Försäkringskassans framgång med AI och syntetisk data

På Försäkringskassan är ett datacentriskt perspektiv och AI viktiga delar av myndighetens framtida transformation och effektivisering. Ann-Charlotte Munkhammar är enhetschef för Tillämpad AI på myndigheten, och har varit det sedan 2019. 

– Mina första år på tjänsten gick vi från att fokus främst varit på utforskande och POC:ar, till att AI nu är ett etablerat leveransområde där vi har utvecklingsteam som arbetar enligt devops-metoden.

Regelstyrt vs bedömningsstyrt

Rätten till ersättning är lagstyrd, där vissa delar är regelstyrda och relativt enkelt går att automatisera. Många andra delar är dock bedömningsstyrda, då tar myndigheten hjälp av AI som bedömningsstöd i vissa delar av handläggningsprocessen. 

– AI hjälper handläggaren att identifiera så kallade ICF-koder i medicinska utlåtanden. Detta har vi implementerat för att göra våra bedömningar mer rättssäkra och effektiva. (Klassifikationen ICF gör det möjligt att beskriva en persons funktionstillstånd, funktionshinder och hälsa utifrån en biopsykosocial modell, reds. anm.)

I arbetet med AI har Försäkringskassan försökt tänka brett kring hur generella funktioner inom exempelvis ML och NLP (Natural language processing) kan kombineras för olika behov. Funktionerna delas internt mellan olika avdelningar som får åtkomst via API:er.

– På så sätt ska många olika avdelningar inom Försäkringskassan kunna dra nytta av funktionerna på sikt, istället för att avdelningar behöver utveckla många liknande funktioner. Olika avdelningar använder sin egen data och egna modeller, men den generella plattformen är gemensam.

Syntetiska data

Kopplat till AI som bedömningsstöd arbetar Försäkringskassan även med syntetisering av data, det vill säga data som framställts utifrån modeller skapade från flera personers data. Man skapar en syntetisk individ med slumpade egenskaper i en kombination som gör att det liknar en riktig person utan att vara det. Datan bibehåller sitt statistiska värde men det går inte att urskilja personerna som datan kommer ifrån.

– På Försäkringskassan har vi mycket känsliga data. Genom att syntetisera datan skapar vi realistisk data som inte har någon koppling till riktig data. 

Varför gör ni det?

– Vi har, som så många andra, ett skriande behov av data. Nu kan vi använda den syntetiska datan som testdata, men även som underlag när vi tränar upp AI-modellerna för att nå högre kvalitet.

– Det kan exempelvis handla om medicinska underlag eller röntgenbilder från tänder, i syfte att använda under utvecklingen av både traditionella system och AI-modeller. 

Koddelning motar kompetensbrist

Och när det gäller samarbete kring lösningar ser Ann-Charlotte Munkhammar att arbetet bara är i sin linda.

– Det vore intressant om vi även kunde dela med oss av kod till open source-världen. Och det skulle vara spännande om vi tillsammans med andra myndigheter kunde tillgängliggöra generella lösningar. Först behöver dock de juridiska aspekterna redas ut.

Detta skulle även kunna vara ett svar på delar av kompetensbristen, menar Ann-Charlotte Munkhammar. 

– Techsverige säger att det år 2024 kommer att finnas en brist på 70 000 personer inom it-sverige, och därför tror jag att alla behöver tänka annorlunda. Vi kan inte bara fortsätta att räkna huvuden, vi måste börja jobba smartare. 

– Vi slåss om samma resurser som företag och andra myndigheter gör. Om vi istället skulle kunna dela med oss ännu mer kan vi driva utveckling på det sättet. Och varför inte börja i myndighetssfären?