En AI-redo statsförvaltning

Transkript

1 En AI-redo statsförvaltning Av Göran Lindsjö mars 2017 Innehållsförteckning Bakgrund... 2 Förutsättningar... 2 Vad är AI?... 3 Varför så stort intresse just nu?... 4 AI och data... 5 Aktörer... 6 Företag... 6 Forskning... 8 Tillämpningar... 9 Allmänt... 9 Personligt stöd Kontorstillämpningar Transport Sjuk- och hälsovård Miljö och energi Utbildning Övrigt offentlig sektor Juridik Finans Marknadsföring och försäljning Produktion Ledande AI-nationer USA Kina Japan Storbritannien Sverige Påverkan på Sverige Sverige som AI-nation Idéer för Sverige Nationellt Hos myndigheterna En bredare diskussion Appendix Till läsaren som vill veta mer Rapporten

2 Bakgrund Förutsättningar Regeringens mål är att Sverige ska vara bäst i världen på att ta tillvara digitaliseringens möjligheter. Många länder har liknande målsättning. Sverige har en digitalt avancerad befolkning och företag. Samtidigt har offentlig sektor, som tidigare varit ledande, under senare år tappat positioner relativt andra länder. En möjlighet för att utveckla den svenska statsförvaltningen och övrig offentlig sektor är att utnyttja den snabba utveckling som sker inom artificiell intelligens (AI). AI har på de allra senaste åren utvecklats till att bli det område inom digitalisering som forskare, företag och regeringar ställer störst hopp till för en mängd tillämpningar inom t ex produktion, transport, sjukvård och klimatforskning. Framförallt har stora framsteg gjorts på amerikanska universitet och företag. Redan befintliga tillämpningar är spridda över ett stort område. Det gäller t ex internetsökningar, personliga assistenter i mobiltelefoner, diagnos inom sjukvård, självkörande bilar, matchning på sociala medier, röstigenkänning, textanalys, bildigenkänning och stöd i och automatisering av kundtjänst. Förutom dessa exempel och möjligheter till en mängd helt nya tillämpningar förväntas AI ge stora produktivitetsökningar och bättre, snabbare och mer anpassad service. För offentlig sektor innebär det bl a att AI kan användas för att modernisera statsförvaltningen med personlig service till medborgare och företag samtidigt som resurser frigörs till andra områden. Enligt analysföretag som McKinsey och Gartner kommer AI att ha en minst lika genomgripande betydelse för organisationer och individer som internet och mobilitet. Inget annat område inom digitalisering förväntas få ett lika stort genombrott de närmaste åren. Gartner liksom flera andra analysföretag bedömer också att AI under 2017 kommer att vara den mest strategiskt viktiga teknologin. Baserat på att många branscher nu samtidigt påverkas av AI har man också jämfört konsekvenserna av AI med införandet av elektricitet. Påverkan på statsförvaltningen kan delas in i tre områden. För det första bedöms AI öka produktiviteten inom myndigheter på liknande sätt som digitaliseringen i allmänhet gjort. Detta sker bl a genom att många arbetsuppgifter och processteg kan automatiseras och genom att AI hjälper organisationer att få insikter som tidigare varit alltför komplexa att finna i stora datamängder. För det andra kommer medborgare och företag att kunna få snabbare, mer korrekta och konsistenta svar i dialog med myndigheter. För det tredje kommer gränssnittet till myndigheter att kunna designas än mer utifrån ett sätt som upplevs som enkelt och naturligt för medborgare och företag. Det kan t ex vara att en medborgare talar om sitt ärende och att i den mån myndigheten behöver ytterligare uppgifter så minimeras dialogen och utformas dynamiskt utifrån det som är naturligt för just den personen. 2

3 Vad är AI? Det finns många definitioner på artificiell intelligens. Men man brukar syfta på maskiner som kan utföra uppgifter som normalt associeras med att människor utför dem. Det gäller ofta uppgifter som kräver förmåga till resonemang som t ex klassificering, diagnostisering och prediktion. Allteftersom AI blir delar av vardagliga tillämpningar betraktas dessa delar inte längre som AI. Det gör att kraven på vad som är AI hela tiden kan sägas öka. AI har varit ett forskningsområde i flera decennier. Förhoppningarna om snabba framgångar var mycket stora på 60-, 70- och början på 80-talet. Mycket av de högt ställda förväntningarna infriades inte. Samtidigt har, som nämnts ovan, tillämpningar ofta absorberats och tekniken bakom förblivit okänd eller ointressant för användaren. Under de allra senaste åren har dock dels forskningen gått snabbt framåt och dels har många nya tillämpningar tillkommit och optimismen ökat. Det finns flera sätt att representera kunskap och resonemang inom AI. På 80-talet användes mycket explicit kunskapsrepresentation bl a med regelbaserade system som delvis påminner om algoritmer hos traditionell programmering men samtidigt ger ett mer dynamiskt beteende och är enklare att underhålla och skala upp. Dessa system är också designade för att t ex kunna förklara de rekommendationer de ger. Det senare gör dem fortfarande till ett bra komplement till den teknik som idag blivit populär. Trots att regelbaserade system även gav en större dynamik vid konstruktionen av tillämpningar och fungerade bra för problem med begränsad komplexitet har det visat sig att behoven för många tillämpningar är än större än vad även denna teknik var lämplig för. Man kan säga att komplexiteten underskattades och att det är av orsakerna till att den tidiga optimismen förbyttes i besvikelse. Redan på 70- och 80-talet användes neuronnät parallellt med bl a regelbaserade system. Neuronnät efterliknar i viss mån hjärnan. Man bygger upp en matematisk modell där s.k. neuroner sammanbinds i flera lager och ges viktade förhållanden genom att exponeras för ett större antal exempel. En analogi kan vara att de flesta av oss i första hand lärt oss vårt modersmål genom att lyssna på andra snarare än att läsa grammatik. Det gör att det saknas explicit representation av kunskap och därmed gör det svårt att införa förklaringsmekanismer. Även neuronnät kunde tidigt användas praktiskt men även här stötte man på hinder vid mer komplexa tillämpningar. En av orsakerna för denna teknik var brist på processorkraft och en annan brist på exempel för träning av systemen. Allteftersom processorkraft ökat har man kunnat bygga upp neuronnät med allt fler lager av neuroner som kan hantera mer komplexa tillämpningar. Eftersom dessa system innehåller många lager, ibland miljontals, benämns området idag deep learning. Deep learning räknas också som ett delområde inom maskininlärning eftersom det i båda fallen handlar om att maskinen lär sig genom mönsterigenkänning snarare än explicit programmering. Liksom genetiska algoritmer, regelbaserade system, fallbaserade system, semantiska nät, naturlig språkbehandling och kognitiva system är deep learning och maskininlärning delområden inom AI. 3

4 Det finns flera metoder för inlärning i samband med maskininlärning och deep learning. Handledd inlärning innebär att man för-kategoriserar data innan systemet tränas. Ett exempel på tillämpning är att finna spam bland . Man kan då träna systemet på tusentals spam-mail som alla etiketterats som spam och tusentals vanliga med motsatt etikett. En annan metod är oövervakad inlärning. Det kan användas för mönsterigenkänning av icke-kategoriserad data. Det kan t ex användas för att gruppera stora mängder dokument. Inom oövervakad inlärning har metoden GAN (Generative Adversarial Networks), där man använder två system i olika roller för att träna, det senaste året rönt stort intresse. En tredje metod som blivit vanligare de allra senaste åren är förstärkande inlärning. Systemen tränas då genom återkoppling och belöning. Detta används bl a i flera av de framgångsrika AI-tillämpningarna för olika typer av spel. För att generera exempel kan man då låta en maskin spela t ex schack mot sig själv och dra lärdom av vinster och förluster. Dessa system är jämfört med traditionella it-system betydligt enklare att skala upp till större volymer eller mer funktionalitet när så krävs. Det är till och med så att AI-system oftast blir robustare ju äldre de blir vilket inte annars så ofta är fallet. Tillämpningarna är inte beroende av att nya situationer ska specificeras och programmeras utan är snarare beroende av tillgång till stora mängder data. AI kan också använda ostrukturerad data vilket är mycket svårt för traditionella it-system. Man beräknar att ungefär 80% av all data är ostrukturerad. En avgörande skillnad mot övrig systemutveckling - där man efter specifikationer programmerar explicita algoritmer som t ex om A och B gäller så gäller C annars D - så tränas moderna AI-tillämpningar med hjälp av många exempel. Resultatet är t ex en diagnos, rekommendation, ett beslut, en prognos, ett referat eller en klassificering av hög kvalitet. Några av de svårigheter och nackdelar som kan hålla tillbaka utvecklingen av AItillämpningar är behovet av stora mängder data och den nuvarande bristen på kompetens. Det saknas också modeller som kan förklara varför så många tillämpningar är lyckade. Dessutom är många tillämpningar så nya att konsekvenser sällan har utretts. Varför så stort intresse just nu? Flera bakomliggande faktorer har samverkat för att utvecklingstakten inom AI nu ökat mycket snabbt. Förutom forskningsframsteg inom bland annat neuronnät, maskininlärning och kognitiva system så har många yttre faktorer möjliggjort framstegen. Man har fått tillgång till större beräkningskraft, större lagringsutrymmen och större datamängder. Samtliga dessa växer nu exponentiellt och förväntas fortsätta öka, större mängder data t ex via sakernas internet. Dessutom har distributionskanalerna för tillämpningar blivit snabbare och enklare genom t ex mobilitet. Exempel på detta är tillämpningar för bild- och taligenkänning liksom personliga assistenter som Apples Siri. Denna utveckling förväntas bl a leda till att interaktionen med datorer och andra apparater inte lika mycket kommer att ske via skärmar utan i många fall övergår till att vara röststyrd via produkter som Google Home och Amazon Alexa. Dessutom kopplas AI-tillämpningar till text-gränssnitten i befintliga 4

5 konversations-appar som Slack, SMS och Facebook Messenger vilket gör att behovet av egenutvecklade appar och användargränssnitt minskar för många organisationer. En annan utveckling som underlättar framtagandet av många tillämpningar är tillgången till molnbaserade lösningar som tillhandahålls av företag som bl a Google, Amazon, IBM och Microsoft. De analysmöjligheter som AI ger organisationer som använder AI jämfört med de som inte använder AI gör att många branscher kan förändras i grunden. Detta har hittills skett med t ex Uber som förändrat taxibranschen och med detaljhandeln som i USA på några få år helt omformats av Amazon. Analysföretaget Forrester bedömer att AI tillsammans med datadriven innovation år 2020 kommer att medföra en årlig förflyttning av omsättningen till de företag som utnyttjar dessa möjligheter från de som inte gör det på 1200 miljarder dollar. AI och data Framförallt har tillgången till mer data varit avgörande för utvecklingen av många tillämpningar. Utvecklingen inom områden som Big Data och datadriven innovation går ofta hand i hand med utvecklingen inom AI och dessa områden inte bara stödjer varandra utan är för många tillämpningar varandras förutsättningar. Flera initiativ pågår för att bredda tillgången till AI och den molnbaserade servicen underlättar troligen för många organisationer att börja med sina första AI-tillämpningar. Vad gäller data finns visserligen många initiativ för öppna data men de riktigt stora volymerna skapas inom organisationer. Den senare är en allt viktigare unik tillgång för att bl a skapa unika konkurrensfördelar. Allra tydligast är det kanske just nu hos företag som Google och Facebook som kan använda sina mycket stora datamängder för nya produkter och tjänster. Så med en kanske långsökt industriell analogi där data är råvaran och AI är fabriken så är det faktiskt snarare råvaran som hålls unik och fabriken som är enklare att standardisera och kopiera. Företag betraktar ofta sin unika data som ett viktigt strukturkapital och detta synsätt kommer troligen att förstärkas i och med nya sätt att generera data, kombinera data och analysera data. Ändå har de flesta organisationer knappt ens påbörjat att utnyttja den snabbt växande potential som kombinationen av ökad tillgång till data och förbättrade analysmöjligheter via framförallt AI ger. En orsak som många organisationer anger till att man inte använder denna möjlighet till analys är att man fortfarande uppfattar det som alltför komplext. Samtidigt som det finns en stor potential till bättre beslut, nya affärsmöjligheter, ökad service, effektiviseringar och konkurrensfördelar i många tillämpningar har insatserna hittills i många fall varit stora. I flera av de mest lyckade tillämpningarna har man behövt använda en kombination av mycket stora datamängder med specifik AI-kompetens för att kunna nå resultat. Enligt en rapport från Forrester i november 2016 förväntas det redan under 2017 bli betydligt enklare att utföra dessa analyser. Men samtidigt som själva AI-systemen sprids, standardiseras och paketeras så kvarstår troligen behovet av stora datamängder för många tillämpningar. Detta har bl a medfört att handeln med data ökat. 5

6 Aktörer Företag De stora it-leverantörerna ser AI som det främsta verktyget för att skapa bättre och unika tjänster. Därför har företagsledningarna för Google, Apple, Microsoft, IBM, Amazon, Facebook, Nvidia och många fler gjort uttalanden om AI som den centrala strategin för företagen och samtidigt visat i handling, framförallt genom investeringar, att de främst avser att vara AI-företag. Flera av dessa företag erbjuder molnbaserade AI-tjänster till sina kunder. De flesta har också mycket nära samarbeten med de ledande universiteten och anställer i hög grad forskare från dessa. Andra företag med mycket stora AI-investeringar är Tesla, SalesForce, Uber, Intel, Twitter, ebay, Yahoo, Netflix och AOL. Google har långt över 1000 pågående AI-projekt. Man har bl a nya tillämpningar i form av självkörande bilar, personliga assistenter och intelligenta högtalare. Dessutom står AI för en allt större del av funktionaliteten i Googles sökmotor. Googles VD Sundar Pichai har uttalat att Google nu definierar sig som ett AI-företag och att allt man gör utformas utifrån AI. En tillämpning som under 2016 visade på styrkan i AI var när Googles DeepMind vann över världsmästaren i spelet Go som anses som extremt komplext. Vana Go-spelare uppfattade vissa drag som maskinen gjorde som sällsynt vackra. Google använder också AI för mer industriella tillämpningar som att minska energibehoven i sina datahallar med 40%. Liksom flera av sina konkurrenter arbetar man också med förstärkt verklighet. IBM hade redan på 90-talet framgångar med att vinna i schack mot världsmästaren. En annan mycket uppmärksammad tävling var när IBM:s Watson 2011 besegrade stormästarna i det populära TV-programmet Jeopardy. Det är av vidare intresse än för speldomäner eftersom frågorna i Jeopardy är associativa och ofta avsiktligt vilseledande. Det påvisade möjligheterna att använda AI med stora ostrukturerade textmängder för komplexa tillämpningar inom t ex juridik och finans. Idag används Watson för en mängd olika tillämpningar inom bl a sjukvård, kundtjänst, juridik och finans. Inom sjukvård har hittills 200 miljoner människor påverkats av det stöd som Watson kunnat ge. Motsvarande storlek gäller för finansiella beslut baserade på Watsons rekommendationer. Man har också byggt branschspecifika plattformar på Watson som ROSS som används som juridisk assistent. IBM:s VD Ginni Rometty räknar med att varje beslut vi människor tar kommer att kunna dra nytta av hjälp från AI. Microsoft har 5000 anställda i sin nyligen bildade AI-division. De utvecklar nu AIfunktionalitet i sina befintliga produkter som bättre stavningskontroll i Word och förslag på bilder i Powerpoint. En annan satsning är automatisk översättning mellan olika språk i Skype. Microsoft samarbetar också med biltillverkare som Volvo och med förstärkt verklighet. Ytterligare ett område för Microsoft är den digital assistenten Cortana. Denna avser man också att koppla samman med sakernas internet och därmed få funktionaliteten i t ex vitvaror som kylskåp, mikrovågsugnar och tvättmaskiner. Microsofts VD Satya Nadella menar att AI medför det största paradigmskiftet inom it-branschen på flera decennier. Amazon har en relativt annorlunda bakgrund med sin internetförsäljning av varor och sin stora molnverksamhet. De har haft mycket stora framgångar de senaste åren men sina AI- 6

7 baserade rekommendationer, 35 % av försäljningen genereras från dessa. Amazon avser att använda AI för att förutse kundernas behov innan de beställer varor och därmed genomföra än snabbare leveranser. Amazon har också nyligen öppnat fysiska affärer som med hjälp av AI har kunnat avskaffa kassorna. Amazon har också 1000 anställda som arbetar med Alexa, deras AI-baserade röststyrda enheter, som var tidigt ute på marknaden. Hittills arbetar 7000 företag med att integrera sina tjänster och produkter med Alexa. Amazons VD Jeff Bezos säger att det är svårt att överskatta hur stor betydelse AI kommer att ha för samhället de närmaste 20 åren. Apple har relativt länge varit en stor utvecklare och användare av AI men har jämfört med övriga av de riktigt stora utvecklarna inte kommunicerat detta lika mycket utan snarare byggt in tillämpningarna i sina olika produkter för att få unika konkurrensfördelar. Detta har den allra senaste tiden förändrats i och med att även Apple börjat publicera s.k. white papers från sin forskning. Apple använder AI bl a i den populära personliga assistenten Siri som svarar på 2 miljarder frågor per vecka. Andra områden som Apple arbetar med är t ex äldrevård och förstärkt verklighet. Man använder också AI för olika projekt inom delningsekonomi i Kina. Apples VD Tim Cook menar att AI nu används tvärs över alla produktkategorier oftast på ett sätt som konsumenterna inte är medvetna om. Även Facebook är en stor utvecklare och användare av AI. Man använder AI bl a inom förstärkt verklighet och för att automatiskt bedöma de bilder som användarna lägger upp. Facebooks VD Mark Zuckerberg är en entusiastisk AI-anhängare och har själv byggt sin egen fysiska assistent baserad på AI. Nvidia går från att vara ett företag som utvecklat grafikkort till ett företag som definieras av att utveckla AI-plattformar. Nvidia har utvecklat hårdvaran Xavier specifikt för AI. Man har också ett nytt operativsystem, DriveWork, specifikt för självkörande bilar där man samarbetar med flera bilföretag. Nvidia samarbetar med Google för att kunna erbjuda nya lösningar för hemmet med mikrofoner och högtalare i varje rum som använder Google Assistent och med hjälp av AI kan skilja konversationen från olika familjemedlemmar. Nvidias VD Jen Hsun Huang säger att han räknar med att AI nu utvecklas snabbt inom områden som personlig hjälp, sjukvård, HR, tillverkning, marknadsföring och försörjningskedjor så att dessa kommer att betraktas som egna områden som inte nödvändigtvis har mer än plattformar gemensamt. De flesta av dessa företag är mycket öppna med hur de använder AI medan man i några fall bygger nya tillämpningar på AI utan att så tydligt ange den bakomliggande tekniken. Det senare kan förutom konkurrensskäl bero på att man inte längre tycker att marknaden har ett så stort intresse för vilken teknik man använder. IBM, Google, Amazon, Facebook och Microsoft har gått samman i Partnership on AI för att försöka skapa bra praxis för områden påverkade av AI som integritetsskydd, säkerhet och samarbetet människa-maskin. Dessutom har bl a Microsoft, Amazon och Infosys gått samman i ett icke-vinstgivande forskningsföretag som heter Open AI för att bredda användningen av AI genom bl a öppna patent. Förutom de stora företagen finns en mängd nya företag specialiserade inom AI eller med AI som en unik eller drivande komponent. Framförallt växer antalet företag som arbetar med ett 7

8 specifikt tillämpningsområde av AI. Ett exempel på dessa är x.ai som tillhandahåller en personlig assistent för att boka och hålla reda på möten. Man har funnit att mycket tid går åt att samordna och ändra tider för möten, detta automatiseras med x.ai. Ett annat sådant exempel är företaget Wade & Wendy som specialiserat sig på AI inom HR. De har dels stöd för den som rekryterar och dels för den som söker arbete. Författaren Kevin Kelly säger the business plans of the next 10,000 startups are easy to forecast: Take X and add AI. This is a big deal, and now it s here. De allra senaste åren har antalet uppköp, liksom kostnaden för dessa, ökat kraftigt. Trots att det slogs rekord i AI-investeringar 2016 så räknar analysföretaget Forrester med att dessa ska öka med mer än 300% till En mindre men mycket lönsam nisch är de företag som specialiserat sig på att genom att använda AI transformera större äldre organisationer som är födda analoga till att konkurrera framgångsrikt med de som är födda digitala. Forskning Förutom den omfattande och mer målinriktade forskning som sker inom de stora it-företagen framförallt i USA så har flera universitet stor verksamhet inom AI. Forskningen finns spridd till ett mycket stort antal universitet men till de allra mest kvalificerade räknas University of Washington, MIT, UC Berkley, Stanford, Carnegie Mellon University och Harvard, alla i USA. Några av dessa är främst inriktade på teknologi medan andra, som MIT och Harvard, är framstående på konsekvenser för makroekonomi, företag och samhället i övrigt. Utanför USA framstår University of Toronto i Kanada och Oxford University i Storbritannien som ett par av de mest framgångsrika. 8

9 Tillämpningar Allmänt Den snabba utvecklingen har dels medfört många nya tillämpningar och dels har det fört med sig idéer om än fler tillämpningar. Många av dessa medför snabba och stora förbättringar i produktivitet. Denna rapport fokuserar på befintliga och mer närliggande tillämpningar av AI. De brukar kallas smal AI eller vertikal AI. Det betyder att AI används för specifika och relativt väldefinierade uppgifter. Det är som att ha att göra med en specialist som blir allt duktigare inom sitt gebit. Man bedömer att smal AI fortsatt kommer att dominera området många år ytterligare. Samtidigt har det skett mycket forskning och debatt kring framtida generell, eller horisontell, AI. Det handlar om maskiner som kan lösa generella problem inom alla typer av områden. Dessa behöver då något som motsvarar mänskliga sinnen och egenskaper, vi känner främst igen dessa från dramatiseringar i böcker och filmer. Men det finns också en seriös debatt kring om och när utvecklingen av smal AI kommer att leda till generell AI och därefter superintelligens. Med superintelligens menar man maskiner som är betydligt mer kapabla än människor inom alla områden t ex kreativitet, vetenskap, socialt beteende och allmänkunskap. Å ena sidan förväntar sig inte de flesta bedömare en sådan utveckling de närmaste åren och ifrågasätter nyttan men å andra sidan skulle det få så stora konsekvenser för mänskligheten att debatten ändå är viktig utifrån etiska och många andra aspekter. Generell AI och superintelligens behandlas inte vidare i denna skrift. Förutom att AI kan förväntas vara smal de närmaste åren kommer AI troligen i många tillämpningar att användas som förstärkande till människan snarare än ersättande. Det vill säga det förbättrar kvaliteten och produktiviteten för många arbeten genom att ta över eller stödja olika deluppgifter snarare än att ta över ett helt arbete. Människan flyttar sig återigen uppåt i värdekedjan och får allt mer kreativa och färre rutinartade uppgifter. Men förutom kvalitetshöjningar kan det naturligtvis också innebära att där flera personer gör liknande arbetsuppgifter krävs färre människor. Ett exempel på förstärkande AI är inom medicinsk diagnos. Där en läkare t ex har 96,5 % korrekt tolkning av en röntgenbild kan ett AI-system vara korrekt i 97,1 % av fallen. Det innebär visserligen att maskinen i detta fall ensam är bättre än specialisten. Men samtidigt genom att kombinera människa och maskin har man uppnått 99,5 % korrekt tolkning. Det innebär 85 % minskning av det fel som läkaren tidigare gjort. Kombinationen människa och maskin är alltså det säkraste valet i dessa situationer eftersom de kompletterar varandra och har olika för- och nackdelar. Områden där det finns många tillämpningar är t ex försvar, spel och jordbruk. Nedan följer exempel på AI-tillämpningar i andra områden. För att visa på vidden består listorna av många typer av tillämpningar. 9

10 Personligt stöd Digitala assistenter som Siri, Alexa, Cortana och Google Assistant i t ex mobiltelefoner, datorer eller högtalare Andra tillämpningar i smarta telefoner, t ex: utan telefonbok identifiera uppringare utan kalender påminna om mötesbokning förutse vilken app man vill starta utan sökning visa karta till hotell förlänga batteritiden optimera uppkoppling välja nyhetsartiklar producera en kort film av bilder och video Röstigenkänning (vissa produkter för röstigenkänning har ökat sin korrekthet från 95 % till 99 % vilket i praktiken gör en mycket stor skillnad i upplevelse, Baidus röstigenkänning har färre fel än människor och är tre gånger snabbare) Bildigenkänning (t ex ansikten) Sökmotorer (förutom förbättringar av själva sökningarna används AI för sökning med rösten, Baidu räknar med att vi relativt snart gör 50 % av sökningarna med rösten men att det kommer att stanna ungefär där pga de fördelar som finns med att visuellt jämföra resultat) Översättning (även i realtid) Översättning av teckenspråk Produktrekommendationer (Amazon) Filmrekommendationer (Netflix) Musikrekommendationer (Spotify och Pandora) Planera semesterresa Förslag på vänner (Facebook och LinkedIn) Många typer av spel Kontorstillämpningar Kundtjänst och it-support Prognostisering Olika typer av beslutsstöd för företagsledningar Skriva rapporter, nyhetsartiklar och handböcker Läsa och sammanfatta rapporter och nyheter Ge rekommendationer Hantera arbetsprocesser Prioritera och åtgärda inkommande e-post 10

11 Spamfilter HR hantera ansökningshandlingar utbildning prognoser Schemaläggning (British Telecom använder t ex schemaläggning för tekniker) Personlig assistent för mötesbokningar Hantera resebokningar och reseräkningar Produktion av tidningsartiklar Filtrera fram konstruktiv kritik i recensioner Transport Självkörande bilar Samla och sprid lärdomar från situationer i alla bilar till alla bilar (Tesla) Uppskatta ankomsttid (Uber) Ökad säkerhet för taxiförare Uppmärksamma förare som tappar koncentrationen Optimering av transporter Smarta vägar, data från sensorer för att bl a prognostisera trafik Flygsimulatorer Flygledning Styrning drönare Personliga assistenter i personbilar Sjuk- och hälsovård Medicinska diagnoser Sjukvårdsupplysning Läkemedelsforskning, t ex bättre matchning mot patientgrupper och produktion av resistens Resursoptimering Anpassade behandlingsmetoder till patenters unika behov Stöd för läkare att utvärdera egna tidigare beslut Stöd för allmänpraktiserande läkare vid hälsokontroller Utvärdering av läkare, kliniker och sjukhus Minnesstöd för alzheimerpatienter Assistans vid operationer 11

12 Beskrivning av foton för synskadade Prognostisera spridning av epidemier Personlig rådgivning till cancerpatienter Glasögon för barn med autism som översätter människors ansiktsuttryck till explicita känslor Personlig tränare som kombinerar personlig hälsodata, träningsdata och näringsmässig data för att jämföra och drar slutsatser från mycket stora mängder liknande data och som presenterar förslag om träning och näringsintag Emulera smak och konsistens från kötträtter till vegetarisk mat Miljö och energi Minimering av el-användning inom industri och lager Analys av satellitfoton för att bl a prognostisera miljöförändringar och folkförflyttningar Vindprognoser för vindkraftverk Optimering av solenergi Smarta termostater som sänker energiförbrukning i hemmen Väderprognoser Utbildning Adaptiva leksaker Anpassad utbildning till elevers förutsättningar Olika typer av inlärning Olika hastighet Olika ordning Identifiera svåra områden Begreppsförklaringar Exempel från elevens intresseområden Enklare jobba med trial-and error som metod Identifiera lämplig lärare till avsnitt där eleven har problem Sprida best practice bland lärare Skräddarsy universitetsutbildning Prognostisera utbildningsbehov Övrigt offentlig sektor Analys av satellitbilder för bl a stadsplanering Analysera brandfara i städer Flera typer av brottsbekämpning, t ex prediktera brottslighet 12

13 Val av restauranger för livsmedelsinspektion (medfört 100% ökning av anmärkningar) Jobbmatchning för arbetssökande genom att bl a använda hela profilen Skräddarsy universitetsutbildning Prognostisera utbildningsbehov Anpassad utbildning till elevers förutsättningar Prognostisera valresultat Juridik Sökning efter relevant information om lagar och fall från stora ostrukturerade textmängder Analysstöd vid due diligence av företag Automatisk jämförelse av två företags legala dokument inför en sammanslagning Snabbare upplärning av juniora jurister Finans Kredithantering och riskanalys Stöd för finansiella rådgivare Automatisk aktiehandel Dialog-bot för finansiell rådgivning Larm vid misstänkta finansiella bedrägerier Finansiella rapporter Prognostisera framgång för startup-företag Hjälp med självdeklaration (USA) Marknadsföring och försäljning Selektiv marknadsföring kundsegmentering profilering Kundrelationer Personalisering tvillingar till befintliga kunder Stöd för marknadsstrategi Produktrekommendationer Stöd för merförsäljning 13

14 Produktion Produktion med hjälp av robotar Optimering av processer och försörjningskedjor Prognoser inom jordbruk Förebyggande underhåll Felsökning Minimering av materialåtgång Lagerprognoser Söka mineraler 14

15 Ledande AI-nationer USA I USA drivs utvecklingen främst av de stora IT-företagen och de många nya AIspecialiserade företagen. Här finns också universiteten med den främsta forskningen. Även flyg- och bilindustrin i USA gör nu mycket stora investeringar i AI. De allra flesta exempel på befintliga AI-tillämpningar kommer från USA. Företag och universitet i USA har också en mycket stor dragningskraft på talanger från främst Indien, Kina och Europa. Utbildningar inom AI ökar. Det gäller också utbildningar med mycket hög kvalitet från de ledande universiteten genom de öppna nätbaserade kurserna, s.k. MOOC. Den amerikanska regeringen har varit mycket aktiva inom AI Man har bland annat haft en seminarieserie över hela landet med talare från företag, universitet och den centrala administrationen där man även bjudit in allmänheten. Man har också gjort en analys och sammanfattning kring vad AI innebär för USA i skriften Preparing for the Future of Artificial Intelligence. Det finns en mycket optimistisk syn på vad AI kommer att innebära för det amerikanska samhället. Framförallt ser man AI som en central motor för ekonomisk tillväxt. Denna syn delas också av ledande analysföretag. Man vill underlätta för entreprenörer i området. Man uppmanar sina myndigheter att undersöka och investera i AI. Idag finns bilaterala samarbeten mellan USA och Japan, Sydkorea, Tyskland UK, Polen och Italien. Även den amerikanska har under slutet av 2016 intresserat sig mer för området. Den amerikanska administrationen har analyserat behovet av regleringar och konstaterat att befintliga regleringar i stort sett är tillräckliga. Men man kan dels behöva se över specifika delar som t ex det som påverkas av självkörande bilar och man behöver dels fortsätta att följa utvecklingen inom AI-området nära. Man kan också behöva se över vilka befintliga regleringar som är hindrande för att dra nytta av AI inom t ex sjuk- och hälsovård. Administrationen varnar för att staten inte tillräckligt snabbt tar till sig de nya möjligheterna och att man underinvesterar inom AI, de offentliga investeringarna inom AI är idag under 10% av företagens. Man är också oroliga för att utvecklingen kan medföra ökade lönegap och för att matematikundervisningen inte har tillräcklig kvalitet. AI syns också alltmer i den allmänna debatten i USA, bl a har president Obama intervjuats där han svarat även på relativt detaljerade frågor. Även om artiklar och tv-inslag fortfarande ibland illustreras med bilder från Hollywood-filmer handlar debatten i huvudsak om mer närliggande tillämpningar som självkörande bilar och automation av kontorsuppgifter liksom av dess konsekvenser som arbetsuppgifter som kan försvinna. I en större undersökning kring attityder om AI som genomförts i USA, Kanada, Storbritannien, Kina och Brasilien får man mycket positiva och optimistiska svar på frågor om AI. Undantaget är frågor kring förlorade arbetstillfällen där många tror att AI kommer att orsaka att arbetstillfällen försvinner. 15

16 Kina Förutom USA domineras AI-området av Kina som nu passerat USA avseende antalet forskningsartiklar. Kina gör via stora företag som Baidu, Alibaba, Huawei och Didi Chuxing mycket stora investeringar inom AI. Kina står för en stor del av världens produktion och de följer nära de olika möjligheter som AI ger för att förbättra tillverkningsprocesser. Andra viktiga områden för satsningar är service, sjukvård och försvar. En viktig möjliggörare för den snabba utvecklingen är den allmänt höga nivån på matematikkunskaper och satsningar på utbildning inom AI. Den mycket stora hemmamarknaden, som i detta fall till viktiga delar i praktiken är stängd för utländska företag, ger tillgång till stora mängder data vilket är en viktig resurs för AI. Kinesiska företag har också påbörjat att konstruera hårdvara och operativsystem speciellt anpassade för AI-tillämpningar. En stor del av de kinesiska företagens satsningar är förlagda till Kalifornien. Japan Den dåvarande japanska regeringen gjorde redan i början på 80-talet stora satsningar inom AI i och med projektet för femte generationens datorer som var en nationell samling av AIkompetens. Detta blev på flera sätt en besvikelse. Japan har en mycket stark ingenjörstradition och var tidigt framstående inom robottillverkning. Företaget Fanuc t ex använder maskininlärning för att träna sina robotar. Man har också tidigt varit intresserade av robotar som påminner om människor, s.k. humanoider. Softbank samarbetar med IBM om utvecklingen av roboten Pepper som är ett sådant exempel. Softbank utvecklar också AI för självkörande bilar tillsammans med Honda. Toyota har nyligen investerat motsvarande 10 miljarder kronor inom AI. Ett japanskt försäkringsbolag använder Watson för att utföra de uppgifter som tidigare skadereglerare utfört. Andra exempel är Yamaha som investerar i AI för ökad säkerhet för motorcykelförare och NEC investerar i cancerforskning med hjälp av AI. Den japanska premiärministern och övriga regeringen har under 2016 uttalat att de vill att offentlig sektor ska använda AI betydligt mer. Man har under hösten 2016 också tagit fram en AI-strategi där man vill se ett utökat samarbete mellan statsförvaltningen, företagen och akademin. Man ser möjligheter att AI hjälper till med de problem man står inför med en åldrande befolkning, avstannade produktivitetsförbättringar och flera andra områden som skulle hjälpa den japanska befolkningen. Ett exempel på den japanska regeringens intresse är att man startat ett projekt för att automatiskt ta fram förslag på svar på frågor ställda i parlamentet. Den japanska regeringen har också föreslagit G7-länderna att man ska sätta upp gemensamma ramverk för AI som bl a ska reglera förhållandet till människor och säkerhet. Storbritannien Storbritannien har tidigt haft dels framstående forskning inom området men har också framgångsrika företag som t ex DeepMind som nu köpts upp av Google. Det finns också lyckade tillämpningar inom t ex sjukvård och kommuner. 16

17 Den brittiska regeringen har 2016 gjort en analys kring vad AI innebär för Storbritannien i skriften Artificial intelligence: opportunities and implications for the future of decision making. London räknas framför Paris och Berlin som den ledande regionen i Europa för AI. 17

18 Sverige Påverkan på Sverige Den effektivisering och automatisering som AI innebär kan förväntas medföra en ökad konkurrens på världsmarknaden för svenska exportföretag men också för företag i Sverige. Många svenska konsumenter blir också vana vid snabbare, bättre och inte minst mer personlig service där man enklare kan utföra sina inköp eller ärenden dygnet runt. Detta innebär bl a att nya krav kan komma att ställas även på svenska myndigheter från samma individer. Framförallt kan kraven på snabba och korrekta beslut förväntas öka. Sverige som AI-nation Sverige har idag ingen framträdande roll inom AI. Men liksom inom digitalisering i övrigt, där länder som Singapore och Estland idag har blivit föregångare, krävs inte alltid en lång historia inom området utan där har man snarare lyckats med hjälp av tydliga mål och åtgärder. Konsultföretaget Accenture har jämfört 12 olika OECD-länders potentiella fördelar av att utnyttja AI. Man redovisar Sverige som det land som har allra mest att vinna på att utnyttja AI med en förväntad ökning av produktiviteten med 37% fram till 2035 jämfört med att inte utnyttja AI. En aktiv politik och proaktiva åtgärder kan åstadkomma detta. Framväxten av AI på bred front kommer troligen att i flera avseenden påminna om tidigare stora skiften som t ex införande av elektricitet eller datorisering, dvs de företag och länder som tidigt drar nytta av möjligheterna och bygger upp kompetens är också de som vinner i konkurrenskraft. Eftersom det parallellt påverkar många branscher har ekonomer argumenterat för att AI snarare bör ses som ett lager på befintliga verksamheter än en vertikal teknologi. Sverige har flera komparativa fördelar som ger goda förutsättningar att bli framstående på att dra nytta av AI. En av de viktigaste fördelarna är en digitalt mogen befolkning. Det gör att bl a intresset, efterfrågan och acceptans för nya tillämpningar är relativt stort. Sverige rankas också högt avseende innovation och miljö för innovation och har framstående spetsföretag som exempelvis Spotify som använder och utvecklar AI. Under de allra senaste åren har det tillkommit en mängd nya små företag nischade inom olika AItillämpningar. Ett sådant exempel är Lytics som använder AI och stora mängder data för flera olika tillämpningar i vården. Det finns också en stark kompetens inom robotteknik på ABB och flera universitet. Dessutom har Volvo kommit långt inom självkörande bilar med bl a internationella samarbeten. Det finns även internationella samarbeten inom flygsektorn där SAAB och universitet är aktiva. Kinnevik investerade nyligen 200 miljoner kronor i ett brittiskt AI-företag inom hälsoområdet. Även i övrigt är näringslivet i Sverige relativt digitalt moget och vant att hantera större skiften vilket är en bra förutsättning för Sverige som en AI-nation. 18

19 Kortsiktigt förväntas kundtjänst bli ett av de största och mest allmängiltiga tillämpningsområdena för AI. Där har bl a SEB och myndigheter påbörjat olika pilotverksamheter. Sverige har visserligen inte en akademisk AI-forskning som kan mäta sig med större länder men den finns på många universitet och har ofta bra relationer till näringslivet. Det gör att den kan utvecklas inom olika kluster där Sverige har speciella intressen eller styrkor. Det är svårt att bedöma nödvändig tillgång och kvalitet på data i Sverige. Det ser troligen mycket olika ut för olika typer av tillämpningar men i många fall kan man förmodligen dra nytta av den mycket långa traditionen av att samla data och prioritera kvalitet i data. För många tillämpningar har svensk statsförvaltning förmodligen en mer lätthanterlig storlek jämfört med idag framstående länder som USA, Kina, Japan, Storbritannien och Indien. Det kan göra det enklare att utveckla tillämpningar i Sverige och mer intressant för samarbeten med flera av de ledande aktörerna. 19

20 Idéer för Sverige Nationellt Förutom att det finns en mängd färdiga tillämpningar inom AI och färdig teknik att använda så finns det också erfarenheter och grundforskning som har en stor potential för tillämpad forskning kopplad till olika nya tillämpningsområden. Sverige har redan idag flera universitet med AI-forskning. Internationellt sett är denna forskning per universitet mycket blygsam. Obamaadministrationen föreslog för USA:s del att öka grundforskningen inom AI. Svenska universitet har svårt att konkurrera såväl med resurser som kompetens inom området vilket gör att en väg framåt kan vara att snarare stödja universitet som fokuserar på olika kluster eller vertikaler inom AI. Här kan Vinnova spela en viktig roll. Många bedömare ser att AI ökar efterfrågan på individer med blandade kompetenser inom t ex humaniora och naturvetenskap. Eftersom samarbetet mellan människor och maskiner ökar - och även många traditionella yrken med universitetsutbildning som lärare, jurist, ekonom och läkare bedöms påverkas i mycket hög grad - kan ett ökat inslag av utbildningskomponenter för t ex dataanalys och statistik bli aktuella inom snar framtid. På motsvarande sätt efterfrågas redan idag för de som utvecklar AI-tillämpningar en ökad kompetens inom t ex psykologi, filosofi och pedagogik. Detta kan sammantaget leda till en påverkan på efterfrågan för vidareutbildning men också för grundutbildningar vid universiteten. Andra länder ser behov av att förutom universiteten se över utbildningssektorn även i övrigt med tanke på en allt mer AI-baserad ekonomi. AI förväntas påverka arbetsmarknaden där mer repetitiva arbetsuppgifter försvinner till förmån för arbetsuppgifter som även fortsatt kräver människor. Det senare kan t ex vara skapande arbeten eller arbeten som utmärks av starka relationer. De flesta forskare ser också framför sig ett starkt ökat behov av kortare utbildningar i allt fler ämnen snarare än att en individ har behov av en helt ny utbildning. Eftersom matematikkunskaper bedöms som centrala för att lyckas kan matematikundervisningen behöva stärkas på alla nivåer i många länder. Redan idag kan man se att de samhällen med stark matematikundervisning har en fördel i att ta tillvara möjligheterna med AI. Även i en AI-baserad ekonomi kan en spridning av programmeringskunskaper vara önskvärd. Men eftersom många tillämpningar kommer att utvecklas genom att träna system snarare än programmering finns det anledning att komplettera programmeringskompetens med kunskaper i hur man tränar AI-system. Dessutom förväntas ett ökat AI-användande leda till ökat behov av kritiskt tänkande, entreprenörskap och innovationsbenägenhet. En grundläggande kunskap om digitalisering och AI och dess konsekvenser ökar möjligheten för var och en att verka och ställa krav som medborgare i en demokrati. Ett möjligt sätt för ett litet land som Sverige är att söka aktiva bilaterala samarbeten. Liksom de bilaterala samarbeten som finns mellan USA och andra länder kan Sverige söka liknande samarbete eftersom mycket stora investeringar sker främst i USA. Sverige kan vara en 20

21 intressant samarbetspartner med en bra mix av bl a digitalt mogen befolkning, inhemsk AIforskning, några spetsföretag och myndigheter med en relativt hög digital mognad. För att få ytterligare fokus på frågan och öka det internationella nätverket kan Sverige också etablera samarbete med en eller flera av de ledande experterna med stor påverkan inom AI. Eftersom utvecklingshastigheten är hög och nya möjligheter och konsekvenser uppstår finns stora fördelar om Sverige nära kan följa utvecklingen inom AI. De ledande företagen, universiteten och statsförvaltningen i främst USA och Kina kan bevakas liksom de ledande forskarna och författarna vilka har ett stort inflytande. Dessutom kan debatten hos ledande företag, analytiker och forskare kring AI, inte minst den etiska debatten, vara en inspiration för att egna ståndpunkter ska kunna skapas i Sverige. Det kan finnas nytta med att skapa specifika fora för AI i Sverige som inte enbart diskuterar och analyserar teknologiska och ekonomiska konsekvenser utan även mer tvärvetenskapligt för att inkludera sociala och etiska aspekter. En utmaningför utveckling av AI-området i Sverige och många andra länder är tillgång till kompetens. Det är redan idag svårt för företag som Spotify med goda anställningsvillkor och kreativ arbetsmiljö att hitta rätt kompetens eftersom konkurrensen om dessa individer är mycket hård. Denna konkurrens om kompetens och talanger inom området märks inte minst detta i USA där ersättningarna och företagsköpen ökat kraftigt i branschen. Ett annat potentiellt område för nationella initiativ är lagstiftning och regleringar. I USA har man som tidigare nämnts inte sett så stora behov i dagsläget men ser att man behöver följa området nära. Den diskussion som exempelvis var i Almedalen 2016 om i vilken mån dagens regleringar och ersättningssystem kan hindra en utveckling av flexibla och kostnadseffektiva lösningar är av extra intresse för möjligheterna att utnyttja nya AItillämpningar. Oavsett om AI hanteras som ett eget område eller som en fortsättning eller del av digitalisering så finns vissa fördelar med att samordna politiken för AI med såväl digitaliseringspolitiken i allmänhet som med politik för innovationer. Det finns beroenden, överlapp, gemensamma konsekvenser och alternativa åtgärder. Ett exempel på likheter med digitalisering i övrigt är behovet av erfarenheter av agil utveckling. Samtidigt ser man i t ex USA specifika konsekvenser av AI som går utöver annan digitalisering. Det gäller t ex inom finans-, arbetsmarknads- och utbildningspolitik. Vad gäller innovationer förväntas forskning, nya produkter och nya tjänster framöver ha ett stort AI-inslag. I Japan har regeringen valt att gå före med några AI-tillämpningar för att påvisa möjligheterna för den övriga statsförvaltningen. Inom svenska regeringskansliet kan på motsvarande sätt finnas gott om tänkbara tillämpningar för att öka kvaliteten och snabbheten i tjänstemännens arbete och i interaktionen med andra myndigheter. Man kan t ex ta fram automatiserad remisshantering eller automatiserade förslag på e-postsvar och interpellationssvar. 21

22 Hos myndigheterna Flera myndigheter, bl a Skatteverket, Försäkringskassan, Arbetsförmedlingen, Tillväxtverket och Vinnova visar intresse för AI. De större myndigheterna kan ha stor nytta av att öka sin kunskap inom AI och öka sitt experimentera med tillgänglig teknik. Ett sätt att snabbt sprida kunskaper på myndigheterna kan vara att bevaka utvecklingen av tillämpningar som är specifika för det område myndigheten verkar. Ett annat sätt kan vara att flera medarbetare deltar på MOOCutbildningar från amerikanska universitet för att få en ökad kunskap i vad som är möjligt och vilka hinder som finns på vägen. Eftersom AI kan förväntas få konsekvenser för myndigheters kärnverksamhet och ekonomi kan även myndighetsledningar vara betjänta av att ha en strategisk kunskap om AI. Att lyckas med AI-utveckling kräver en innovativ och förändringsbenägen miljö. Detta är generellt en god förutsättning för digitalisering men krävs i än högre grad för att lyckas med AI-projekt. I USA har man konstaterat att just AI-projekt kan lämpa sig väl så bra som övrig digitalisering som drivkraft att ställa om mot en mer agil och innovativ miljö. För större organisationer kan finnas anledning att överväga specifika roller som ansvarar för AI-utvecklingen inom hela organisationen. Eftersom användningen av AI fortfarande inte är spridd inom myndigheterna och eftersom det kan förväntas finnas tillämpningar inom de flesta verksamhetsområden finns fördelar med en funktion som bl a har som uppgift att bevaka att man drar nytta av de olika möjligheterna, som har kompens i implementering och som kan ha en strategisk blick för hur data används. I USA diskuteras behovet av funktionen CAIO (Chief AI Officer) för stora och medelstora organisationer, i synnerhet i en övergångsfas. En fördel med en sådan funktion är att eftersom möjligheter med AI finns i de flesta delar av en organisation så stannar man inte vid enstaka uppenbara tillämpningar. Den skiljer sig också från CIO-rollen som har ett större fokus på att leverera IT-service. Myndigheterna kan inventera vilka datamängder som lämpar sig att använda och kvaliteten på dessa. För flera tillämpningar kan en anonymisering av data krävas. Dessutom kan frågeställningar kring öppna data hanteras i ljuset av AI, det kan i många fall finnas anledning att öka takten i arbetet med öppna data. Vad gäller tillämpningar kan en framkomlig väg vara områden där svensk statsförvaltning redan är stark och där man kan samarbeta med svenska universitet. En annan väg kan vara samarbeten med företag som utvecklat grundteknologi som är mogen för fler tillämpningar än de initiala. Svenska myndigheter kan då utgöra en testbädd samtidigt som det sker en kompetensspridning i Sverige. För att dels dra nytta av AI som ett medel att ge bättre service och utnyttja kostnadsbesparingar och dels bygga kompetens inom myndigheterna kan det finnas flera olika typer av ansatser: 1. Gemensam satsning på tillämpningar som många myndigheter behöver. En lämplig sådan tillämpning är troligen virtuella assistenter. Dels är tekniken mogen att utnyttjas, dels kan det ge sömlösa övergångar för medborgare som t ex ställt frågor 22

23 hos fel myndighet och dels kan det ge påvisbara vinster relativt snabbt som kan öka aptiten på fler tillämpningar. Detta skulle inte enbart ge en enklare kontakt med högre kvalitet, det skulle också innebära en större förutsägbarhet för medborgarna. 2. Parallellt utnyttja flera specifika tillämpningar som per tillämpning i första hand berör en enda myndighet eller möjligen enstaka myndigheter. Fördelen här är att man kan välja myndighetsspecifika tillämpningar som är mycket mogna och snabbt bygga kompetens inom AI vilken ändå kan delas mellan myndigheterna. Det kan också gälla tillämpningar där Sverige har olika typer av komparativa fördelar. Ett sådant exempel kan vara prognoser som lämnas av centralbanker. Det bedöms finnas mycket stort utrymme för förfinade prognosverktyg jämfört med dagens. Andra områden där det utvecklas många tillämpningar och där myndigheter kan vara aktiva är: transporter, sjukvård, utbildning, miljö, polisväsendet och arbetsmarknad. 3. Stöd för ärendehantering för att få snabba, rättsäkra ärenden med hög och jämn kvalitet. Medborgare bör kunna vara oberoende av kompetensen hos den handläggare som har hand om deras ärende oavsett vilken myndighet eller vilken typ av ärende det gäller. Idag utvecklas privata lösningar i flera länder för att underlätta för medborgare och företag att kommunicera med myndigheter. I USA finns t ex AIbaserat stöd för självdeklaration och i Sverige finns t ex en app där man kan få hjälp att överklaga felparkeringsbot. Denna typ av hjälp kan förväntas öka och det finns anledning att myndigheterna kan vara proaktiva och matcha den externa hjälpen med bra initial service. Eftersom det kan finnas ett egenvärde i att bygga upp och sprida AI-kompetens inom statsförvaltningen kan ett viktigt kriterium för prioritet av ansats vara hur snabbt, brett och relevant det bygger denna kompetens. Det innebär ett behov av ett visst utrymme för innovation. Det finns en del färdig metodik och stöd för organisationer som vill börja utnyttja AI och välja sin första tillämpning. En del brukar vara att identifiera vilka beslut som är viktigast i organisationen och frekvensen av olika klasser av beslut. Man behöver också inventera i vilka volymer digitaliserad data föreligger. Det finns t ex organisationer som erbjuder 2- dagars workshop för att genomlysa förutsättningar och vilka kriterier som är de centrala för att säkra att projekt kan bli framgångsrika. Ett snabbt sätt att komma igång med prototyper kan vara att använda någon av de molnbaserade lösningar som finns för nya AItillämpningar. En bredare diskussion AI väcker en mängd frågeställningar varav några finns inom digitalisering i allmänhet medan många andra är nyare. Fram till nyligen har AI-diskussionen utanför de kretsar som varit allra mest berörda inspirerats av skönlitteratur och och filmer som beskriver en dyster framtid med generella och autonoma robotar. Denna infallsvinkel har eventuellt förstärkts något av seriösa inlägg från debattörer som Stephen Hawkins, Bill Gates och Elon Musk. Flera av dessa inlägg kan mycket förenklat sammanfattas med att man samtidigt ser AI som det bästa eller värsta som mänskligheten skapat. Men nu ser debatten ut att breddas snabbt och det finns redan idag i Sverige media och journalister som tar upp olika aspekter på AI som är mer närliggande men också mer 23