Advokatfirma og advokatkontorer i flere land - Wikborg Rein - … · 2019. 1. 22. · potensielle...
Transcript of Advokatfirma og advokatkontorer i flere land - Wikborg Rein - … · 2019. 1. 22. · potensielle...
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 [email protected]
HANNA B. OLAUSSENSpecialist [email protected]
LINE [email protected]
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