Når kunstig intelligens skal spare virksomhederne for bøvl – men ikke træffe beslutningerne

I medierne har man flere gange kunnet læse om, hvordan Erhvervsstyrelsen anvender kunstig intelligens til at finde og stoppe svindlere og stråmænd. Ved at udnytte teknologiens muligheder for at se mønstre i store datamængder, kan sagsbehandlere mere målrettet gå efter svindlerne. På den måde kan antallet af kontroller hos ansvarlige virksomheder mindskes, så de ikke forstyrres unødigt.

I Erhvervsstyrelsen bruges kunstig intelligens imidlertid på flere niveauer til at lette arbejdet for danske virksomheder. Det gælder fx Branchekodevælgeren, som hjælper virksomheder med at vælge de rette hoved- og bibrancher. Alle danske virksomheder har en branchekode, og den har blandt andet betydning for en virksomheds skat, moms, afgifter og forsikringspræmie. Det er derfor vigtigt, at man får fat i de rette koder.

Det er blandt andre Rikke Skytte Randløv og Rasmus Kræmmer Rendsvig, der arbejder med at tilbyde kvalificeret hjælp, når virksomheder indsender oplysninger til det offentlige.

I valget mellem tusindvis af koder er kvalificerede anbefalinger belejlige

”I nogle af de løsninger, vi arbejder med, skal virksomheder kunne finde de koder eller tekniske betegnelser, som passer dem, i store hierarkier med mange lag. Desværre kan det være lidt uklart i hvilke af de mange hovedkategorier, man skal lede efter de relevante kategoriseringer. Hvis man gerne vil undgå at overse noget relevant, kan en manuel søgning derfor gå hen og blive en temmelig tidskrævende proces”, fortæller Rasmus om en af de opgaver, de sidder med. 

Når valget af en betegnelse kan ende med at have betydning for, om man som virksomhed fx bliver valgt som leverandør til en opgave eller får lov til at eksportere en vare, kan det være væsentligt, at man finder så mange retvisende betegnelser som muligt. Derfor sidder Rikke og Rasmus og træner machine learning-modeller på tidligere teksteksempler, så de rette betegnelser til konteksten kan anbefales.

”Vi ved, at det kan være vanskeligt og tidskrævende for virksomheder at overskue visse valg, samtidig med at det kan have stor betydning for dem. Nogle genbruger bare tidligere valgte betegnelser, selvom det ikke er de mest relevante længere, eller får bare ikke valgt alle de relevante betegnelser, fordi de giver op på at finde flere. Nogle hyrer konsulenter for at løse opgaven - men det skulle helst ikke være så vanskeligt! Med machine learning kan vi simplificere processen”, uddyber Rasmus.

Kunstig intelligens og kritiske spørgsmål går hånd i hånd

I praksis lærer machine learning-modellerne gennem data fra tidligere tekster med tilknyttede betegnelser, hvilke forslag der er relevante, ud fra den tekst virksomhederne indsender. Arbejdet med modellerne bliver altid fulgt nøje af undersøgende spørgsmål for at sikre, at anvendelsen af kunstig intelligens foregår ansvarligt.

”Vi overvejer altid, hvilke konsekvenser anbefalingerne fra vores modeller kan få. Når den største konsekvens er, at man kan blive foreslået en misvisende kode, er der naturligvis mindre på spil, end når vi taler om, hvorvidt man kan blive taget ud til kontrol for svindel. Men uanset arbejder vi altid med kontinuerligt at forholde os kritisk til løsningerne. Inden vi går i gang med at udvikle en model, forholder vi os altid til en række spørgsmål: Hvad er formålet med løsningen? Hvorfor vi vil bruge kunstig intelligens til opgaven? Hvilket datagrundlag er der? Hvilken fremgangsmåde foreslår vi? Er der nogen GDPR-hensyn? Hvilke faldgruber skal vi være opmærksomme på? Hvilke konsekvenser kan løsningen få?”, forklarer Rikke.

En hjælp til at træffe beslutninger – for Erhvervsstyrelsen og danske virksomheder

I arbejdet med at sørge for, at virksomhederne bliver præsenteret for de mest brugbare forslag, har Rikke og Rasmus arbejdet ud fra en præmis om, at teknologien – hvis der er tvivl – hellere må anbefale brugeren en mere overordnet kategori, den er sikker på, end en specifik betegnelse i en kategori, der måske er misvisende.

”Vi kan for eksemplets skyld forestille os, at man skal bruge en kode for en bil – men ikke bare en hvilken som helst bil: en Honda. Hvis systemet ud fra den angivne tekst ikke kan specificere bil-typen, så skal den hellere foreslå at gå en kategori op til ”bil” fremfor fejlagtigt at foreslå ”Toyota”, men uden at starte helt oppe ved ”transportmiddel”, eksemplificerer Rasmus.

Erhvervsstyrelsen arbejder løbende på at gøre hjælpen til danske virksomheder mere effektiv og simpel. Men kunstig intelligens træffer aldrig selv beslutninger i løsningerne, ligesom den heller ikke træffer beslutninger på vegne af virksomheder. Teknologien bruges til vejledning og beslutningsstøtte – hvilket kan gøre en stor forskel, når relevante forslag kan betyde en stor effektivisering og formindsket forvirring i et hav af muligheder.