Risikobasert tilsyn hos Mattilsynet

Hvordan gjøre risikobasert tilsyn ved hjelp av maskinlæring?

I en periode på fire uker fikk Visma Consulting muligheten til å hjelpe Mattilsynet med problemstillingen “hvordan kan Mattilsynet systematisk velge ut tilsynsobjekter med større sannsynlighet for risiko eller avvik?”. Dette resulterte i et pilotprosjekt utført av fem konsulenter fra traineeprogrammet Nytt Krutt med fokus på to av Mattilsynets tilsynsområder – barnehager og småfe.

Hva er risikobasert tilsyn?

Risikobasering av tilsyn går ut på å finne virksomheter som har en risiko for regelverksbrudd. Hvordan risiko blir kalkulert vil avhenge av hvilken risiko man er interessert i å forutsi. Hvilke faktorer som blir tatt med gjør at selve utregningen av risikoen vil variere. Data som er antatt å ha en statistisk sammenheng med risikoen er derfor nødvendig for å kunne prioritere tilsyn. På denne måten vil det være mulig å klassifisere tilsynsobjekter hvor det er størst risiko for å finne elementer som ikke er i henhold til eksempelvis regelverk og lovverk.

Ved å anvende maskinlæring vil man kunne gjøre risikobasert tilsyn på en effektiv måte. Maskinlæring går ut på å lage algoritmer som kan lære og tilpasse oppførselen basert på empiriske data. Modellen trenger dermed ikke å være eksplisitt programmert for et spesifikt formål. På denne måten er datamaskiner i stand til å gjenkjenne skjulte mønstre og ta kalkulerte beslutninger.

MARIT – Mattilsynet Risikobasert Tilsyn

Som et statlig forvaltningsorgan er det av samfunnsmessig interesse å forebygge og avverge sykdomsutbrudd, epidemier og andre potensielle trusler. Utvalg av tilsynsobjekter med høy risiko muliggjør også mer effektiv ressursbruk. Et annet viktig aspekt er at en utvelgelsesprosess tilbyr en objektiv vurdering av tilsyn som bidrar til et felles vurderingsgrunnlag i organisasjonen.

Prosjektpresentasjon av Risikobasert tilsyn

Teamet presenterer prosjektet for kunde og kollegaer.

Leveransen til Mattilsynet bestod av:

  • Forslag til tiltak for å bedre datakvaliteten, samt en vurdering av datakvaliteten.
  • En prototype som predikerer tilsynsobjekter av høy risiko – MARIT. Den ferdige prototypen anvender tilsynsdata fra Mattilsynets saksbehandlingssystem (MATS) og eksterne data fra Landbruksdirektoratet og Utdanningsdirektoratet. Prototypen bruker maskinlæringsalgoritmen Random Forest Classifier på toppen av en programvare (pipeline) som gjør prosessen fra datafil til maskinlæring sømløs. Pipelinen gir Mattilsynet mulighet til å koble på flere fagområder i fremtiden.

Hvem har nytte av risikobasering?

Risikobasering egner seg godt der det er behov for å systematisk kategorisere ut i fra en gitt risiko. Dette bidrar til generalisering av arbeidsprosesser og å redusere menneskers subjektive påvirkningskraft. Domenekunnskap og andre organisasjonsspesifikke egenskaper vil brukes til å justere maskinlæringsmodellen slik at den empiriske kunnskapen blir ivaretatt, samtidig som modellen vil følge en standard. Dette er spesielt nyttig for organisasjoner som er avhengig av vurderinger fra enkeltpersoner.

Et pilotprosjekt kan bidra til å:

  • Gi en oversikt over organisasjonens datakvalitet – statistisk sammenheng mellom data, hvilke data som kan og ikke kan brukes, potensielle endringer som bør gjøres for å utnytte nåværende og fremtidig datagrunnlag.
  • Gi innsikt i hvordan organisasjonen praktiserer i virkeligheten – basert på datakvaliteten vil dette gi organisasjonen et godt innblikk i potensielle variasjoner i de ansattes arbeidsprosesser.
  • Gi tips og anbefalinger til forbedringer og videreutvikling – risikobasert tilsyn kan gi en indikasjon på hvorvidt organisasjonen oppfyller sine egne ambisjoner. På denne måten er det mulig å foreslå endringer som kan bidra til å realisere ambisjonene og tenke langsiktig.

Vil du bli en del av Nytt Krutt 2019 og jobbe med reelle kundecaser? Søknadsfristen er 21. oktober!

Søk Nytt Krutt 2019 nå

Hanna Rognerud startet i Visma Consulting august 2018 som en del av traineeprogrammet Nytt Krutt, og jobber som konsulent. Hun har studert informatikk: programmering og nettverk ved Universitetet i Oslo. Hannas engasjement for informatikk strekker seg fra et godt kodehåndverk til sosio-tekniske prosjekter på den digitale reisen.
Connect with Hanna: