsstyrelsen bruger et tekstgenkendelsessystem til at forstå, hvad der bliver oplyst, og ud fra det kan systemet lave en første vurdering af, om regnskabet virker korrekt. Hvis maskinen skønner, at noget er galt, sender den automatisk regnskabet tilbage med besked om, at der lader til at være fejl, og at man derfor kan vælge at indsende en ændret version eller at blive udtaget til manuel kontrol.

I 30.000 tilfælde årligt bliver regnskaberne sendt tilbage i en ny version, og som Carsten Ingerslev, der er kontorchef i Erhvervsstyrelsen, siger, så tager man det som udtryk for, at der var fejl i de gamle – og dermed er kvaliteten af regnskaberne blevet hævet.

Tilsvarende indsender man i forbindelse med salg af virksomheder såkaldte vurderingsberetninger, der skal dokumentere de værdier, der findes i selskabet. I mange tilfælde er det bygninger eller andre mere løst definerede aktiver end ren kapital. Erhvervsstyrelsen har udviklet en algoritme, der kan vurdere, om vurderingsberetningen overholder de gældende formelle krav. Hvis ikke, tilbydes anmelderen at indsende en ny vurdering.

Det viser sig, at en tredjedel af dem, der modtager en advarsel, aldrig vender tilbage – måske fordi kapitalen ikke reelt var til stede.

Carsten Ingerslev pointerer, at systemet ikke bliver brugt til at træffe afgørelser.

”I nogle tilfælde er der klare, hårde facts, der betyder, at en maskine kan vurdere, om et regnskab kan afvises eller er ulovligt. Men i de mere komplekse tilfælde, hvor maskinen leder efter mønstre i et stort sæt indikationer og data, foretager maskinen en vurdering med en vis statistisk sandsynlighed.” 

”Maskinen har bemærket, at når en række indikationer er til stede, så er der ofte et problem. Men det er ikke helt sikkert. I nogle anvendelser er sandsynligheden for, at maskinen vurderer rigtigt, 85 procent. Derfor kan du ikke træffe afgørelser, der har retslig virkning, og derfor tilbyder vi virksomheden at rette regnskabet eller at blive udtaget til kontrol,” forklarer Carsten Ingerslev.

Sammenlignet med den traditionelle, manuelle kontrol er forskellen, at en offentlig myndighed, der skal føre tilsyn eller vurdere risici, nu kan kontrollere samtlige sager for at finde uregelmæssigheder, der skal undersøges nærmere i stedet for kun at have kapacitet til at lave stikprøver.

Ikke bare automatisering

Når Skattestyrelsen sender 4,5 millioner årsopgørelser ud på kort tid, er processen med at indsamle data og beregne skatten for den enkelte fuldstændigt automatiseret. Det samme gælder de fleste udbetalinger af ydelser som pension, boligstøtte eller SU.

Men kunstig intelligens går skridtet videre end automatisering. AI kan levere beslutningsstøtte.

Systemet kan komme med anbefalinger eller advare om noget unormalt ved at gennemgå enorme mængder af materiale langt hurtigere og i mange tilfælde mere præcist, end mennesker kan gøre det.

Når det gælder beslutninger, der har stor betydning for borgerne, vil det formentlig stadig længe være en menneskelig sagsbehandler, der træffer afgørelsen, og computerens anbefalinger vil blot være en del af grundlaget for sagsbehandlerens beslutning.

I sager, hvor der gælder utvetydige regler, og hvor der ikke forventes store konsekvenser, kan et kunstigt intelligent system allerede overtage arbejdet.

Christian Harsløf, der er direktør i KL med ansvar for digitalisering og teknologi, forventer, at det offentlige ret hurtigt vil begynde at bruge kunstig intelligens på selvbetjeningsområdet.

”Meget tyder på, at man vil kunne få noget, der minder om en naturlig samtale ud af fremtidens chatbots, så når borgerne henvender sig, vil de kunne få den viden, de skal bruge, eller de kan blive henvist til mere kvalificeret hjælp.”

Harsløf nævner også områder, hvor man indsender ansøgninger digitalt, for eksempel til byggesager eller gravetilladelser. Her kan AI nedbringe sagsbehandlingstiderne, fordi en algoritme meget hurtigt forholder sig til, om der er indsendt tilstrækkelig dokumentation til, at sagen kan blive realitetsbehandlet.

Det offentlige vil også anvende kunstig intelligens til at virkeliggøre nogle af visionerne om fremtidens smart city, hvor sensorer overalt i byen sikrer, at man let kan finde parkeringspladser, at skraldespande tømmes, når de er fulde, og at gadelyset kun tændes, når der er trafik.

Endelig er der sundhedsvæsenet, hvor der blandt andet udvikles løsninger, der kan vurdere røntgenbilleder, scanninger og biopsier for at finde meget tidlige tegn på sygdom.

Det offentlige skifter gear

I praksis er der lige nu ret få eksempler på, at det offentlige anvender kunstig intelligens.

Moderniseringsstyrelsen kortlagde statens brug af avanceret dataanalyse i en rapport fra slutningen af 2018, og rapporten bliver om kort tid fulgt op af en analyse af de foreløbige statslige erfaringer med at anvende AI.

Blandt de instanser, der er i gang med udviklingen, er Fødevarestyrelsen, der vil anvende maskinlæring til at forbedre tilsynet med fødevareproducenter, og Miljøstyrelsen, der vil udvikle teknologien til hurtig klassifikation af habitatområder ud fra billeder fra droner. Landbrugsstyrelsen arbejder med automatiske vurderinger af satellitbilleder i forbindelse med kontrollen med landbrugsstøtte.

De mest fremskredne anvendelser af AI synes at være dem, der handler om penge. Udbetaling Danmark, der drives af ATP, har udviklet en lang række værktøjer til at analysere et meget omfattende sæt af personlige data om danskerne for at forhindre socialt bedrag og forkerte udbetalinger af ydelser.

Som nævnt har Erhvervsstyrelsen en enhed, der udvikler AI til kontrol med virksomheder, og endelig arbejder Skat gennem Udviklings- og Forenklingsstyrelsen med udvikling af avancerede it-systemer.

Den nye digitale infrastruktur kan administrere i realtime

”Over de næste 10-15 år kommer vi til at bygge et nyt systemlandskab, der kan afløse det gamle, og det giver muligheder for at tænke helt anderledes i forhold til, hvordan man administrerer,” mener Andreas Berggreen, direktør i Udviklings- og Forenklingsstyrelsen.

”Det danske skattesystem er stadig – på godt og ondt – præget af den teknologi, der var til rådighed i 1960’erne og 1970’erne. Nogle af de valg, man traf dengang, var præget af, hvad der var teknisk muligt. For eksempel laver man en årsopgørelse, så man betaler skat inden for kalenderåret. Men de begrænsninger findes ikke med de næste generationer af teknologi,” pointerer Berggreen.

”Hvor politikerne ønsker det, kan man afregne skatter og afgifter i transaktionsøjeblikket. Det mest oplagte er at afregne momsen i realtid. Når du køber en liter mælk i Brugsen til ti kroner, så ryger de to direkte i statskassen, og de otte går til Brugsen.”

”Men det ville også kunne gælde visse lønindtægter, hvor den del, du skal betale i skat, bliver afregnet i samme øjeblik. Dem får du aldrig en årsopgørelse for.”

”Det er der lang vej til i Danmark, fordi vi først skal have filtret os ud af en masse gamle skatte-it-systemer, men ikke for andre lande, der er i fuld gang med at gøre især momsafregningen transaktionsbaseret,” siger Andreas Berggreen.