Machine Learning bruges til kontrol og effektivisering

De positive erfaringer med RPA-robotter fik i 2016 Data & Analytics enheden i ATP til at arbejde med Machine Learning og Deep Learning. Ikke sammen med robotterne, men som et selvstændigt initiativ til løsning af forskellige opgaver.

Machine Learning i Udbetaling Danmark kører i to spor. Det ene spor er kontrolarbejdet, hvor Machine Learning bruges til at afdække mønstre, der kan indikere fejludbetalinger, herunder bekæmpe snyd med de sociale ydelser. Den fælles dataenhed leverer både data til Udbetaling Danmark i ATP og rapporter om disse mønstre til landets kommuner.
”Et af de store områder for snyd med sociale ydelser er, hvis man er enlig. Det åbner for en række sociale ydelser. Et andet område er, om man er bosat i landet eller ej. Det tredje område er fiktive virksomheder. Machine Learning bruges til at afdække mønstre og kendetegn på snyd, hvor der i forvejen er mistanke. Vi må ikke køre kontrol på alle ydelsesmodtagere, men kun med udgangspunkt i kendte snydemønstre,” siger underdirektør Torben Christiansen, ansvarlig for Data & Analytics enheden i ATP.
Et symptom på socialt snyd er de såkaldte ”fædrehoteller”. Her bor en række enlige fædre på den samme adresse på få kvadratmeter med lav husleje og et meget lavt forbrug af el og vand. Dette og andre eksempler er med andre ord en proforma-adresse, som er med til at sikre samleveren eller ægtefællen adgang til de sociale ydelser som enlig.

”Det handler om, hvad vi vil bruge data til. Maskinerne kan samkøre data mere effektivt, end mennesker kan. Men vi sætter ikke bare maskinerne i gang og bruger Big Data til at fange snydere blandt alle modtagere. Vi bruger algoritmer til at afdække kendte mønstre for at blive bekræftet i om der foregår af  snyd,” siger Torben Christiansen.

Regeringen trækker forslag
Beskæftigelsesminister Troels Lund Poulsen (V) har i august trukket et forslag tilbage om at overvåge befolkningens elforbrug, som jo teknisk godt kan lade sig gøre med digitale måleraflæsninger. Formålet med regeringens forslag var at afsløre socialt snyd. Men beskæftigelsesministeren siger, at indsatsen mod snyd ikke må betyde, at vi overvåger alle borgere.
Effektiviseringsdagsorden
Det andet spor med Machine Learning i ATP er effektiviseringer. Hvor RPA-robotterne kan programmeres til at anvende data og gennemføre transaktioner, kan man via Machine Learning træne algoritmer til at lære noget af data. De kan så at sige gå bag om data og kortlægge mønstre i disse. ATP har kørt en række pilotprojekter i 2017, som kan hjælpe sagsbehandlere. Noget af sagsbehandlernes arbejde går ud på at udlede data fra dokumentation for at kunne beregne en særlig ydelse. Machine Learning bruges til at identificere de relevante sagsdokumenter. Er det en lønseddel, er det en ansættelseskontrakt? Derudover kan de hente data fra dokumenterne og fortolke data med udgangspunkt i forretningsregler.
”Det har det perspektiv, at algoritmen kan hjælpe kunderådgiverne med at træffe en kvalificeret afgørelse. En ret stor del af sagsbehandlingen er at udlede og forholde sig til data. Der ligger et anseligt potentiale i at bruge Machine Learning til dette,” siger Torben Christiansen.

Mange opkald
En anden udfordring er, at ATP får 2,5 mio. opkald om året til kundeservice. Mange af de spørgsmål, som kunderne stiller, vil ATP gerne kunne forudsige. Derfor vil de ved at forudsige, hvad kunderne ringer om kunne hjælpe folk mere målrettet. Det kan bestå i, at man får den rigtige medarbejder i røret, eller i at sende en SMS med et relevant link med hjælp til borgeren. Men når ATP kender formålet med et opkald, kan det også automatiseres ved brug af en såkaldt talesyntese, hvor man sætter en maskine til at indtale en besked, som man tror svarer på kundens spørgsmål.