IoT en nyckelfaktor för AI inom offentlig sektor

Anders Thoresson, kommunikationsstrateg på AI Sweden, berättar mer om hur IoT och AI hänger ihop i detta blogginlägg.

“En modern organisation måste se till att data är användbar för analyser.” Drygt ett halvår in i Vinnova-finansierade Kraftsamling för AI i kommuner och civilsamhälle är det uppenbart hur mycket sanning det ligger i uttalandet. En verksamhet som vill hämta hem det potentiella värdet med artificiell intelligens måste först se till att det finns data som AI-modellerna kan arbeta med.

Och det potentiella värdet för AI i offentlig sektor är högt. Så mycket som 140 miljarder kronor årligen enligt en beräkning som DIGG gjorde 2019. Med hjälp av den teknik som fanns tillgänglig när rapporten släpptes, ska sägas. Och alla vet ju hur snabbt utvecklingen har gått sedan dess.

IoT är en del av ekvationen

Bland idéerna som dykt upp i de samtal och möten vi haft med kommuner sedan i somras finns exempelvis bättre prognoser för vinterväghållning. Med hjälp av dataanalys kan man skapa väldigt lokala prognosmodeller för risk för halka, för att bättre kunna styra halkbekämpningen när frosten slår till. Här kan artificiell intelligens vara verktyget, medan indata kommer från ett sensornätverk i det kommunala vägnätet.

Det är den strikt tekniska sidan av myntet. Men det finns också en mer organisatorisk komponent: Att den data som samlas in ska vara användbar.

Användbar data för analyser

I den senaste utlysningen av Starta er AI-resa fick åtta projekt finansiering, fyra från kommuner och fyra från civilsamhället. Under projekttiden bjuder vi på AI Sweden in till regelbundna träffar med de åtta projekten, och ett återkommande ämne är utmaningar som på olika sätt handlar om data:

• Data som är tekniskt eller organisatoriskt inlåst
• Data som är för spretig, eller som är för begränsad i sin omfattning
• GDPR.
• Data som borde vara strukturerad på ett enhetligt sätt men inte är det.

De här diskussionerna kokar till slut ner till en sak, kärnfullt sammanfattat av en projektdeltagarna: “En modern organisation måste se till att data är användbar för analyser.”

Nyttan är intressant – inte tekniken i sig

Det innebär att det inte räcker med att bygga sensornätverk och andra IoT-lösningar om man inte också funderar på tillämpningen. Det är nyttan med tekniken som är intressant, inte tekniken i sig. Vilket bland annat innebär att det finns ett behov av nationell samordning kring hur data samlas in och tillgängliggörs. Ju enklare datadelning, desto enklare att möta behov med hjälp av dataanalys.

Arbete kring databeredskap

I en annan del av AI Swedens verksamhet, kopplat till arbetet med storskaliga språkmodeller, finns ett delprojekt som heter Data Readiness Lab. Där samverkar ett antal aktörer i det svenska AI-ekosystemet för att bland annat ta fram guider för hur en organisation kan jobba med annotering av data. Men också mer generella råd, för det som kallas för ”databeredskapsarbete”. Målsättningen är att beskriva vad databeredskap är (det kortfattade och väldigt övergripande svaret: ”Att se till att data går att använda i tillämpningar för artificiell intelligens.”) men också varför databeredskapsarbetet är viktigt (det kortfattade och väldigt övergripande svaret: ”Utan databeredskapsarbete har vi ingen möjlighet att använda AI i verksamheten.”).

Dela erfarenheter och lärdomar

De här samlade greppen, där organisationer delar med sig av erfarenheter och lärdomar, är viktiga för att Sverige som land ska kunna accelerera användningen av artificiell intelligens. De åtta projekten som just nu är en del av Kraftsamlingen är nämligen inte unika i sina frågor om – och ibland frustration kring – data. Tvärtom. Liknande resonemang hörs i många av de möten där jag eller mina kollegor möter kommuner och organisationer som planerar att starta nya AI-projekt. Frågorna i gränslandet mellan artificiell intelligens och data är många. ”Vad säger GDPR om det här?” ”Har vi tillräckligt mycket träningsdata?” ”Håller den tillräckligt hög kvalitet?” ”Kan vi komma åt den, eller finns den inlåst hos vår leverantör?” ”Kan vi dela data med andra organisationer, för att tillsammans skapa bättre förutsättningar för maskininlärning och andra AI-metoder?”

Hur långt är ett snöre?

Frågorna går på många sätt att likna med den om längden på ett snöre. Men det finns faktiskt också generella svar, eller åtminstone råd, som kan vara till hjälp åtminstone en bit på vägen. Arbetet inom ramen för Data Readiness Lab är i det sammanhanget viktigt. Men det finns fler aktörer som tar sig an de här frågorna. Den nationella dataverkstaden är ett sånt exempel. Här är syftet att verka för ökad datadelning mellan regioner och kommuner.

Vi på AI Sweden får ibland frågor om DIGG:s siffra. ”Var finns de 140 miljarderna, hur ska det gå till?” Då behöver man sänka blicken. Från det nationella perspektivet ner till enskilda tillämpningar. För det är där, bland annat i kommunernas förvaltningar, som svensk offentlig sektor finns. De 140 miljarderna kommer inte räknas hem på ett enda bräde, utan genom en uppsjö av tillämpningar av AI runt om i landet.

Men för att artificiell intelligens ska kunna skapa värde räcker det inte med beräkningskapacitet, lagringsutrymme, aldrig så moderna AI-modeller och teknisk kompetens.

Ingenting kommer att hända utan tillgång till relevant data. En del av den insamlad via IoT-lösningar, i tillräckligt stora mängder, och av tillräckligt hög kvalitet.