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.
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.