Kan hver bruker få sitt personlige NAV? Temamøte Kunstig intelligens og maskinlæring, OSDF

Transkript

1 Kan hver bruker få sitt personlige NAV? Temamøte Kunstig intelligens og maskinlæring, OSDF Jonas Slørdahl Skjærpe, NAV Avd. dir. IT Informasjonsplattform 12. juni 2018

2 Utviklingen frem mot 2030 vil kreve at NAV både blir mer effektive og mer treffsikre Velferdsstaten frem mot 2030 Store demografiske endringer Raskere omstillingstakt i arbeidslivet Omstilling og utfordringer med å finansiere velferdsstaten

3 Finansiering av velferdsstaten =

4 Finansiering av velferdsstaten = Barn og ungdom

5 Finansiering av velferdsstaten = Barn og ungdom Studenter

6 Finansiering av velferdsstaten = Barn og ungdom Studenter Arbeidsledige

7 Finansiering av velferdsstaten = Barn og ungdom Sykefravær Studenter Arbeidsledige

8 Finansiering av velferdsstaten = Barn og ungdom Studenter Sykefravær AAP/Uføre/Sosialhjelp Arbeidsledige

9 Finansiering av velferdsstaten = Barn og ungdom Studenter Arbeidsledige Sykefravær AAP/Uføre/Sosialhjelp Pensjonister

10 Finansiering av velferdsstaten = Barn og ungdom Studenter Arbeidsledige Sykefravær AAP/Uføre/Sosialhjelp Pensjonister

11 NAV er med på livets reise Barnetrygd Dagpenger Sykepenger AAP Ikke trygdemottaker Uføretrygd Alderspensjon ÅR 10 ÅR 20 ÅR 30 ÅR 40 ÅR 50 ÅR 60 ÅR 70 ÅR 80 ÅR 90 ÅR 100 ÅR Den norske befolkningen per januar 2014 (og koblingen til NAV.)

12 Selv i den store massen av «Ikke trygdemottakere», ser vi mange over en tidsperiode Andel i arbeidsfør alder (18 66 år) som har mottatt ytelser: 1 mnd 1 år 5 år ca. 1 av ca av 3... ca. 1 av 2

13

14

15 Data og innsikt som en integrert del av digitalisering Data fange, kombinere Analytics lære, utvikle Digitalisering Stordata fange, lære Produkt/ prosess bruk

16 Foreløpig oppsummering - makrobilde Finansiering av velferdsstaten under press NAV har en viktig rolle for å få flere i arbeid. Raskere omstillingstakt, automatisering av jobber NAV vil møte flere av de i arbeidsfør alder oftere. Digital transformasjon og NAVs datatilgang gir NAV kraftfulle verktøy for å møte disse utfordringene. Kunstig intelligens gir mulighet til å hente ut innsikt fra disse dataene og anvende de for å utvikle produkter og prosesser tilpasset den enkelte.

17 Kunstig Intelligens i NAV: 2 initiativer

18 S t o r d a t a l a b

19 Etablering av AI-lab Rekruttering: - 3 spydspisser - Ulike ekspertiser - «Leap of faith» On-boarding: - Møte med NAV - Konkrete prosjekter - Infrastruktur Rekruttering: - 5 nye data scientister - Backlog av use-case - Høy interesse Fast etablering: - Data science pr. sentrale områder/ prosjekter

20 Sophia the Robot Wants Women's Rights for Saudi Arabia Sophia the robot wants a baby and says family is 'really important' Digifrid er Norges første kommunale robot Det jobber et geni i Bergen du aldri har sett

21 AI er den nye elektrisiteten... Som elektrisitet transformerte nesten alt for 100 år siden, har jeg i dag vanskelig å forestille meg en sektor som ikke vil transformeres av AI over de neste årene». Andrew Ng - Chief Scientist at Baidu Research & Stanford Asscociate Professor of AI

22 Interessante analytiske case Produksjonsstyring Digital modenhet Jobbveiledning og jobbmatching Neste beste råd

23 Hvilke kompetanse etterspørres når jeg er ferdig med studiene om 3 år? Må skifte beite etter 15 år i oljesektoren Hvor jobber andre som ligner meg?

24

25 Tekstanalyse Klassifisering Søk

26 fasttext 2.8 mill stillingsannonser med manuell koding Yrkeskategori? (STYRK-08 / ISCO-08) Foreløpig: maskinell klassifisering sammenfaller med manuell tagging i 80% av testsettet

27 job You shall know a word by the company it keeps... Word2Vec... Matros : DEKKSGUTT, LETTMATROS, FISKER, BÅTFØRER, MATROSLÆRLING, MOTORMANNLÆRLING, BÅTSMANN, SKIPSMEKANIKERASPIRANT, OFFISERSASPIRANT (DEKK), MASKINASSISTENT (SKIP), Beregne «relasjon» mellom ulike yrker basert på hvor ofte de opptrer sammen i ulike karriereløp? OFFISERSASPIRANT (MASKIN, DYKKER, MASKINPASSER (SKIP), FØRSTESTYRMANN, ANDRESTYRMANN, ARBEIDSLEDER (BÅTSMANN), STYRMANN, 4.5 mill karrierløp oppsummert som en sekvens av yrkeskoder OVERSTYRMANN, AKVAKULTURARBEIDER, BOREDEKKSARBEIDER

28 Du kan behøve litt ekstra hjelp med å komme tilbake i jobb. Vi ruter deg til Kari som har lang erfaring med søkere med din profil! Du klarer deg nok fint selv. Her får du noen nyttige vink. Høy risiko for å bli ufør! Disse tiltakene har vist seg å ha en forebyggende effekt

29 MVP

30

31 Datadrevet oppfølging Hvor mange tiltak, type og varighet? hvordan beveger brukerne seg mellom ulike ordninger, tiltak og ytelser? Kan vi identifisere problemet tidligere? og pensle brukerne over på et spor med større effekt?

32

33 - Automatisert inntektssikring - Smarte selvbetjente digitale løsninger for alle målgrupper - Data-drevet intelligent veiledning og coaching - gjennom hele livet