Machine Learning i socialtjänsten

Syfte och mål

Projektet hade tre mål: Organisatoriskt lärande om AI-lösningar, skapa underlag till prognosarbete och skapa kunskap om mönster som föregår placeringar Målet organisatoriskt lärande är väl uppfyllt med fyra teman: Förutsättningar för AI, Användningsområden för AI, Informationshantering och Kunskap om egen data. Inom ramen för projektet har vi inte kunnat skapa ett aktivt prognosverktyg, men väl en modell med drygt 87% träffsäkerhet som skulle kunna utvecklas. Vi har identifierat mönster i datat som efter vidare utredning skulle kunna ge underlag för ändringar i arbetssätt.

Resultat och förväntade effekter

Den ökade kunskapen om AI bidrar till bättre förutsättningar för vår kommun att arbeta med AI i framtiden. Den modell för prognosverktyg som tagits fram kommer inte att ha någon effekt på socialtjänsten i Linköping, eftersom vi inte avser att vidareutveckla den, Modellen i sig kan dock komma till användning för andra kommuner. De kunskaper vi fått om vår data kommer att påverka arbetsprocesser relaterade till datahantering genom hela datalivscykeln. De mönster vi sett kan komma att leda till ändrat arbetssätt och därmed bidra till en socialtjänst med rätt insatser i rätt tid.

Upplägg och genomförande

Datastruktureringen tog längre tid än beräknat Vi prioriterade att slutföra projektet i tid och att fokusera på lärdomarna mer än prognosverktyget. Vi ser behovet av att stärka infrastruktur för AI innan fortsatt utveckling. Det var därför bra att från början tydliggöra målet lärande. Spridningsaktiviteter började tidigare än planerat. Täta avstämningsmöten med data scientists var värdefullt. Att delta i nätverk med övriga projekten bidrog till både lärande och spridning av våra lärdomar. Samverkan med DSO för säker informationshantering var bra.