@Nina_Berlin Okej. Toppen!

Om målet är att komma till handling och göra det mer operativt - om projekt och privata sektorn inte engagerar sig så är jag nyfiken på hur AI ska förverkligas? Nu är jag inte insatt i den här processen men projekt slutar väl ofta i upphandlingar? Eller kan man ändra på eller komma runt det?

Skälet till att jag tar upp det är för att många jag känner på den tekniska sidan numera flyttar eller jobbar remote mot företag utomlands eftersom möjligheterna här är relativt få och sällan konkurrerar. Om öronen dras åt då så känns det oroligt -- vi måste nog hitta et sätt så det inte gör det. Den lilla tekniska kompetens som finns är väldigt eftertraktad och jagad. Alla länder vill nämligen satsa på AI nu. Enligt regeringens direktiv ska Sverige tydligen bli bäst i världen. I rapporten 2023 står det att det skulle bespara ~140 miljarder SEK med gammal AI-teknik om den bara fanns idag så nu är det nog betydligt mer.

Jag tror det finns två perspektiv här: det jag misstänker du menar när du tänker "stödja personen" så är det lära folk att använda olika byggda AI-verktyg. Det är jag jätteför, och det behövs ett jättejobb när de är på plats. Jag har inget konkret svar här, mer än att man måste locka med hur lätt det är att använda AI ibland än att göra jobbet själv. Att bli latare och samtidigt bli effektivare är ett lättsålt incitament

Det perspektiv jag har med mig och tänker mig är implementation av ovan verktyg som medarbetarna kan börja använda. De måste byggas först och skräddarsys. Varje myndighet kommer att ha egen data och egna processer. Detta kräver ofta team och flera år av studier i matematik, datahantering och programmering för varje individ i teamet.

För att illustrera kring ett enklare case: Säg Skatteverkets system som sorterar deras inkommande mail och vidarebefordrar dem till rätt personal/avdelning. Först så krävs det behandling av historiska mail och vart de har sorterats -- med kod eftersom det säkert är miljontals. Vad är skatteverkets kategorier? Vem ska ha vad? Sedan krävs det rensning av all data. Sedan kan man börja träna modeller och utvärdera dem. Vad är då viktigt för denna myndighet? Precision? Recall? När blir det felsorterat och varför? Hur bra kan vi få till de nyckeltal vi letar efter? Först nu kan vi implementera data-pipelines och produktionssätta modellen i praktiken, och inte förrän den är igång kan man säkert mäta intern effektivitet.

Community på Sveriges dataportal

fredrik_ohrstrom