Hoe overheden AI en analytics inzetten voor efficiëntere en slimmere dienstverlening
Mensen hebben niet alleen hoge verwachtingen van hun favoriete merk, maar ook van overheidsdiensten. Hoe zorg je voor een soepele afhandeling van verzoeken van burgers? Hoe stel je de juiste prioriteiten? Gelukkig zijn data analytics en AI game changers voor dit soort overheidsvragen.
Maar zelfs als de data beschikbaar zijn voor analytics-toepassingen, hebben veel organisaties nog steeds moeite om de uitkomsten in hun processen te verankeren. Met andere woorden, ze vinden het moeilijk om echte waarde uit hun data te halen. In dit opzicht zijn sommige overheidsdiensten volwassener dan andere.
Laten we eens kijken naar enkele voorbeelden van AI die intelligente besluitvorming ondersteunt en burgerdiensten efficiënter maakt. Gezien de plannen van het nieuwe kabinet om fors te bezuinigen op de ambtenarij en het terugdringen van externe inhuur, wordt het des te belangrijker om de productiviteit te verhogen en AI en analytics effectief in te zetten binnen de overheid. Het verankeren en op een andere manier inzetten van kennis wordt hierdoor cruciaal.
Slimmere en efficiëntere dienstverlening
Overheidsinstellingen zullen daarom AI-gestuurde intelligente beslissingen in hun activiteiten moeten integreren om waarde uit hun data te halen. Dankzij geautomatiseerde inzichten kunnen medewerkers de controle behouden terwijl ze hun kennis en vaardigheden effectiever gebruiken. Dit helpt hen om snellere en nauwkeurigere beslissingen te nemen, waardoor de werkdruk afneemt en de dienstverlening aan burgers wordt geoptimaliseerd.
Zo maakte de Rijksdienst voor Ondernemend (RVO) Nederland tijdens de pandemie gebruik van SAS. Met 300.000 aanvragen voor financiële steun moest er snel en accuraat worden gereageerd. Veel ondernemers zaten in zwaar weer door de gezondheidscrisis. SAS hielp de RVO door de aanvragen te classificeren naar urgentie. Gevallen die niet urgent waren of geen input van een expert nodig hadden, werden toegevoegd aan een groene stroom (groen gemarkeerde data van aanvragen die aan de vereisten voldoen); andere verzoeken van complexere casussen die menselijke interventie nodig hadden, werden verzameld in een oranje of rode stroom. Het toepassen van geautomatiseerde beleidsregels laat zien hoe technologie enorme hoeveelheden data kan verwerken om workflows te verbeteren of prioriteiten te stellen. De mogelijkheden zijn eindeloos, van gestroomlijnde inspecties tot fraudedetectie en efficiënte klachtenafhandeling.
Omgaan met inspecties en klachten
Hetzelfde concept kan worden toegepast om inspecties te begeleiden. In België gebruiken douanediensten SAS om potentiële fraude op te sporen. Door de grote hoeveelheden containers en goederen die de Belgische zeehavens en luchthavens passeren, kunnen de autoriteiten niet elke eenheid of elk pakket controleren. In het verleden vertrouwden ze op praktijkervaring om te beslissen welke containers nader geïnspecteerd moesten worden. Ook in Nederland is het aantal te controleren pakketjes in vijf jaar tijd verviervoudigd naar circa 1 miljard pakketten per jaar. Voor de douane komt hiermee de grens van (veiligheids)controles in zicht. In België speelt technologie, zoals datamining en analytics, al een sleutelrol in dit proces. Naarmate het algoritme geavanceerder en slimmer wordt, worden douanecontroles effectiever en nauwkeuriger.
Intelligente besluitvorming is ook zeer effectief voor het afhandelen van klachten. Zo gebruikt een Belgische overheidsdienst AI-gestuurde beslissingen om zijn digitale hub te beheren waar burgers en bedrijven klachten kunnen indienen – of het nu gaat over namaakproducten of aankopen die niet aan de verwachtingen voldoen. Elk jaar behandelt het platform ongeveer 50.000 klachten. Om dit in goede banen te leiden, gebruiken de 200 medewerkers analytics om klachten te classificeren op thema en urgentie. Daarnaast helpt de technologie om klachten direct door te sturen naar de juiste persoon. Dit verbetert niet alleen de operationele efficiëntie, maar biedt burgers ook een snellere service.
De volgende stap: GenAI
De afgelopen twee jaar hebben we aanzienlijke vooruitgang gezien in GenAI en grote taalmodellen (LLM’s), technologieën die verschillende vormen van content kunnen begrijpen en genereren. Deze vooruitgang opent nieuwe mogelijkheden voor overheidsinstellingen om hun diensten te stroomlijnen. Dit geldt onder andere voor een Belgische Federale Overheidsdienst. De organisatie heeft een uitgebreide database met vragen en antwoorden over juridische onderwerpen zoals arbeidsreglementen en collectieve arbeidsovereenkomsten. Wanneer werknemers, werkgevers en zelfs parlementsleden vragen stellen, moeten de medewerkers veel tijd en moeite steken in het doorzoeken van de database (zonder garantie op het gewenste zoekresultaat).
Om dit proces te vergemakkelijken wordt gebruikgemaakt van tekstanalyse om relevante artikelen te identificeren, zodat gebruikers snel de informatie kunnen zoeken die ze nodig hebben. Dankzij de vertaalfunctie (Nederlands/Frans) hoeven ze hun zoekitems niet te vertalen. Bovendien neemt de tool automatisch concepten en afgeleiden van trefwoorden op, wat resulteert in een aanzienlijke tijdsbesparing en een verbeterde efficiëntie.
In de volgende fase zullen we zien dat LLM’s een reeks mogelijkheden ontsluit, door de experts te ondersteunen met bijvoorbeeld samenvattingen van artikelen of het genereren van voorbeeldantwoorden.
Bezoek de Government Resource Hub voor meer informatie over GenAI.
