Kunstig intelligens i Lånekassen

Kunstig intelligens i Lånekassen

7. desember 2017 Lånekassen 3

 

Vi har undersøkt, vurdert og prøvd ut hvordan kunstig intelligens kan bidra til at vi blir mer effektive. Da vi startet arbeidet, var dette i stor grad upløyd mark i Norge. Derfor vil vi dele erfaringene våre, og har noen råd til dere som vil utforske kunstig intelligens som mulighetsområde.

Last ned hele rapporten her (ekstern lenke).

I dag snakker mange om hvordan kunstig intelligens vil kunne bidra til å forandre livene våre og måten vi jobber på, og de fleste virksomheter har begynt å vurdere potensialet i kunstig intelligens. Vi er en av dem. Men i motsetning til mange andre, har vi faktisk tatt steget og utforsket hvordan vi kan utnytte dette potensialet.

Kunstig intelligens er ikke et isolert tiltaksområde

Vi er midt i et såkalt paradigmeskifte der kunstig intelligens kombinert med skyløsninger og stordata vil være den neste store drivkraften til endringer i organisasjoner og systemer. Vi opplever at mange i dag diskuterer kunstig intelligens som et isolert tema og tiltaksområde. Det er viktig å se utviklingen innen stordata, skyteknologi og kunstig intelligens som flere viktige drivere i arbeidet med å oppnå økt effektivitet og bedre og mer kundeorienterte løsninger.

I Lånekassen har vi lenge vært opptatt av skyløsninger. Skyteknologi legger til rette for bruk av kunstig intelligente løsninger, og det er først når man kommer «ut i skyen», at man mest effektivt vil kunne ta ut effektene. Samtidig er vi, som alle andre virksomheter, avhengige av tilstrekkelige, korrekte og tilgjengeliggjorte data. Uten data, ingen kunstig intelligens.

Fra snakk til action

Lånekassen har en sterk historikk på modernisering og digitalisering for å sikre mer effektive og kundetilpassete tjenester. Majoriteten av våre tjenester er nå automatiserte. Kunstig intelligens kan sikre effektiviseringsgevinster som går utover effektene vi får ved ytterligere automatisering.

Da vi satte i gang arbeidet våren 2017, fantes det lite kompetanse, erfaringer, “ut av boksen”-løsninger og fasiter for hvordan en virksomhet som Lånekassen kunne ta i bruk mulighetene som ligger i kunstig intelligens. Vi fikk derfor rom og gehør for en prosess som lot oss eksperimentere, med læringsmål som prioritet.

Et konseptarbeid med utprøving av moden teknologi

Vårt arbeid hadde tre mål:

  • å få økt kunnskap om, forståelse for og bevissthet rundt kunstig intelligens som tematikk og mulighetsområde
  • å få oversikt over mulige og nærliggende områder der kunstig intelligente løsninger kan bidra til effektivisering
  • å opparbeide egen og domenespesifikk erfaring gjennom eksperimentering

Arbeidet var basert på utforsking og læring, i tillegg til å få erfaring gjennom konkrete enkelttiltak og pilotering. Vi har hovedsakelig jobbet i arbeidsgrupper og autonome team. Med utgangspunkt i en hypotesebasert tilnærming, utforsket vi konkrete problemstillinger og mulighetsområder, særlig relatert til maskinlæring og virtuelle assistenter.

Vi valgte å teste ut etablering av en virtuell assistent og utforsking av maskinlæring. Kriteriene for at vi valgte nettopp disse områdene og de spesifikke eksperimentene var:

  • modenhet, at det finnes løsninger som er mulige å ta i bruk i dag
  • skalerbaret, at det er potensielt flere anvendelsesområder
  • effekt, potensiell høy effekt – både for Lånekassens kunder og virksomheten

Intern testløsning

I stedet for å utforske en virtuell assistent (chatløsning) i Lånekassens kommunikasjon med kundene, utviklet vi våren 2017 en intern testløsning i forbindelse med lanseringen av en ny samhandlingsplattform. Introduksjonen av samhandlingsplattformen krevde mye opplæring av de ansatte. Vi ville derfor utforske hvordan en kunstig intelligent løsning kunne gjøre det mer effektivt for Lånekassens ansatte å ta i bruk den nye samhandlingsplattformen. Utprøvingen ga samtidig samtlige ansatte en viss innsikt i hva en virtuell assistent er.

Vi eksperimenterte også med maskinlæring, blant annet ved å se på og vurdere mulighetene for å lage en modell som kan forbedre uttrekket til en årlig bokontroll. Modellen predikerer sannsynligheten for feilaktig bostatus blant Lånekassens kunder. Utforskningsarbeidet vårt innen maskinlæring har gitt svært gode testresultat. Vi lyktes med å lage en modell som klarte å finne komplekse kombinasjoner av mange variabler i data, og som dermed klarte å predikere svært godt.

Hva har vi lært av arbeidet – hva kan andre lære av oss?

Utforskingen har gitt økt kunnskap, utprøvingen har gitt oss praktisk erfaring og involveringen av store deler av organisasjonen har gitt oss ideer til nye tiltak. Vi mener at andre aktører, offentlige som private, særlig kan dra nytte av disse rådene:

  • Kom i gang, skap rom og gehør i toppledelsen for læring.
  • Eksperimenter på områder med potensial for skalering.
  • Jobb hypotesebasert, legg bort rigide prosjektmodeller.
  • Bryt ned murene – arbeidet krever et særlig integrert samarbeid mellom avdelinger.
  • Fokuser på funksjonell nytte, ikke på nyhetsverdien med å ha en «bot».
  • Ikke undervurder hvor mye tid arbeid med uttrekk, klargjøring og tilrettelegging av data tar.
  • Utforsk samarbeid med interne og eksterne miljøer man i vanlige prosesser ikke snakker veldig mye med.
  • Ha et kombinert forretningsmessig, teknologisk, it- og regulatorisk perspektiv i utviklingsarbeidet.

 

Hva gjør vi videre?

I tida framover vil Lånekassen vurdere videre utforsking på enkeltområder og gjennomføring av konkrete effektiviseringstiltak. Særlig handler dette om tiltak der kunstig intelligens kan effektivisere forretnings- og kontrollprosesser, og for å legge til rette for bedre og mer effektiv kunde- og saksbehandling.

Vil du vite mer om utrednings- og eksperimenteringsarbeidet vårt?

Last ned hele rapporten her (ekstern lenke).

 

 

Severin B. Hanssen
Leder forretningsutvikling
Snorre Visnes
Utvikler

 

3 kommentarer

  1. Erik Aaron Hansen sier:

    «Vi eksperimenterte også med maskinlæring, blant annet ved å se på og vurdere mulighetene for å lage en modell som kan forbedre uttrekket til en årlig bokontroll.» Dette hørtes helt vilt interessant ut. Hva legger man i at dere lyktes «svært godt» her?

    • webmaster sier:

      Hei!

      Vi ser muligheter for bruk av maskinlæring på flere områder. Når vi skriver at modellen i dette testcaset klarte å predikere svært godt, så peker det på treffraten til modellen sammenlignet med et tilfeldig uttrekk. Eksperimentet vårt (en Proof of Concept) viste for eksempel at vi kunne redusere uttrekket med 75 prosent og fremdeles finne 7 av 10 med feil bostatus. Det står litt mer om dette i rapporten det er linket til i posten om du er interessert og vil lese mer 🙂

      Vennlig hilsen,
      Severin B. Hanssen

  2. Hanne Lystad sier:

    Dette er superspennende, takk for at dere deler erfaringene deres!

Legg igjen en kommentar

Din e-postadresse vil ikke bli publisert. Obligatoriske felt er merket med *

Dette nettstedet bruker Akismet for å redusere spam. Lær om hvordan dine kommentar-data prosesseres.