Hei, og velkommen til Lørn.Tech - en læringsdugnad om teknologi og samfunn med Silvija Seres og venner.

Silvija Seres: Hei, og velkommen til Lørn. Mitt navn er Silvija Seres. Tema i dag er Reg.Tech; altså offentlighetens bruk av ny teknologi for å løse problemer på nye måter. Gjesten vår er Kine Dirro Bøhlerengen som da er ansvarlig for Business Intelligence teamet i Statens Pensjonskasse. Velkommen Kine!

Kine Dirro Bøhlerengen: Tusen takk!

Silvija: Kjempe spennende å ha deg her. Også for meg fordi jeg vet veldig lite om hva Statens pensjonskasse gjør med blant annet BI og AI. Utrolig mye penger som dere snur rundt veldig langsiktig, og dette her er på en måte arven vår som dere forvalter på en fantastisk måte. Også veldig spennende digitalt. Så det gleder vi oss til å lære mere om. Kine, før vi gjør det, kan du fortelle oss veldig kort om hvem du er og hva som driver deg? 

Kine: Ja, jeg er en 45 år gammel åttebarns mor fra Drøbak.

Silvija: Åttebarnsmor!

Kine: Ja!

Silvija: Du er en supermodig dame med andre ord?

Kine:Ja, jeg er veldig nysgjerrig og liker at ting skjer rundt meg, så åtte barn - det bidrar til mye aktivitet. I hvert fall på hjemmefronten.

Silvija: Men så har du fått master i økonomi og du har første avdeling juss, du løper litt orientering og er lokalpolitiker for høyre, og på toppen av alt dette her så tar du et yrkesskifte hvor du lærer deg masse data og masse statistikk for å kunne lede Business intelligence for Statens pensjonskasse. Hvordan i all verden fant du tid og ork til å måtte gjøre den overgangen? Var krevde det av deg?

Kine: Jeg synes det er gøy å se forretning skape forretningsverdi. Da tenker jeg alltid at vi skal jobbe smart. Vi skal jeg bruke de riktige verktøyene for å skaffe den innsikten vi trenger for å levere bedre og da er jo data en kilde hvor du finner mye interessant informasjon. Så jeg tror det er potensialet i de dataene som har gjort at jeg er der jeg er nå.

Silvija: Du liker å jobbe med det som teller også liker du å få det gjort skjønner jeg. Jeg tror vi burde ha snakket på 8. mars for det er et eller annet med damer som klager også er det noe med damer som gjør - og det er du et fantastisk eksempel på. Fortell littegrann om hva dere gjør i Statens Pensjonskasse?

Kine: Altså Statens pensjonskasse; vi leverer jo offentlig tjenestepensjon til de som har jobbet i staten og som jobber i staten. Vi har jo en million medlemmer. Så det er en stor andel av den yrkesaktive befolkningen i Norge som har sin tjenestepensjon hos oss.

Silvija: Akkurat hva forvaltes hos dere, altså dere setter ut forvaltningen av pengene til noen andre eller hvordan fungerer det?

Kine: Ja, det er sånn at staten betaler ut pensjonen. Arbeidsgivere betaler jo inn premie for dette, men det går rett i statskassen. Skal en si at vår oppgave er ikke å sitte å forvalte de pengene, men vi skal sikre at utbetalingene bli riktig når pensjonisten når pensjonsalder.

Silvija: Ja.

Kine: Akkurat pengene går ut av statskassen. Det gjør de. Men vi skal sørge for at det er riktig beløp.

Silvija: Ja, at det er riktig.

Kine:  Per pensjonist.

Silvija: Og da trenger man ganske mye Business intelligence. Hvorfor?

Kine: Fordi det er et komplekst regelverk og det regelverket har utviklet seg gjennom mange år. Det er blitt til med forhandlinger og det er jo sånn at det den opptjeningsinformasjon du har hatt hele yrkeskarrieren din er med å telle. Så det er ikke sånn at du kan se på den prosessen så er det veldig enkelt å finne ut av det. Så det å bruke de dataene, og da også maskinlæring, til å få dypere innsikt enn du får med bare vanlig tradisjonelle metoder, det er med å gi oss kunnskap om data og forretningsprosessen som gjør at vi kan sette inn de riktige tiltakene.

Silvija: Men okey, så veldig sånn overordnet. Jeg har ikke statens pensjon og det er veldig veldig synd – for meg. Men man får en eller annen tariffavtale på hvilken prosent av en eller annen gjennomsnitt, eller noe sånt, som man får i pensjon resten av livet sitt. Da trenger man data om inntjening. Man trenger alle de forskjellige detaljene i forskjellige avtaler, ikke sant? Også trenger man hva mer av data? Jeg bare prøver å forstå datagrunnlaget og analysegrunnlaget.

Kine: Ja, altså det er jo all lønn - og stillingsinformasjon som du hatt gjennom din karriere i det offentlige.

Silvija: For en million mennesker ca?

Kine: For en million mennesker. Så vi snakker jo om mange år med datainnsamling per person.

Silvija: Er vi gode på å innsamle den type data?

Kine: Ja, vi er gode på innsamle den type data. Men selvfølgelig, vi ville gjerne ha benyttet oss av fellesordninger. I dag så er det jo sånn at arbeidsgiverne må rapportere inn datagrunnlaget rett til oss. Om man skulle vel se helst at de hadde hentet opp fra…

Silvija: Ett sted!

Kine: Ett sted ja.

Silvija: Ja, for jeg hører at vi har noe beste offentlig dataregistrene, blant annet i arbeidshistorikk. Og da er det disse tingene man refererer til kanskje?

Kine: Mhm, vi har masse og vi har veldig gode datagrunnlag, men det er klart at for arbeidsgiverne så vil det være lettere å rapportere inn ett sted selvfølgelig. Men så kan det være utfordring i forhold til å vite akkurat hvilken lønn er det som er pensjonsgivende ikke sant. Så det er ikke gitt at det som rapporteres inn nødvendigvis er korrekt bestandig.

Silvija: Men hva kan også AI, altså artificial intelligence; altså kunstig intelligens, hjelpe på? Nå har dere business intelligence som da analyserer data, men det er ganske stasjonære data på en måte? Eller statiske? Eller hva kan man lære mere med å bruke kunstig intelligens?

Kine: Vi har jo flere ting vi dukker ned i prosessen og bruker AI på. Og det ene er jo at vi ser på om vi klarer å identifisere dårlig datakvalitet som vil gjøre at saken din,når du blir pensjonist kommer til å stoppe opp å hindre at det er maskinelt behandlet. For da er det viktig at vi kan gå inn å få rettet de dataene før den saken din skal behandles i at du blir pensjonist. Så da det å komme i forkant med å rette de dataene som er av betydning, det vil gi verdi. Også har vi også et annet prosjekt som går på å kvalitetssikre at pensjonsutbetalingene er korrekte. Og da kan du bruke AI til å se når du kommer opp en ny sak, så kan du se sånn ”ok, hvilken sak ligner denne her mest på?”, ikke sant. Du har jo informasjon om alle de andre sakene som er blitt beregnet tidligere og da kan du også predikerer hvilket utfall er det du forventer at den saken skal ha. Og hvis den har stort avvik i forhold til det som du forventet; ja, da er jo det et case hvor du burde sjekke.

Silvija: Kan jeg legge inn en stille aksje for at dere prøver å få dette her over til for eksempel folk som jobber i bygg og plan eller andre områder av saksbehandling? For jeg tror det er en fantastisk effektiviseringsmulighet å la folk som har brukt ganske mye av tiden sin på å finne ut av en veldig kompleks problemstilling håndtere flere sånne.

Kine: Mhm. Det er jo det som er interessant i hvertfall i offentlig sektor. De har ganske mange komplekse prosesser og jeg tror det å kunne bruke AI til å få den innsikten så de kan komme i forkant. Det har overføringsverdi da.

Silvija: Ja.

Kine: Og det er det som er så viktig at vi da er flinke til å dele kunnskap sånn at vi kan, ja - høre på Lånekassen og NAV og alle de som holder på å få ideer til ” åja, det her var interessant. Det må vi se om vi kan også gjøre!”

Silvija: Ja. Og Husbanken. Altså det er mange kjempe flinke folk, men det er mye sånn at alle skal finne opp sine hjul på nytt og det man  skal nå gjøre. Én ting er at Difi slår sammen og digitaliseringen mot infrastrukturellt kobles mye-mye tettere. Jeg tenker den kunnskapen som fortsatt ikke er koblet sammen må vi gjøre noe med. Det er utrolig viktige læringer dere skaffer dere. Også bare dette her med at du har data som er 60-70 år gamle som du sier og som ligger i noen kjernesystemer som Gudene vet; er det Qubool en gang, eller er det noen og eldre enn det? 

 

Kine: Nei, nå er det vel moderne. Vi har ikke så mye gamle systemer faktisk. Så der er vi veldig heldig.

Silvija:Ja. Men noen av offentlige systemer er det ikke sant. Og det å finne ut hvordan vi utnytter det som ligger der på de nye måtene er også ganske spennende problemområder.

Kine: Mhm. 

Silvija: Hva er det viktigste på en måte; hvorfor er dette spennende hvis du skal oppsummere det for folk?

Kine: Jeg tror det aller viktigste - det er faktisk at man tar i bruk ny teknologi for å skaffe seg mer innsikt om sine data og forretningsprosesser sånn at vi i større grad kan komme i forkant med forebyggende tiltak istedenfor at vi står etterpå og ser at ting ble feil. Det tror jeg er den største gevinsten. Det andre som er viktig, er at vi er flinke til det å både høre på hva andre får til, og er flinke til å fortelle om det vi får til sånn at andre kan lære av oss også. Det er ikke sånn at man må finne på alt selv. Det er egentlig sånn at det å komme på ideer, det kan vi få av hverandre. Sånn som for offentlig sektor med mange felles problemstillinger, og da kan vi få mye høyere fart.

Silvija: Vi er veldig flinke til å snakke om effektivisering i hver vår hage, men nettopp dette her med å gå på en sånn felles skole – dele litt på en konkret måte – det tror jeg er noe vi bør gjøre mer av.

Kine: Ja, også er det veldig inspirerende og! Det er morsomt å få en idé fra andre, at man ikke alltid skal måtte finne på alt selv da, ikke sant.

Silvija: Ja. Du, er det noe kontroverser her som vi burde nevne?

Kine:  Ja, det er jo mange av de! Men jeg synes jo at det å ta i bruk ny teknologi som AI som har stor samfunnsnytte, er en kontrovers kontra personvern. Altså begge deler er veldig viktig. Og det er ingen som er uenig i at personvernet er kjempe viktig. Det er utrolig viktig! Samtidig er det også viktig å trekke ut de mulighetene som AI kan gi av samfunnsnytte. Så det å finne den gode balansen - det er viktig! Det er viktig at man kommer i gang med AI - at man ikke er redd for å ta det i bruk, men at man starter sånn at man gjennom det å prøve og feile kan finne ut av den gode balansen mellom personvern og AI. Jeg var jo på Arendalsuka og hørte Helse Sør-Øst fortelle om hvordan de kunne revolusjonere helsebehandlingen - eller pasientbehandlingen - hvis de fikk ta i bruk persondata og kunstig intelligens.

Silvija: Vi hadde så god personvern at pasienten døde fordi de fikk ikke bruke informasjonen.

Kine: Ja, og da tenker jeg at sånn bør ikke være. Jeg tror det at når det er så viktig samfunnsnytte så tror jeg, satt på spissen da, at folk ville nok velge å bli reddet istedenfor at man sier at ”vi kunne ikke dele disse dataene dine fordi at vi skulle beskytte dine persondata”. 

Silvija: Og det gjelder kanskje også riktig pensjonsutbetaling, eller riktig lønn, eller riktig sikkerhets set-up?

Kine: Ja. Også handler det jo litt om å forvalte de offentlige midlene vi har mest mulig effektivt sånn at man kan bruke overskuddet på verdiskapende tjenester.

Silvija: Der tror jeg egentlig at vi har noe unikt å gå på i Norge nettopp fordi vi har et offentlig system som vi faktisk ha tillit til. Så jeg er ikke redd for at mine data bor i diverse offentlig registere, for jeg tenker at det er minst sjanse dette landet at dette her skal brukes mot meg istedenfor for meg.

Kine:  Men det er viktig å ta vare på den tilliten så det er nettopp derfor det blir viktig framover også å ha kompetanse om hva denne teknologien gjør sånn at man skjønner hva som skjer sånn at man kan stille seg de kritiske spørsmålene og passe på at den måten vi bruker AI på er ansvarlig. At man passer på at her er det de tilsiktede effektene som kommer fram, og at man ikke plutselig oppdager at ”nei, det var ikke sånn vi ville ha det”.  Jeg mener at de har et konkurransefortrinn i Norge fordi vi i utgangspunktet har stor tillit til staten. Så vi trenger ikke å starte med å skulle bygge opp den.

Silvija: Og staten er rik!

Kine: Og staten er rik.

Silvija: Og ambisisøs.

Kine: Ja. Og de har mye data.

Silvija: Ja.

Kine: Men det også det å starte og samtidig ta vare på den tilliten på en god måte.

Silvija: Ja.

Kine: Men det er ikke å sette seg i stolen å vente på at man har diskutert seg gjennom alle problemstillinger. Det er å starte og se samfunnsnytte.

Silvija: Du jeg har spurt deg hva du ville anbefalt å lese og se, og du sier ”selv rekker jeg ikke å lese så mye”. Altså, jeg sitter her og er egentlig stum av beundring at du klarer å sitte - og leve egentlig - med åtte unger også, om man rekker å lese eller ikke. Men du anbefaler egentlig ganske tekniske blogger?

Kine: Ja.

Silvija: Men du anbefaler egentlig ganske tekniske blogger: R-bloggers, Machine Learning Mastery, Pytorch og TensorFlow, altså dette her er stedet man går for å skjønne litt hvordan man bruker de nye verktøyene veldig konkret?

Kine: Ja. For å si det sånn; jeg har jo da ikke lest disse selv, men jeg spurte jo de hos meg som jobber med AI, også sa jeg ” ok. Hvis du skulle anbefale noe lesestoff. Hva ville dere anbefale?” Så det er vel kanskje mest for de som da tenker at de skal ta det i bruk, tenker jeg.

Silvija: Jeg synes det er en kjempe spennende anbefalingr. Rett og slett fordi en ting du anbefaler også The Second Machine Age og det finnes masse bøker om AI og samfunn og sånt, så det er fint å forstå filosofisk og teoretisk abstrakt politisk, ikke sant. Men det å få litt skitt under fingrene - det er blitt lettere og lettere når det gjelder AI. Og hvis folk bare lager en bitte, bitte liten snutt av et eller annet som faktisk kan definere som AI, så tror jeg du får så utrolig mye selvtillit da i forhold til ”ja, men dette er jo ikke så vanskelig. Det er ikke magi! Det er bare en kode som gjør litt statistikk på gode data i gangen.” Så det syntes jeg var kjempe gode anbefalinger. Hvis vi skulle gitt en liten gave til våre lyttere i form av et sitat. Har du noe til oss?

Kine: Ja, jeg har vel egentlig to favoritt sitater. Det første er vel: ”The fastest learner is the winner”, av Mary Poppendieck som jeg synes  beskriver veldig godt den fasen egentlig vi er inne i nå - at det er viktig å lære seg nye ting. Det er viktig å stå på. Hvis ikke så klarer vi ikke å levere godt nok. Men så er det andre sitatet som er sånn at: ”I have not failed. I have just found ten thousand ways that won't work.” For i det arbeidet med AI, og også i andre arbeid man har, så vil man teste ut nye ting og alt vil ikke være vellykket.

Silvija: Det meste vil ikke være vellykket!

Kine: Nei! Men til slutt så er det noe med at man kommer frem, men man må være litt tålmodig.

Silvija: Til slutt og underveis!

Kine: Man opparbeider seg mye kompetanse underveis, og innsikt, så det er ikke forgjeves.

Silvija: Vi mennesker er så flinke til å henge oss opp i det som ikke fungerte, også glemmer vi ”at jammen, det som funker underveis - det tok vi veldig for gitt. Men det skulle bare mangle etter alle de forsøkene.” Men det er de perlene som er fremgang.

Kine: Mhm.

Silvija:  Hvis vi skal så huske en ting fra vår samtale. Hva skal det være?

Kine: Jeg tror det må være at vi ikke må være redd for å starte og ta i bruk ny teknologi som AI. At man skal starte med det.

Silvija: Just do it!

Kine: Ja, just do it!
Silvija: Finn noen gode konkrete problemstillinger og så prøve å finne ut er det?

Kine: Ja, du kan finne noen gode problemstillinger. Ofte så kan det også være sånn at du vet at du har noen utfordringer i prosessen din for eksempel, men at du ikke egentlig vet hva som er årsaken. Så det vil hjelpe deg å få dypere innsikt da.

Silvija: Jeg synes det er i hvertfall veldig inspirerende. Kine Dirro Bøhlerengen, tusen takk for at du kom til oss og fortalte oss om det kjempe spennende arbeidet dere gjør i Statens Pensjonskasse med digitalisering, og at du lærte oss om bruk av sånne ting som Business intelligence og kunstig intelligens i offentlige data.

Kine: Takk!

Silvija: Takk til dere som lyttet!

Du har lyttet til en podcast fra Lørn.Tech - en læringsdugnad om teknologi og samfunn. Følg oss i sosiale medier og på våre nettsider.