Åtta projekt, fyra från kommuner och fyra från civilsamhället, fick finansiering i den senaste utlysningen av Starta er AI-resa. Projekten handlar bland annat om att bättre förstå varför vissa kommuninvånare är bättre rustade för arbetsmarknaden än andra, följa upp att offentliga medel används på rätt sätt och ökade förutsättningar till stöttning för personer med psykisk ohälsa. Tillämpningarna skiljer sig åt, men utmaningar är delvis gemensamma. 

Under projekttiden bjuder vi på AI Sweden in till regelbundna träffar med de åtta, och ett återkommande ämne då är utmaningar som på olika sätt handlar om data. Det handlar om data som är tekniskt eller organisatoriskt inlåst. Om data som är för spretig, eller som är för begränsad i sin omfattning. Om GDPR. Men diskussionerna kokar till slut ner till en sak, kärnfullt sammanfattat av en projektdeltagarna vid senaste träffen: “En modern organisation måste se till att data är användbar för analyser.” 

I en annan del av AI Swedens verksamhet, kopplat till arbetet med storskaliga språkmodeller, finns ett delprojekt som heter Data Readiness Lab. Där samverkar ett antal aktörer i det svenska AI-ekosystemet för att bland annat ta fram guider för hur en organisation kan jobba med annotering av data. Men också mer generella råd, för det som kallas för "databeredskapsarbete". Målsättningen är att beskriva vad databeredskap är (det kortfattade och väldigt övergripande svaret: "Att se till att data går att använda i tillämpningar för artificiell intelligens.") men också varför databeredskapsarbetet är viktigt (det kortfattade och väldigt övergripande svaret: "Utan databeredskapsarbete har vi ingen möjlighet att använda AI i verksamheten."). 

De här samlade greppen, där organisationer delar med sig av erfarenheter och lärdomar, är viktiga för att Sverige som land ska kunna accelerera användningen av artificiell intelligens. De åtta projekten som just nu är en del av Kraftsamlingen är nämligen inte unika i sina frågor om – och ibland frustration kring – data. Tvärtom. Liknande resonemang hörs i många av de möten där jag eller mina kollegor möter kommuner och organisationer som planerar att starta nya AI-projekt. Frågorna i gränslandet mellan artificiell intelligens och data är många. "Vad säger GDPR om det här?" "Har vi tillräckligt mycket träningsdata?" "Har den tillräckligt hög kvalitet?" "Kan vi komma åt den, eller finns den inlåst hos vår leverantör?" "Kan vi dela data med andra organisationer, för att tillsammans skapa bättre förutsättningar för maskininlärning och andra AI-metoder?"

Frågorna går på många sätt att likna med den om längden på ett snöre. Men det finns faktiskt också generella svar, eller åtminstone råd, som kan vara till hjälp åtminstone en bit på vägen. Arbetet inom ramen för Data Readiness Lab är i det sammanhanget viktigt. Men det finns fler aktörer som tar sig an de här frågorna. Den nationella dataverkstaden är ett sånt exempel. Här är syftet att verka för ökad datadelning mellan regioner och kommuner. Ett annat tips är Tenfiftys dataguide som ger en lättillgänglig introduktion till data.

Höjer man blicken från enskilda datakällor till det nationella perspektivet dyker siffran 140 miljarder kronor per år upp. Det är Diggs beräkning från 2019 och handlar om hur stort värde artificiell intelligens kan skapa i svensk offentlig sektor. Med hjälp av den teknik som fanns tillgänglig när rapporten släpptes, ska sägas. Och alla vet ju hur snabbt utvecklingen har gått sedan dess.

Vi på AI Sweden får ibland frågor om den siffran. "Var finns de 140 miljarderna, hur ska det gå till?" Då behöver man sänka blicken igen, ner till de enskilda projekten. För det är där, i bland annat enskilda kommuner förvaltningar som svensk offentlig sektor faktiskt finns. De 140 miljarderna kommer inte räknas hem på ett enda bräde, utan genom tillämpningar av AI där ute i verkligheten.

Men för att artificiell intelligens ska kunna skapa värde räcker det inte med beräkningskapacitet, lagringsutrymme, aldrig så moderna AI-modeller och teknisk kompetens.

Ingenting kommer att hända utan tillgång till relevant data. I tillräckligt stora mängder, och av tillräckligt hög kvalitet.

För de enskilda projekt som kör huvudet i dataväggen är det givetvis många gånger en känsla av frustration. Men de flesta vi pratar med kan snabbt samla sig, ta ett kliv tillbaka och se att det finns ett viktigt lärande att göra här.

Det är givetvis bra om de enskilda organisationerna lär av detta.

Men ännu viktigare är att det sker ett kollektivt lärande, på nationell nivå.