Effektivisering av Arbeidstilsynets tilsynsmetodikk ved hjelp av maskinlæring

Every year, the Norwegian Labour Inspection Authority carries out around 14,000 inspections among approximately 250,000 enterprises, pursuant to the Working Environment Act. The Labour Inspection Authority has as a long-term goal to improve the state of the working environment in Norway, and that the inspections shall be carried out accurately and efficiently. As the agency has limited resources, they must prioritize which companies to be selected for inspections and what kind of conditions to be investigated at each inspection. Thus, the inspections should be risk-based to ensure that businesses and conditions are targeted where violations of the Working Environment Act are most likely to be found. The Norwegian Labour Inspection Authority is therefore developing a machine learning model to simplify and improve the process of selecting businesses for inspections. This Ph.D.-project investigated in more detail what kind of data and machine learning methods work best for this purpose. In this regard, a new data set has been published that contains previous inspections carried out by the agency between 2012 and 2019, as well as an overview of which machine learning methods work best on this data set. A new method has also been introduced to automatically select important features for machine learning purposes, which can improve the accuracy of the Norwegian Labour Inspection Authority's existing machine learning model. An important prerequisite for finding violations of the Working Environment Act is that the conditions that are relevant to each business are checked for during inspections. To achieve this, the Norwegian Labour Inspection Authority's inspectors use checklists in their inspections. One of the results of the project is a new machine learning method that generates tailor-made dynamic checklists for each individual business where inspections are carried out. These checklists automatically adapt themselves during the inspections (through the machine learning model), based on how they are answered by the inspectors. The purpose of the dynamic adaptations in the checklists is to increase the efficiency of the inspections. During the project, it was discovered that it is difficult to evaluate the dynamic checklists. Therefore, a field study was carried out in which the checklists were tried out in 69 different inspections carried out by 6 different inspectors, with a focus on construction, accommodation and food, and manufacturing. The results show that the number of violations found in the inspections increases by up to 27 percent. The least improvement was within the inspections in building and construction, but further improvements may be achieved by introducing more variables in the machine learning model. The checklists are nevertheless effective and the Norwegian Labour Inspection Authority therefore seeks to adopt them for their inspections. This project has also developed methods to justify the content of the machine learning-based dynamic checklists, by highlighting the probability of finding violations to individual items on the checklists. A method has also been developed that explains to the inspectors how the dynamic adaptations made in the checklists during the inspections are linked to the way they are answered. This could make it easier for the Norwegian Labour Inspector Authority's inspectors to understand how the checklists should be used.

Arbeidet er forankret i Arbeidstilsynets målbilde for 2030, som beskriver ønsket tilstand for Arbeidstilsynets rolle i samfunnet og hva etaten skal oppnå. Målbildet beskriver ambisjonsnivå og retning for etatens arbeid og er et verktøy for å jobbe langsiktig og strukturert. Arbeidet vil gi virkninger gjennom endringer i Kompetanse og utvikling, Målgrupper og leveranser og Effektive prosesser slik det er definert gjennom målbildet. Prosjektet understøtter området Kompetanse og utvikling ved å styrke Arbeidstilsynets kompetanse innen kunstig intelligens og samarbeid med andre fagmiljøer. Resultatene fra prosjektet vil også direkte bidra til en bedring i den generelle arbeidsmiljøtilstanden ved at tilsynene blir mer treffsikre og effektive. Virkningen innenfor Effektive prosesser vil oppnås ved resultatene fra doktorgradsarbeidet aktivt anvendes i organisasjonen. Mer detaljert beskrivelse av virkninger og effekter finnes i søknaden mot Forskningsrådet.

I 2016 startet Arbeidstilsynet et prosjekt med mål om å utvikle et maskinlæringssystem som predikerer risiko for brudd på arbeidsmiljøloven for alle virksomheter. Systemet er basert på logistisk regresjon og assosierer enhver virksomhet (som Arbeidstilsynet fører tilsyn hos) med en risikogruppe blant fire forskjellige grupper rangert fra lavest til høyest. Hensikten med systemet er å hjelpe Arbeidstilsynets inspektører med å velge ut virksomheter med høyest risiko for brudd på arbeidsmiljøloven for tilsyn. Systemet har vært utprøvd med gode resultater og Arbeidstilsynet ønsker derfor å satse på videreutvikling av maskinlæring innenfor dette området. Den første delen av prosjektet går ut på å undersøke hvordan ulike variabler og maskinlæringsmetoder påvirker Arbeidstilsynets tilsynsresultater. Hensikten er å finne ut hvordan disse metodene kan forbedres og tilpasses for å optimalisere tilsynsresultatene. Det vil også gjøres et arbeid for å finne et felles grunnlag som gjør det mulig å sammenlikne de ulike maskinlæringsmetodene. Resultatet av arbeidet vil danne grunnlag for forbedringer av Arbeidstilsynets bruk av metoder innen maskinlæring. I den neste delen av arbeidet vil kandidaten undersøke ulike maskinlæringsmetoder for å generere relevante sjekklister som skal brukes av inspektører under tilsyn. Hensikten er å lage en prototype samt å måle effekten av ulike metoder og fremgangsmåter for å generere sjekklistene, for å se hvor godt de fanger opp brudd på arbeidsmiljøloven ved tilsynene. I den siste delen av arbeidet vil kandidaten undersøke ulike tilnærminger og metoder for å forklare og synliggjøre hvilke kriterier som ligger til grunn for beslutninger som gjøres av kunstig intelligens. Dette arbeidet har mål om å utvikle en forklaringsmodell som synliggjør hvilke faktorer som ligger til grunn for de estimerte risikoene blant virksomhetene. Hensikten er at forklaringsmodellen skal være enkel å forstå slik at den kan brukes av etaten internt og eksternt.