I denne artikkelen gir vi en oversikt over hvordan Skatteetaten setter denne ambisjonen ut i livet. Vi presenterer vår tilnærming for å bygge og iverksette ML- og KI-modeller i stor skala i en tverrfaglig, kompleks og fragmentert setting, og tar med eksempler fra utvikling av modeller for Skatt Næring-området. Artikkelen vil belyse organisatoriske, tekniske og kapasitetsmessige utfordringer for utvikling av KI-baserte modeller og prosesser i Skatteetaten, og presenterer løsninger for å skape verdi i stor skala.
Kilde: skatteetaten.no
Sammendrag av artikkelen generert med KI
Hovedbudskap
Skatteetaten har som mål å bruke data, maskinlæring (ML) og kunstig intelligens (KI) i stor skala for å skape samfunnsverdi. Artikkelen beskriver hvordan etaten operasjonaliserer denne ambisjonen, hvilke organisatoriske og tekniske utfordringer som oppstår, og hvilke strategier som benyttes for å løse dem.
Utfordringer
-
Fragmentert oppgavestruktur og regelverk: Skaper hindringer for samhandling, dataflyt og koordinering på tvers av avdelinger.
-
Ressursmangel og konkurranse om kompetanse: Vanskelig å rekruttere og beholde spesialister innen KI og dataanalyse.
-
Teknisk infrastruktur: Manglende grensesnitt mellom systemer gjør det krevende å sette modeller i produksjon.
-
Juridiske krav og etisk ansvar: Høy vekt på personvern, sikkerhet og rettferdighet gjør KI-utvikling mer kompleks.
Løsninger og prinsipper
-
Tverrfaglige produktteam med eierskap
– KI må forankres der verdiskapingen skjer. Teamene som bruker løsningen må også forvalte den. -
Kompetansesenter som bindeledd
– Data Science Kompetansesenter (DSKS) fungerer som metodehub, koordinator og inkubator, og støtter produktteam i hele etaten. -
Tydelig strategi og felles planverk
– Skatteetaten prioriterer KI-initiativ som gir høy verdi og muliggjør gjenbruk på tvers. Behov og effekt vurderes løpende. -
Disiplinert prosjektgjennomføring
– KI-prosjekter styres med tydelig planlegging, verdianalyse, og fleksibilitet for endring underveis. Fokus er på verdiskaping, ikke bare teknologi.
Fra idé til produksjon
-
Identifisering av forretningsbehov: Man søker fellesnevnere på tvers for å lage modellfamilier med felles datagrunnlag.
-
Datahåndtering i «data mesh»-struktur: Data forvaltes av de som kjenner dem best, med tilgang via felles katalog og styring.
-
Analyse og utvikling: Starter i avgrensede miljøer, med fokus på personvern, forklarbarhet (XAI) og bruk av minst mulig data.
-
Produksjonssetting: Krever sikker infrastruktur, juridisk godkjenning og integrasjon med eksisterende fagsystemer. Dette er krevende, men nødvendig for effekt.
Eksempel på verdi
En modell som foreslår forhåndsutfylte beløp i skattemeldingen har forbedret brukervennlighet, redusert feil og økt etterlevelsen – til fordel både for innbygger og samfunn.
Konklusjon
Skatteetaten er tidlig i sin storskala KI-reise, men har gjort store fremskritt. Organisering, metodikk, samarbeid og et sterkt fokus på samfunnsoppdrag og etikk er nøkkelen for å lykkes med verdiskapende og ansvarlig bruk av KI i offentlig sektor.
