Effektivisering av Arbeidstilsynets tilsynsmetodikk ved hjelp av maskinlæring

Arbeidstilsynet gjennomfører hvert år omtrent 14 000 tilsyn blant omtrent 250 000 virksomheter med hjemmel i arbeidsmiljøloven. Arbeidstilsynet har som langsiktig mål å bedre tilstanden i arbeidsmiljøet i Norge, og at tilsynene skal gjennomføres treffsikkert og effektivt. Ettersom etaten har begrensede ressurser må det prioriteres hvilke virksomheter det føres tilsyn med og hvilke forhold som kontrolleres. Tilsynene bør derfor være risikobaserte slik at de i størst mulig grad gjennomføres mot virksomheter og forhold hvor er mest sannsynlig å finne brudd på arbeidsmiljøloven. Arbeidstilsynet utvikler derfor en maskinlæringsmodell for å forenkle og forbedre prosessen med å velge ut virksomheter for tilsyn. Dette Ph.D.-prosjektet har undersøkt nærmere hva slags data og maskinlæringsmetoder som fungerer best for dette formålet. Det er i denne forbindelse blitt publisert et nytt datasett som inneholder tidligere tilsyn etaten har gjennomført mellom 2012 og 2019, samt en oversikt over hvilke maskinlæringsmetoder som fungerer best på dette datasettet. I forbindelse med prosjektet er det også blitt publisert en ny metode for å automatisk velge ut kjennetrekk ved virksomhetene for maskinlæring, noe som kan forbedre treffsikkerheten til Arbeidstilsynets eksisterende maskinlæringsmodell. En viktig forutsetning for å avdekke brudd på arbeidsmiljøloven under etatens tilsyn er at forhold som er relevant for virksomheten kontrolleres. Arbeidstilsynets inspektører bruker derfor sjekklister i tilsynene. Et av resultatene fra prosjektet er en ny maskinlæringsmetode som genererer skreddersydde dynamiske sjekklister for hver enkelt virksomhet der det skal gjennomføres tilsyn. Dette er sjekklister som automatisk tilpasser seg underveis i tilsynet (gjennom maskinlæringsmodellen), basert på hvordan inspektørene besvarer sjekklisten. Hensikten med de dynamiske sjekklistene er å øke effektiviteten av tilsynene. Underveis i prosjektet ble det oppdaget at det er vanskelig å evaluere hvor godt de dynamiske sjekklistene fungerte. Det er derfor gjennomført en feltstudie der sjekklistene ble prøvd ut i 69 forskjellige tilsyn utført av 6 ulike inspektører, med fokus på bygg og anlegg, overnatting og servering og industri (produksjon). Resultatene viser at antall brudd som avdekkes i tilsynene øker med opptil 27 prosent. Forbedringen var minst innen tilsynene i bygg og anlegg, noe som antakelig kan utbedres ved å introdusere flere variabler i maskinlæringsmodellen. Sjekklistene er likevel effektive og Arbeidstilsynet ønsker derfor å ta dem i bruk i tilsynene sine. I prosjektet er det også blitt utviklet metoder som rettferdiggjør hvordan maskinlæringsmodellen genererer de dynamiske sjekklistene ved å synliggjøre sannsynligheten for å avdekke brudd på hvert enkelt kontrollpunkt i sjekklistene. Det er også utviklet en metode som forklarer inspektørene hvordan de dynamiske tilpasningene som gjøres i sjekklistene underveis i tilsynene henger sammen med måten de blir besvart på. Dette kan gjøre det enklere for Arbeidstilsynets inspektører å forstå hvordan sjekklistene skal brukes.

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.