Af Stig Andersen
Flere danske kommuner tager nu kunstig intelligens i brug for at få ledige i job. Siden september 2018 har Silkeborg Kommune således anvendt kunstig intelligens i deres jobcenterløsning til at forudsige risikoen for, at den jobsøgende vil ende i langtidsledighed.
Silkeborg Kommune har en klart formuleret målsætning for anvendelsen af kunstig intelligens på beskæftigelseområdet.
”Vores mål med at anvende kunstig intelligens er at kunne iværksætte de rigtige indsatser på det rigtige tidspunkt ud fra en evidens om, hvad der virker,” fortæller Ann Tversted, funktionsleder i beskæftigelsesafdelingen, Silkeborg Kommune.
Silkeborg Kommune anvender jobcenterløsningen Schultz Fasit, som er i brug hos omkring 55 danske kommuner. Kommunen har sammen med Holstebro Kommune været udviklingspartner for to nye moduler i løsningen – Forberedelse og Forudsigelse. Forudsigelse er en kunstig intelligens-baseret løsning, som ud fra en stor mængde baggrundsdata leverer en liste over de borgere, der er i risiko for at få en ledighedsperiode ud over seks måneder. Forberedelse indsamler automatisk en række informationer, behandler dem og præsenterer i et fagligt overblik med forslag til emner, som beskæftigelseskonsulenten kan bruge til at rådgive borgeren om jobsøgning.
Modulet Forberedelse anvendes i dag af blandt andet Silkeborg, Frederiksberg og Københavns Kommuner. Ifølge beskæftigelseskonsulent Carina Traberg, Silkeborg Kommune, har modulet allerede betydet en optimering af den enkelte konsulents mødeforberedelse.
”Løsningen betyder, at konsulenten ikke selv skal klikke rundt flere steder i to forskellige systemer for at indsamle de informationer, der er relevante mødet med borgeren. Forberedelsesmodulet forventes at kunne reducere forberedelsestiden, så hvis man har seks møder på en dag, sparer man tid, som man i stedet kan bruge på kerneopgaven, som er det individuelle arbejde og dialog med borgeren,” siger hun.
Skal kunne give en begrundelse
På nuværende tidspunkt anvender Silkeborg Kommune modulet Forudsigelse som et strategisk ledelsesværktøj til generel styring ud fra de mønstre, som afdækkes af modulet. Den enkelte konsulent har ikke adgang til modulet.
”Vi kan ikke inddrage den forhøjede risiko for langtidsledighed direkte i dialogen med borgeren, så længe ”maskinen” kun leverer et resultat. På nuværende tidspunkt får vi ikke en oversigt over de faktorer, der har gjort, at borgeren bliver vurderet til at være i risikogruppen, og så længe vi ikke kan begrunde det over for borgeren, vil det være uetisk at inddrage det i dialogen,” siger Ann Tversted, men tilføjer:
”Man skal jo starte et sted, og det her er et godt første skridt. Håbet er, at vi mere systematisk kan finde ud af, hvor skal sættes tidligt ind, samt at vi kan tilvejebringe en evidens, som kan kvalificere vores indsats over for borgeren.”
Simon Svarrer, administrerende direktør i Schultz, fortæller om baggrunden for virksomhedens kunstig intelligens-løsninger.
På spørgsmålet, om konsulenten ikke uden støtte fra kunstig intelligens som regel vil kunne spotte de faktorer, der placerer en borger i risikogruppen for at blive langtidsledig, svarer Tina Fogh, teamkoordinator i beskæftigelsesafdelingen:
”Ofte kan man umiddelbart ud fra sin erfaring og faglighed se, hvorfor en borger risikerer at ende i langtidsledighed. Men vi har også borgere, hvor det er svært at pege på specifikke faktorer. Det ser ud til, at alt bliver gjort rigtigt, men alligevel kommer man ikke i mål. Her vil det kunne hjælpe at få mellemregningerne med som output fra en kunstig intelligens-løsning.”
Også behov for ”bløde parametre”
Lige nu er det en meget stor mængde baggrundsdata som bopæl, sygemeldinger og uddannelse, der er datagrundlaget for løsningen. I alt indgår der omkring 70 parametre i materialet, som kommer fra den meget store mængde data, som på landsplan er opsamlet i Schultz Fasit. Det er dog planen at udvide datagrundlaget med mere ”bløde parametre” som fleksibilitet, omstillingsparathed og motivation.
”For at den type løsninger for alvor skal give værdi er det vigtigt ikke kun at inkludere de helt grundlæggende data. For eksempel ved man, at motivation er en helt afgørende faktor, når det gælder om at komme i job,” fortæller Tina Fogh.
Det er derfor planen, at man på et tidspunkt inkluderer data fra selvscreeningen, som er et spørgeskema, hvor borgeren blandt andet svarer på spørgsmål om graden af motivation på en skala, der – alt efter spørgsmålstype – kan gå fra et til fem.
Værdi for alle
Schultz har arbejdet med at udvikle løsninger, der baserer sig på machine learning-algoritmer, i tre år, og den forventede varighed af ledighedsperioden var det første, man kastede sig over. Allerede i de første forsøg med reelle data fra jobcentre ramte man en træfsikkerhed på over 70 pct., og siden har man tunet de bagvedliggende modeller og dermed øget træfsikkerheden.
”Man skal forstå, at udvikling og implementering af machine learning-løsninger ikke bare kommer af sig selv. Der ligger meget håndholdt arbejde i det, og det skal man anerkende og være klar til, hvis man ikke skal gå i stå, inden man har nået målet,” siger Simon Svarrer, administrerende direktør i Schultz.
Værdien ved denne type løsninger er dog rigeligt indsatsen værd, mener han:
”Det handler helt generelt om at kvalificere indsatsen for at få den ledige i arbejde. Og alle interessenter er vindere: Medarbejderen på jobcenteret bliver frigjort fra rutineopgaver og får bedre datagrundlag til rådighed for selve sagsbehandlingen, den ledige kommer hurtigere i arbejde, og samfundet sparer penge.”
Match mellem job og ledig
I øjeblikket arbejder Schultz på udvikling af en løsning, der ved hjælp af machine learning skal matche ledige med konkrete jobs i virksomheder. Løsningen, som forventes klar i april 2019, leverer blandt andet en visualisering af afstanden mellem borgerens kompetencer og de udbudte jobs. Samtidig peger løsningen på, hvor borgeren kunne sætte ind for at mindske afstanden til jobbet, eksempelvis ved at tage noget efteruddannelse. Derudover kan man se hvilke ord, der bliver anvendt til at beskrive de ønskede kompetencer til jobbet. Det kan man så bruge til at rådgive borgeren til at sætte de rigtige ord på de kompetencer, de har.
Men hvad er kriterierne for et godt match? Og hvilke data skal man kaste efter machine learning-algoritmerne for at de over tid kan blive endnu skarpere på at matche job og den ledige?
”At den ledige er kommet i job er i sig selv ikke tilstrækkeligt som input. Vi skal også have data på, hvor godt det er gået i det job, som den ledige er kommet ud i, minimum udtrykt i varigheden af ansættelsen. Men det er klart vores tanke, at vi med tiden kan indhente data fra andre kilder for at optimere modellerne,” siger Simon Svarrer.
Ann Tversted fortæller, at man naturligvis vil kigge på jobmatch-løsningen, når den kommer ud.
”Det bliver spændende at se, hvor brugbar løsningen bliver. Under alle omstændigheder vil vi se på den, som et værktøj, der skal understøtte vores dialog med borgeren og ikke blot spytte en færdig konklusion ud. Det kan jo være, at data inklusive CV’et peger i en bestemt retning, men borgeren har nogle helt andre jobmål. Det er jo i sidste ende borgeren, der skal træffe et valg, og vi har da i tidens løb oplevet eksempelvis akademikere, som efter eget valg i dag trives rigtig godt med for eksempel at køre bus.”
Bevidsthed om bias
Når man anvender machine learning til forudsigelser baseret på profilering af personer, er der en række etiske problemstillinger, man skal være opmærksom på. En af dem er risikoen for bias, som måske bedst kan oversættes til indbyggede fordomme og stereotyper. Risikoen er, at disse holdninger og fordomme er indlejret i modellerne og datagrundlaget, så resultaterne bliver skævvredet og udfaldsrummet bliver for snævert. Hvordan sikrer man for eksempel, at det stadigvæk er muligt at tænke helt ud af den berømte boks og som ledig akademiker kan få en idé om, at et job som buschauffør i virkeligheden ville være det helt rigtige?
Der findes nogle tekniske svar på spørgsmålet, men man kan også i selve anvendelsen af løsningerne søge at undgå bias-faldgruben.
”Man skal betragte de her løsninger som støtteredskaber for beskæftigelseskonsulenten i dialogen med den ledige. Konsulenten får et bedre grundlag for at yde støtte og rådgivning til den ledige, men der er ingen automatik indbygget i forhold til de beslutninger, der bliver truffet. Så man kan altid snakke sig frem til at gå en helt anden vej,” siger Simon Svarrer.
Beskæftigelsesområdet er ifølge Simon Svarrer også mindre kritisk og dermed også mindre sårbart i forhold til bias end mange andre områder.
”Det her er ikke et spørgsmål om liv eller død, men om at komme hurtigere i job, end det ellers ville være tilfældet. Det giver lidt mere frihed til at lave den her type løsninger,” siger han og nævner en anden fordel ved at anvende machine learning på beskæftigelsesområdet: På grund af de ret omfattende krav til dokumentation på området, er der også en meget stor datamængde til rådighed. Som eksempel nævner han, at man i forbindelse med udviklingen af løsningen til match mellem job og ledig har arbejdet med omkring 20 mio. anonymiserede CV’er som datagrundlag.
Tina Fogh peger på, at risikoen for bias også eksisterer, hvis det er en ”menneskelig” beskæftigelseskonsulent, borgeren sidder overfor.
”Uanset om det er et menneske eller en maskine, man har med at gøre, skal man være bevidst om risikoen for at ramme ind i stereotyperne. Data afspejler jo de faktiske hændelser, så man kunne reelt argumentere for, at en maskine vil være bedre til at eliminere fordomme og stereotyper,” siger hun.
Ingen frygt for ”robotterne”
Trods indførelsen af automatisering og kunstig intelligens-baserede løsninger er der blandt beskæftigelseskonsulenterne i Silkeborg Kommune ikke en frygt for, at deres job bliver ”overtaget af robotterne”.
”Selve kernen i vores arbejde er dialogen og den individuelle rådgivning af borgeren. I den sammenhæng er der rigtig mange forskellige parametre, som ikke kan sætte på en formel,” siger Tina Fogh. Ann Tversted supplerer:
”Det er vel også i orden at automatisere det, man kan automatisere, så vi bruger de kommunale kroner bedst muligt og flytter arbejdsstyrken derhen, hvor det virkelig giver værdi for borgerne. Vi skal jo ikke holde fast i noget for enhver pris, hvis det kan gøres smartere.”
