I SKAT arbejder mennesker og maskiner med og ikke mod hinanden. Den ene kan ikke erstatte den anden, for det er den viden, de til sammen skaber, der giver gode resultater.
Det har været sagt en masse gange de seneste år: ”Robotterne kommer”. Forskere fra Oxford University har tidligere meldt ud, at 54 % af jobbene i Europa forsvinder på grund af automatiseringen, og de er kun nogle blandt mange, der har råbt op om robotternes indtog. Men der er også dem, der står på modsatte fløj.
”Det er ligesom alle andre teknologiske muligheder. Robotter og kunstig intelligens kommer ind og supplerer arbejdet, så dem, der laver noget, kan blive bedre. Det vil ikke i særlig høj grad overtage jobbet, men det kan selvfølgelig aldrig helt undgås,” siger Kaster Støy, der er professor i kunstig intelligens og robotteknologi på IT-Universitet.
Samme holdning har Søren Ilsøe, der er underdirektør for Teknologi, Data & Sikkerhed i SKAT. I de seneste år har SKAT hjemtaget store datamængder til en samlet databank og lavet avancerede dataløsninger med bl.a. machine learning, der gennem analytiske modeller kan danne ny indsigt til nye forretningsudvikling og nye tiltag på bestemte arbejdsområder.
”Det, der sker i øjeblikket, er i mine øjne et udtryk for en yderligere digitalisering af erhvervsstrukturen og samfundsøkonomien, der ændrer arbejdsprocesserne og rollerne på arbejdet, men som ikke gør mennesket arbejdsløst,” forklarer Søren Ilsøe.
Automatisering frigiver tid
Da SKAT for tre år siden startede på at hjemtage endnu flere data til en ny databank, var det for at blive mere proaktive og få en bedre forståelse borgere og virksomheders adfærd ved at bygge avancerede analytiske modeller, der kunne hjælpe medarbejderne. Det er ikke sådan, at SKAT bare kan hjemtage al data, og så sætte en automatiseret robot til at overvåge alle data. Der er både databeskyttelseslov og persondatalov, som de skal tage hensyn til, og data skal i hver løsning beskyttes og godkendes ud fra lovgivningen.
Et eksempel på en af de analytiske modeller er en løsning, der skulle undersøge mønstre i opkaldene til SKAT for at mindske ventetiden på telefonen. Derfor har analytikere i SKAT sammenkørt data fra kundecenteret opkalds-log med data fra tast-selv løsningerne på skat.dk for at se, hvor det er på hjemmesiden, at folk ikke helt kunne forstå indholdet og derfor ringede ind til SKAT. Det gav en bedre forståelse for, hvilke dele af vejledningen på hjemmesiden, der kunne optimeres for at minimere antallet af opkald og vejlede borgere bedre. På samme måde har andre analytiske modeller forhindret en række uberettigede forsøg på at opnå større fradrag på sin årsopgørelse, end man var berettiget til.
Tidligere foregik lignende arbejde manuelt. Medarbejdere i SKAT kunne bruge lang tid på at finde data og kigge lister igennem, før de kunne reagere på det, de fandt mistænkeligt. Det er de processer, som Søren Ilsøe og hans afdeling bl.a. automatiserer ved at bygge analytiske modeller ud fra relevante data, så modellerne kan se data igennem for de adfærdsmønstre, som kontrolmedarbejdere normalt leder efter. Det er både hurtigere og giver et bedre resultat.
Det blev dog ikke altid lige godt modtaget i starten, da Søren Ilsøe og hans afdeling begyndte at arbejde med de analytiske modeller og automatisere processer, men der er god grund til at gøre det, mener han.
”Vi kan sætte de analytiske modeller til at gøre arbejdet med data smartere og se ting, som menneskerne normalt ikke ville se med det blotte øje. Derved kan vi samlet set danne en meget bedre indsigt, end et menneske kan på egen hånd. Det har medført, at det samme antal medarbejderne kan udføre mange flere kontroller, fordi de ikke skal bruge tid på manuelt at kigge en masse lister igennem.”
Et andet eksempel var, da SKAT skulle gennemføre 30.000 korrektioner i systemerne. På den manuelle måde ville det normalt tage en fuldtidsmedarbejder et år at gøre det. Det tog robotten 14 dage at gøre det.
Mennesker og maskiner
De automatiserede processer betyder dog ikke, at machine learning og analytiske modeller overtager medarbejdernes arbejde. Tværtimod. De skal arbejde tæt sammen for at opnå gode resultater.
”Machine learning er ikke bare kunstig intelligens, vi slipper løs, og så passer modellerne sig selv – som nogen tror. Vi er nødt til at holde øje med, om modellen fortsat er på rette spor og gør det, som den skal,” forklarer Søren Ilsøe.
Derfor ser han heller ikke maskiner og mennesker som to modsætninger. De skal i stedet for arbejde tæt sammen. Når medarbejdere gennemgår lister manuelt, opnår de en træfsikkerhed i personer og virksomheder, der udtages til kontrol på cirka 25 %. Hvis en maskine skal gøre det samme uden medarbejdernes input, er træfsikkerheden måske under 10 %. Men når man kombinerer medarbejdernes viden og de analytiske modellers evner, når modellerne typisk op på 50 % sikkerhed. Til at starte med. Med yderligere feedback fra medarbejdernes viden kan træfsikkerheden stige yderligere.
Det er også derfor, at Kasper Støy ikke tror, at robotter overtager menneskers job. For der skal et menneske til for at få data ind i systemet og kontrollere det.
Sådan er det også i SKAT. Selvom machine learning modellerne i et vist omfang er selvlærende, er det stadig nødvendigt med medarbejdernes viden til at sikre indholdet. Det kan være, at medarbejderne giver feedback på, hvor meget modellen ramte rigtigt, og hvis gentagende fejl opstår, kan det rettes til. På den måde opnår modellen mere viden og bliver mere præcis. På bestemte kontrolområder har samarbejdet betydet, at modellerne har en træfsikkerhed på op til 90 % på de gode dage.
”Det er vigtigt at træne modellerne. Det er ligesom at opdrage børn. Man kan ikke bare lukke børnene inde på et værelse i tre år og så krydse fingre for, hvad der kommer ud. Du er nødt til at træne og give gode input i opdragelsen. Sådan er det også med analytiske modeller,” forklarer Søren Ilsøe.
Nye kompetencer
”Der er nogle ting, som maskiner er gode til, og nogle ting, som mennesker er gode til,” siger Kasper Støy.
Netop de opgaver, som mennesker er gode til, er noget af det, der er blevet ændret med robotternes ankomst. For når robotterne overtager nogle af de vante opgaver, skal de medarbejdere udføre andre opgaver.
Samtidig kalder den store brug af data på medarbejdere, der forstår den bagvedliggende matematik, som modellerne er bygget på. Derfor har SKAT mere end 30 data scientists, som forstår algoritmerne, mens andre medarbejdere er mere specialiserede inden for it-værktøjer og forståelsen af forretningsområder.
”Det er en svær rolle, hvis man forventer en rockstjerne, der kan forstå alt, hvad der foregår i forretningsområdet, alt på matematikken og alt fra it-området. Det ville være en drøm for en leder, men er samtidig for stor en forventning at stille med i en kompleks virksomhed,” siger Søren Ilsøe.
Han tror, at der fremadrettet kommer flere medarbejdere, som forstår lidt af alle tre områder, og at opgaverne i højere grad handler om, hvordan man kan automatisere processerne og løse opgaverne smartere. Det er det mindset, som hans medarbejdere skal have og som der bliver flere og flere af.