Lånekassen med maskinlæringsinnovasjon

Lånekassen utforsket i høst hva som kreves for å sette kunstig intelligens i stand til å gi saksbehandlere støtte til å utføre manuelle oppgaver. Målet er enda mer effektiv saksbehandling.

Publisert: 2020-03-04

Lånekassen_Marie og Andreas_660px.jpg
Marie Wiig og Andreas Thyholt Henriksen fra Norconsult Informasjonssystemer (NoIS) har vært med på å vurdere arbeidsprosessen med å legge til rette for bruk av kunstig intelligens, og utforske hvilke verktøy som kan fungere for Lånekassen


Store deler av saksbehandlingen er i dag fullt ut automatisert, men Lånekassen utfordres av at det fortsatt er relativt mange saker som må behandles manuelt. Derfor har Lånekassen sett på hvordan maskiner kan ta i bruk avgjørende informasjon for behandling av ulike saker, og skape et støttesystem som hjelper saksbehandlerne å ta bedre beslutninger mer effektivt.

– Vi har over lang tid digitalisert og automatisert kjerneprosessene våre for å bli mer effektive. Nå tyder utviklingen på at vi har kommet til et metningspunkt, og vi ser et potensial i å bruke avansert analyse for å støtte interne prosesser. Vi var tidlig nysgjerrige på maskinlæringsteknologi. Nå ser vi at teknologien kan hjelpe oss med å jobbe enda smartere, og forbedre beslutningsprosessene våre, sier Gustav Aagesen, leder for data og informasjonsforvaltning i Lånekassen.

Lånekassen har lenge vært langt fremme med effektivisering av saksbehandling ved hjelp av ny teknologi. For eksempel tok Lånekassen i bruk kunstig intelligens i kontroll av studenter som har fått omgjort deler av lånet til stipend, på grunn av at de har bodd borte fra sine foreldre. Støtte av maskinlæring i kontrollen var svært vellykket, og saksbehandlerne oppdaget like mange studenter som ikke var i stand til å dokumentere bosted – selv om bare halvparten så mange ble tatt ut i kontroll. Færre studenter måtte bruke tiden sin på å sende inn dokumentasjon og saksbehandlingskostnadene ble betydelig redusert.

Utforsker mulighet for bruk av kunstig intelligens i saksbehandlingen
– De gode resultatene vi fikk da vi tok i bruk kunstig intelligens i bokontrollen ga mye oppmerksomhet. I ettertid har vi utfordret oss selv og rammene for hva vi kan gjøre. Vi ser at de tryggeste rammene, som gir best læring for virksomheten, er å lage gode mekanismer for å støtte våre interne prosesser. Mestrer vi dette, kan vi også begynne å se på bruk av avansert analyse til å forbedre kundeopplevelsen eller i vårt arbeid med tredjeparter, forteller Aagesen.

Derfor ser Lånekassen, sammen med Norconsult Informasjonssystemer (NoIS), på hvordan de kan bygge et eget teknisk analysemiljø som best mulig støtter prosessen fra utforskning og utvikling, til forvaltning av løsninger som benytter kunstig intelligens.

– Vi jobber med å få organisasjonen til å være åpen for en prøv-og-lær-mentalitet, og utforsker hva som må til for at vi skal kunne integrere kunstig intelligens og maskinlæring som en del av verktøykassen vår, forklarer Aagesen.

Brøytekjøring for en digital fremtid
NoIS har vært med på å vurdere arbeidsprosessen med å legge til rette for bruk av kunstig intelligens, og utforske hvilke verktøy som kan fungere for Lånekassen. Målet er å opparbeide seg nok erfaring og modenhet til at Lånekassen kan gjøre alt arbeidet selv.

– Vi har fått være med på det som Lånekassen anser som et brøytekjøringsprosjekt som skal forberede Lånekassen på en datadrevet fremtid, der metoder som maskinlæring vil bli uunnværlige, sier Andreas Thyholt Henriksen fra NoIS.

Henriksen og kollega Marie Wiik fra NoIS begynte å jobbe for NoIS i august, og gikk rett inn i Lånekasseprosjektet uken etter. Begge har bakgrunn fra studier på NTNU innen henholdsvis Kybernetikk og robotikk og Datateknologi.

– Lånekassen har vært motiverte for å få på plass bedre rammer for maskinlæring, og vi har sett på tre ulike områder. Det første har omhandlet juridiske rammer, som går på retningslinjer for bruk av data. Det andre på å etablere en «arbeidsbenk» hvor Lånekassen selv kan gjøre analyser og utvikle nye løsninger, og det tredje området gikk på å undersøke mulige bruksområder der maskinlæring og kunstig intelligens kan støtte den manuelle saksbehandlingen hos Lånekassen, forklarer Wiik.

NoIS har gjort arbeid knyttet til verktøybehov for analytikere og utviklere av løsninger, og hvordan dette skal spille sammen med øvrig infrastruktur, både med tanke på teknologi og sikkerhet. Dette innebærer for eksempel å ha beregningskraften tilgjengelig for å utvikle kompliserte modeller, prosesser for å produksjonsette modeller og andre verktøy man ønsker innen maskinlæring.

– Lånekassen har vært overraskende åpne for ny teknologi, noe som er veldig positivt for deres interne virksomhet, men også som en foregangsorganisasjon for teknologisk utvikling. For en del tradisjonelle miljøer har det ofte vært en høyere terskel for å se på maskinlæring som en del av daglig produksjon og integrert med eksisterende systemer. Det er spennende å få ta del i denne prosessen hos Lånekassen, sier Wiik.

En viktig retningslinje i arbeidet har vært at maskinlæring skal innarbeides som en støtte for manuell saksbehandling, ikke en erstatning.

Lånekassen har hatt stort utbytte av å ha Henriksen og Wiik med i prosjektet, og ser at tilnærmingen til bruk av konsulenter i arbeid med ny teknologi fordrer nye rammer for prosjektdeltagelse.

– Vi jobber med helt ny teknologi, og å finne konsulenter som kan hjelpe oss med å gjøre noe som ingen har gjort før er utfordrende i seg selv. Derfor er det verdifullt å ta inn konsulenter tidlig i prosessen, slik at man kan vise dem hva behovet i virksomheten virkelig er. Her ser vi at maskinlæringsprosjekter skiller seg ut fra vanlig systemutvikling. Siden oppgaven og resultatet er så uforutsigbart, må konsulentene inn på et tidligere tidspunkt enn vanlig, slik at de kan gjøre seg kjent med alle de ulike mulighetene som ligger i virksomhetens data og hva slags behov virksomheten har. Gitt at man kommer dit at maskinlæringen blir satt i produksjon krever slike løsninger i tillegg en annen type forvaltning. Det gjør at konsulentene må følge virksomheten lengre for å sikre overføring av kompetanse, sier Aagesen.

Profilbilde av Thomas Hjelde Thoresen
Thomas Hjelde Thoresen
Teamleder Maskinlæring & AI
 

Nyheter

- av 234