Din klage på parkeringsgebyr kan bli avgjort av et dataprogram og maskinlæring

OSLO (digi.no): Parkeringsgebyr er noe av det vi klager mest på. Hvert år må saksbehandlere vurdere mange tusen klager fra bilister, som mener at gebyret er feil ilagt.

I sommer har NTNU-studentene Marianne Magnussen og Christopher Lofsberg utviklet en dataløsning som delvis kan overta jobben og effektivisere saksbehandlingen.

Den ferdige løsningen ble til mens de to hadde praksisplass hos IT-konsulentselskapet Knowit, som viderefører produktet og ønsker å selge det inn til Oslo kommune, men også andre.

– Det er stor interesse for å ta i bruk teknologien. Vi tror det blir business av dette i løpet av kort tid, sier avdelingsleder Lars Ivar Næss i Knowit Objectnet.

Har tygd seg gjennom 4.500 klager

Stikkordet er maskinlæring. Og kanskje digitalisering i praksis?

Allerede oppnår de en treffprosent eller riktig svar i rundt 85 prosent av klagene som blir behandlet i et pilotprosjekt.

Det er basert på opptrening med maskinlæringsalgoritmer som har fått tygge på 4.500 klager på parkeringsgebyr i Oslo kommune. Like mange som er kommet inn siden januar i år.

Fritekst hentet fra selve klagen, samt overtredelseskode er det systemet i dag baserer seg på.

– Systemet blir bedre og bedre etter hvert som det samler mer data. Vi presenterte det for Bymiljøetaten i midten av august. De ville gjerne gå et steg videre og koble det mot bildebevis. Betjentene tar også bilder av feilparkerte biler. Den koblingen er teknisk mulig å gjøre, men vi har ikke gjort det ennå, sier Næss.

Mindre rutinearbeid

Malte Loller-Andersen og Manu Gopinathan er to sivilingeniører og IT-konsulenter hos Knowit som har overtatt prosjektet etter sommerstudentene dro tilbake til Trondheim. Begge er sentrale ressurspersoner i selskapets faggruppe for maskinlæring.

Hvor nøyaktig systemet klarer å predikere riktig varierer. Det er topper med 88 prosent, men snittet ligger på 85 prosent rett på om klagen skal innvilges eller avslås, målt etter fasiten som ligger hos saksbehandleren, forteller de.

– Tanken er å frigjøre saksbehandleren fra rutinearbeid, så de kan bruke mer tid på mer kompliserte oppgaver, sier Næss.

Kan dette allerede i dag kutte ned på tid brukt av saksbehandlere?

– Ja, det er det vi mener.

For å øke treffprosenten ytterligere trengs mer data. Det vil si flere klager. Oslo kommune ser ut til å motta omtrent 5.000 klager på parkeringsbøter i år. Eldre data kan ikke utviklerne bruke.

– En utfordring er at det kom nye parkeringsregler i begynnelsen av 2017. Det gjorde at alle data som var samlet inn tidligere ikke var gyldige lenger, sier Gopinathan.

Fritekst og mange språk

Foruten de viktige rådataene er det programmeringsspråket Scala, et big data-bibliotek i åpen kildekode kalt Apache Spark og et rammeverk for maskinlæringsalgoritmer kalt MLlib som er kjernen i løsningen.

Før maskinlæringen kan analysere en klage blir dataene vasket eller såkalt preprosedert.

Noen klager er skrevet på bokmål, andre på nynorsk eller engelsk. Det er også noen som har klaget inn på dialekt. Friteksten er naturligvis forskjellig fra klage til klage.

Utviklerne forsikrer oss at systemet aldri skal behandle personopplysninger. Et viktig parameter i den maskinelle beregningen er overtredelseskoder.

– Det er visse overtredelseskoder som er enklere å få innvilgelse av klager på enn andre, og motsatt. Har du parkert innen 5 meter fra et veikryss er det vanskeligere å få innvilgelse enn om man klager på et skjult skilt, påpeker Gopinathan.

Menneske vs. maskin

En mulig utfordring kan være tilliten til datasystemet, kanskje både for saksbehandlerne og eksternt for de som får klagen sin behandlet av en maskin.

– Hvis jeg leverer inn en klage og finne ut etterpå at en maskin har behandlet klagen. Er det greit for meg? spør en retorisk Malte Loller-Andersen.

Selv er han vel inhabil i dette spørsmålet, men hevder det ville vært greit for ham.

– Jeg skjønner at andre folk ikke hadde syntes det er greit. Men jeg vet hvordan dette fungerer. Maskinlæringsalgoritmer kan mange ganger gi bedre resultater enn fra mennesker. At en saksbehandler vurderer saken din trenger ikke å være noe bedre. De hender jo at de også gjør feil.

Kollega Manu er av samme oppfatning. Han viser til flere eksempler der maskiner er mer nøyaktige enn mennesker, som da Googles dataprogram AlphaGo slo verdens beste spiller av det svært avanserte kinesiske brettspillet Go.

Egnet til beslutningsstøtte, ikke vedtak

– Det Knowit har laget er nærmest et konseptbevis med en algoritme som tipper utfall av klagene. Det er ikke noe som går i produksjon i dag, sier spesialrådgiver Torbjørn Moen i Byrådsavdelingen for finans, Oslo kommune.

En av årsakene til at kommunen ikke har tatt i bruk det digitale klagesystemet er forvaltningsloven. Når man fatter et vedtak så krever det at man skal grunngi vedtaket.

– Maskinlæring og kunstig intelligens er flinke til å finne riktig utfall, men ikke fullt så flinke til å grunngi hvordan de har kommet dit, sier Moen.

Det holder ikke å avslå en klage «fordi 98 prosent av lignende tilfeller» er avslått tidligere. Bruk av kunstig intelligens til vedtak har altså et grunnleggende problem, slik Moen ser det.

– Derfor tenker vi at hvis slik teknologi skal få et bruksområde, så vil det være mer i form av beslutningsstøtte, sier spesialrådgiveren.

Saksbehandling skal bli mer effektiv

Kommunen har allerede flere automatiserte saksbehandlingsprosesser, der svar kan gis umiddelbart. Det er fordi det er enkle regelstyrte prosesser, der begrunnelsene kan knyttes opp mot regelverket. Et eksempel er søknad om skjenkebevilgning.

Ifølge Moen egner maskinlæring og kunstig intelligens seg først og fremst til saksbehandlerstøtte, eller tilfeller der man skal vurdere risiko for hvor langt man skal gå inn i en sak.

– Det er viktig å effektivisere saksbehandlingsprosesser fremover. Det er et mål å kunne overlate noen av de enkle beslutningene til maskiner, så vi kan bruke våre kommunale hjerner på de vanskeligere sakene, sier han.

Knowit har beskrevet sin kunde Oslo kommune som ganske djerve og fremoverlente når det gjelder å ta i bruk ny teknologi. Enig?

– Både og. Oslo er en kjempestor organisasjon med 52.000 ansatte. Det skjer mye spennende rundt omkring, men samtidig er det andre som ligger håpløst langt etter. Det er et betydelig lerret igjen å bleke, sier spesialrådgiver Torbjørn Moen.