Bedre datakvalitet kan fremme kunstig intelligens

Selv ikke de mest avancerede løsninger med brug af kunstig intelligens er til megen nytte uden kvalitet i data.

Den væsentligste barriere for brug af kunstig intelligens er data. For få, for mange, forkerte, forældede, forskellige – der kan være meget galt med data, men selv ikke de mest avancerede løsninger med brug af kunstig intelligens er til megen nytte uden kvalitet i data.

Kunstig intelligens er hastigt på vej – også i den offentlige sektor. Det er en af de teknologier, der rummer potentialet til at nytænke og transformere offentlig service og sikre fremtidens velfærdsløsninger.

Generelt er offentlige institutioner i Danmark nået længere med kunstig intelligens, end vi ser i mange andre lande. Det offentlige Danmark har fokus på mulighederne, og kunstig intelligens er på dagsordenen mange steder. Det viser rapporten ’Artificial Intelligence in the Public Sector’, som EY har udarbejdet for Microsoft, og som samler input og cases fra 212 offentlige institutioner på tværs af 12 europæiske lande.

Den offentlige sektor kæmper dog mange steder med at gå fra afgrænsede pilotprojekter til full-scale løsninger, der kan realisere det fulde potentiale. Det er en situation, der ses bredt på tværs af lande i Europa. En af de første og også de største udfordringer handler om data.

Data bliver en stopklods

Rapporten definerer fem centrale faktorer; data, talent, etik, kultur og teknologi, som afgørende for at lykkes med kunstig intelligens. For de danske respondenter i rapporten er data det vigtigste aspekt, når vi taler om succesfuld brug af kunstig intelligens.

En af de væsentlige udfordringer er, at digitale løsninger med kunstig intelligens ofte bygger på og kombinerer mange forskellige systemer og eksisterende løsninger. Derfor når mange tidligt et punkt, hvor det ikke er et spørgsmål om at udvikle mere avanceret teknologi, men om at få styr på data, struktur og organisering.

Mange offentlige institutioner har store mængder data fra mange kilder, og kvaliteten af data kan variere, ligesom der både kan indgå strukturerede og ustrukturerede data. Både i de enkelte datakilder og i kombinationen af data ligger potentielle fejlkilder, som en algoritme ikke blot kan gennemskue.