Advokat Hanna Beyer Olaussen og

Advokat Emily Weitzenboeck

Oslo/Bergen januar 2019

Hvem er ansvarlig

for R2D2?

Digital tillit

DIGITAL

TILLIT

LOVER OG REGLER ETIKK

SIKKERHET

TRANSPARENS OG

FORUTSIGBARHET

Digital tillit

OMDØMMETAP

MARKEDS- OG

AKSJEVERDIER BØTER

ERSTATNINGSKRAV

INTERNE

KOSTNADER

Rettslige aspekter knyttet til roboter og AI

PERSONVERN

FORSIKRINGSRETT

STRAFFERETT

SOFTWARE

HARDWARE

IMMATERIALRETT

KONTRAKTSRETT "HANDLINGER" UNNLATELSER

ERSTATNINGSRETT

(PRODUKT)ANSVARSRETT

ETISKE RETNINGSLINJER (utkast)

EU RESOLUSJON 2017

R2D2 – et eget rettssubjekt?

Fysiske

personer

Juridiske

personer

E-personer

Rettslige aspekter knyttet til "Big Data"

DATAFLYT OG

LOKASJON

NASJONALE KRAV

PERSONVERN

(GDPR)

IMMATERIELLE

RETTIGHETER

EIERSKAP TIL DATA

TILGANG

GDPR EKSPORT/

IMPORT

SANKSJONSREGLER

KONKURRANSE-

LOVGIVNING

KINA RUSSLAND ANSVAR

wr.no

Oslo ● Bergen ● London ● Shanghai ● Singapore

Takk for oss!

EMILY M. WEITZENBOECKSenior Lawyeremw@wr.no

HANNA B. OLAUSSENSpecialist Counselhbo@wr.no

LINE COLLPartnerlco@wr.no

Foto: Wikborg Rein, Erik Burås/STUDIO B13, Ilja Hendel, istockphoto.com

Ansvarsforhold: Denne presentasjonen inneholder en overordnet beskrivelse av enkelte regler i norsk rett.

Den utgjør ikke juridisk rådgivning, og ingen forretningsmessige beslutninger bør baseres på den.

Roboter og Kunstig Intelligens – bak fasadenJulija Pauriene, Head of Artificial Intelligence

Oslo

Bergen

Stockholm

Utviklede intensjoner

i boost.ai-plattform

20

65+

Chatboter er utviklet

av AVO med boost.ai

Antallet kunder i

Norden

15 000+

Chatbots

RPA

Dataanalyse

Maskinlæring

Low Code

78Antallet digitale

problemløsere

AVO Consulting er mennesker som fikser problemer ved bruk av teknologi

Prosesser er

automatisert med RPA

175Systemer er

automatisert mot

600+

Utvalgte kunder

Verden i media

Verden i realiteten

En

dri

ng

sta

kt

Tid

Arbeid utført med tastatur og mus:

Automatisering av regelstyrte oppgaver

Arbeid som krever tenking:

Kognitiv automatisering

RPA – Robotic Process AutomationHva er det og hvordan kan det brukes?

Arbeid utført med tastatur og mus:

Automatisering av regelstyrte oppgaver

Robotic Process Automation

“Klipp og

lim data”

Registrering

av data

Innhente data

fra nettsider

Sammenligne

informasjon

Bruke

applikasjoner

ID

MDP

Museklikk

Kalkulere

Database-

spørringer

17.01.2019 | Side 9 AVO Consulting Proprietary and Confidential

Robotic Process Automation på 60 sekunder

Og samhandler med

ulike systemSom bruker digital input

Basert på en rekke

definerte reglerRPA er en software

17.01.2019 | Side 10

Roboten må ikke kunne gjøre hele prosessen

17.01.2019 | Side 11

Sortere og

strukturere data

Ro

bo

ter

Me

nn

es

ke

r

Start

Arbeidsliste

for roboten

Utføre

regelbaserte

handlingerAvvik?

Avvik og oppgaver som

trenger vurdering

SluttJa

Nei

17.01.2019 | Side 12

Vekst

Hvilke gevinster

oppnår man ved

«robotisering»?

Raskere

saksflyt

Økt

fleksibilitet

Bedre

utnyttelse av

ressurser

Økt kvalitet

Standardisering

Data om

prossessen

Medarbeider

-tilfredshet

Eksempler av RPA i næringslivet

Case 1: Automatisering av sykmeldinger i Altinn

17.01.2019 | Side 14

Roboten jobber mellom alle systemer

via API-er, mottar og fyller raskt ut skjemaer

Mottar sykmeldingen

fra sykmeldt

Fyller ut skjema til NAV

med nærmeste leder

Fyller ut og sender

opplysninger til NAV

Mottar utfylt søknad

om sykepenger i Altinn

Sykmeldinger

registreres i Agresso HR

F

Ø

R

E

T

T

E

R

1s

300s

Saker hoper seg opp

Fyller ut og sender

opplysninger til NAV

Kunstig IntelligensHva er det og hvordan kan det brukes?

Arbeid som krever tenking:

Kognitiv automatisering

Kunstig Intelligens

Tekstforståelse og

tolkning

Bildeanalyse

Lydforståelse

Predikere hendelser Finne mønstre

Skaffe innsikt

Vi opplever eksponentiell vekst av data

17.01.2019 | Side 17

▪ 90% av all data er produsert ila de siste 2 år

Kilde: IDC, Bloomberg

Vi opplever eksponentiell vekst av prosessorkraft

17.01.2019 | Side 18

Cray-2, rom

1.9Gflops / 2.5t

250MNOK

Iphone 4, lomme

1.6Gflops / 420g

NOK 3 500

Iwatch, håndledd

>3Gflops / 125g

NOK 3 000

Lineært vs Eksponentielt

17.01.2019 | Side 19

Lineære steg Eksponentielle steg

17.01.2019 | Side 20

Reisen fra «umulig» til «nødvendig»

17.01.2019 | Side 21

UMULIG UPRAKTISK MULIG FORVENTET NØDVENDIG

«The winner takes it all» effekten

17.01.2019 | Side 22

FORBEDRER

ØKER PRODUKT

DATAAI

INNTEKTER

ØK

ER

PROFITT

17.01.2019 | Side 23

Is Netflix a threat?

- Time Warner CEO Jeff Bewkes, 2010

It’s a little bit like, is the Albanian army going to take over the world?

NETFLIX står for15% av all internett-trafikk globalt

17.01.2019 | Side 24

17.01.2019 | Side 25

Historikken avslører deg…

17.01.2019 | Side 26 https://medium.com/netflix-techblog/artwork-personalization-c589f074ad76

Tradisjonell programmering vs maskinlæring

17.01.2019 | Side 27

Tradisjonell

programmeringSvar

Maskinlæring Regel

Regel

Data

Data

Svar

𝐹 𝑋, 𝑌 = 𝑋 ∗ 𝑌

𝑋 = 2, 𝑌 = 3

𝑋 = 2, 𝑌 = 3

𝑍 = 6

𝑍 = 6

𝐹 𝑋, 𝑌 = 𝑋 ∗ 𝑌

Kunstig intelligens kan skape verdi og bidra på tre forskjellige måter

17.01.2019 | Side 28

Analysere og vurdere Forutse Anbefale og rådgi

Data er grunnlaget for å forstå, forutse, forhindre eller forsterke hendelser

17.01.2019 | Side 29

Deskriptiv analyse

▪ Hva skjedde? Hva skjer?

▪ Analyse og aggregering av historisk informasjon for å forklare

hvorfor en hendelse skjedde

Diagnostisk analyse

▪ Hvorfor skjedde det?

▪ En mer omfattende analyse på tvers av datakilder som forklarer

hvorfor en hendelse skjedde

Prediktiv analyse

▪ Hva kommer til å skje?

▪ Prediksjon av fremtidig utvikling eller hendelse basert på

mønstre avdekket i historiske data.

Preskriptiv analyse

▪ Hva bør vi gjøre?

▪ Analyse av data som resulterer i anbefalinger for tiltak

Preskriptiv

Verdi

Kompleksitet

Deskriptiv

Diagonostisk

Prediktiv

Kilde: Genpact and FORTUNE Knowledge Group, 2017

Hva bruker næringslivet maskinlæring til?

0% 5% 10% 15% 20% 25% 30% 35% 40% 45% 50%

Redusere kostnader

Forbedre kundeoppfølging

Forbedre prosesser og øke effektivitet

Øke inntekter

Firgjøre tid for å fokusere på mer verdifulle aktiviteter

Forbedre/ endre forretningsmodeller

Innen 3 år I dag

Hovedutfordringer bedrifter må løse for å kunne bli datadrevet

17.01.2019 | Side 31

Rotete data Bruksområder Kompetanse

17.01.2019 | Side 32

“Klipp og

lim data”

Registrering

av data

Innhente data

fra nettsider

Sammenligne

informasjon

Navigere og bruke

applikasjoner

ID

MDP

Museklikk

Kalkulere

Database-

spørringer

Eksempler på aktiviteter RPA kan automatisere: Eksempler på aktiviteter AI kan automatisere:

Tekstforståelse og

tolkning

Bildeanalyse Lydforståelse

Predikere hendelser Finne mønstre

Skaffe innsikt

Økt automatiseringsgrad ved å kombinere teknologier

Eksempler av AI i næringslivet

17.01.2019 | Side 33

Case 1: Automatisere skriving av salgsoppgaver (NLP)

HVA ER PROBLEMET? HVILKE EFFEKTER SER MAN?HVORDAN LØSTE VI DET?

DATAANALYSE

Utforske muligheten til å analysere dokumentasjon automatisk og trekke utvesentlig informasjon for meglers vurdering

PROAKTIVE TILTAK

Integrere algoritmen med kjernesystem for sømløs informasjonsoverføring

Meglere må lese gjennom 200-300 sider

med dokumentasjon, trekke ut vesentlig

informasjon manuelt for å sammenstille

en salgsoppgave.

17.01.2019 | Side 34

UTVIKLE

Bygge en modell for å identifisere informasjon som må opplyses ifm boligsalg

ØKONOMIRedusere kostnader knyttet til prosessen

KVALITETSikre at all nødvendig informasjon er opplyst om

STANDARISERINGStandardisere innhold i salgsoppgaver

EFFEKTIVISERINGEffektivisere forarbeidet i boligsalgsprosessen

KVALITETSUTFORDRINGER

TIDSKREVENDE

KØER

Case 2: Predikering av systemfeil (anomaly detection)

HVA ER PROBLEMET? HVILKE EFFEKTER KAN LØSNINGEN GI?HVORDAN KAN DET LØSES?

DATAANALYSE

Utforske muligheten til å finne mønstre som kan overvåkes for å minimere eller unngå nedetid

PROAKTIVE TILTAK

Informere om en mulig feil på forhånd slik at personalet kan proaktivt unngå nedetid

Nettverks- og systemfeil tas vare på etter

at de først inntreffer. Dette resulterer ofte i

betydelige bøter som følge av brudd på

SLA avtaler.

17.01.2019 | Side 35

UTVIKLE

Bygge en modell for å identifisere og evaluere sannsynligheten for ulike feil basert på data fra kildesystemene

ØKONOMIRedusere brudd på SLA og resulterende bøter.

FORBEDRINGForbedre informasjon- og erfaringsdeling mellom ressurser

RASKERESikre raskere eskalering til riktig ressurs

EFFEKTIVISERINGEffektivisere feilsøkings- og feilrettingsarbeidet

BØTER

MISFORNØYDE KUNDER

STAFFING

Case 4: filtrering og kategorisering av innkommende epost (classification)

17.01.2019 | Side 36

Utfordring Foreslått løsning Ønsket Resultat

Anbud tapes/vinnes

avhengig av responstid

Svært repetitivt å sortere

epost manuelt

En selvlærende algoritme sorterer og

scorer innkommende epost ut ifra et

forretningspotensiale, og legger

potensielle leads i en prioritert mappe,

eller videresender til selger.

Vinne flere oppdrag

Raskere respons på leads

Redusert rutinepreget repetitivt arbeid

Det tar tid å sjekke

fellespostkassen manuelt,

og mye ikke-relevant epost

Responstid blir lenger

siden eposten sjekkes i

«batch»

Sjekke epost ofte tar tid og

fokus fra andre oppgaver

Store mengder usortert

innkommende epost

Kan ikke enkelt se hvilke

epost man bør bruke tid på

Symptomer Rotårsaker

Oppgaver som er

tidssensitive av natur

Tid frigitt til bedre oppfølging

Prioriterte leads

---

---

---

---

Annet

---

---

---

---

Utfordringen i praksis

17.01.2019 | Side 37