Machine Learning en big data in het sociaal domein. Divosa congres 15 juni 2017

Maat: px

Weergave met pagina beginnen:

Download "Machine Learning en big data in het sociaal domein. Divosa congres 15 juni 2017"

Bram Lenaerts
5 jaren geleden
Aantal bezoeken:

1 Machine Learning en big data in het sociaal domein Divosa congres 15 juni 2017

2 programma 1. Inleiding (S:mulansz) 2. Techniek van machine learning (ToAa) 3. Machine learning in de prak:jk (WIL) 5. Privacy (S:mulansz)

3 Big data Ontwikkeling hard- en so9ware Sta;s;sche (analy;sche) ontwikkeling

4 Machine learning Data lab

5 Machine Learning Klik om de stijl te

6 Classificatie - Decision Klik om Tree de stijl te Snuit? Vacht? Blaffen? Ademt door kieuwen? Pote n? Hoogt e? Ore n?

7 Classificatie Klik om de stijl te Voorspelling Werkelijkheid Kenmerken hond! Kleur vacht! 2 oren! 4 poten! Staart! Da ta Mod el

8 Outlier detectie - Isolation Klik om forest de stijl te Wat is de afstand tussen het begin en eindpunt in een volledige boom?

9 Classificatie - Random Klik Forest de stijl te

10 Themacontrole Pilot Totta Machine learning Wim Janssen Projectleider WIL Warda Lamnadi Medewerker Hoogwaardige Handhaving

11 Henry Ford: Als ik gevraagd had wat mensen wilden, dan had ik snellere paarden moeten bouwen.

12 Vragen Aanleiding om machine-learning toe te passen (of is de term datagestuurd werken beter?) (WIL) Waarom is WIL deze pilot aangegaan? Wat waren de verwachtingen op korte / lange termijn? Welke visie zit er achter?

13 Redenen Ambitie. Op zoek naar een eenvoudig toe te passen model van mogelijkheid van risicoanalyse. Innovatieagenda (bezuiniging).

14 Wat weten wij van het systeem Een algoritme gebaseerd op de bij WIL bekende data van fraudeurs. Daarna vergelijking van de data van lopende uitkeringspartijen met dit algoritme.

15 Definitie Harde fraudeurs : fraudevordering minus de gegronde bezwaren Grijs gebied : cliënten waarvan vermoed wordt dat zij hebben gefraudeerd zonder dat daar bewijs voor is. Code: werkproces handhaving + beëindiging

16 Resultaten 2016 Een werkend model. Toepasbaarheid op andere onderdelen van WIL bv Poort/SHV). Besparing op uitkeringen.

17 Verantwoordelijkheden WIL start Bestuurlijke besluitvorming. Binnen wettelijke kaders. Bewerkingsovereenkomst Totta. Aanleveren data.

18 Verantwoordelijkheden WIL na selectie klanten Onderzoek team handhaving. Administratieve verwerking. terugkoppeling Totta.

19 Automatiseren/applicatiebeheer Bepalen data. Gegevens uit Suite voor inkomen (Gws4all en Acces). Verzenden gegevens beveiligd via FTP. Op afroep update queries en levering data.

20 Vragen Hoe werkt het? (WIL) Wat hebben jullie moeten doen en regelen op het gebied automatisering, onderzoeken, werkprocessen etc om invulling te geven aan de pilot. Welke hobbels kwam je tegen en hoe heb je die opgelost? Wat zijn de tips voor gemeenten die hier mee aan de gang gaan.

21 Wat ging goed Systeem werkt. Beëindigingen 20%. Juridisch haalbaar. Weinig bestuurlijke ophef.

22 Wat viel tegen De verdeling van de mogelijke fraudeurs in fraudesoorten. Verwachting was meer hits. Gebruik bij het Poortproces is nog niet duidelijk

23 Aanvullingen Pilot is verlengd met 1 jaar. Meer data toevoegen. Te beginnen met data uit het inlichtingenbureau.

24 Verwachtingen Vergelijkingen draaien op computers WIL. Periodieke oplevering gegevens (1 x per kwartaal 10 klanten). Resultaten 40% score.

26 Uitgangspunten: We voorspellen op cliënt-niveau We nemen alle variabelen en hun mutaties mee tot het punt dat een cliënt fraudeert. We voorspellen de fraude bij cliënten die een uitkering ontvangen. We willen liever betrouwbaardere voorspellingen dan kwantiteit. De focus ligt op inkomensfraude en woonfraude We gebruiken alleen GWS als databron.

27 Privacy

28 regels Europese regels Wet bescherming persoonsgegevens Wet gemeentelijke basisadministra;e persoonsgegevens Suwi wet

29 Wet bescherming persoonsgegevens Doelbeginsel (art 7 en 9) Art 42 lid 1: Niemand kan worden onderworpen aan een besluit waaraan voor hem rechtsgevolgen zijn verbonden of dat hem in aanmerkelijke mate tre;, indien dat besluit alleen wordt genomen op grond van een geautoma=seerde verwerking van persoonsgegevens bestemd om een beeld te krijgen van bepaalde aspecten van zijn persoonlijkheid.

30 SUWI wet

31 TOESTEMMING HELPT NIET

Vergelijkbare documenten

Machine learning ( B i j s t a n d s ) f r a u d e v o o r s p e l l e n

Machine learning ( B i j s t a n d s ) f r a u d e v o o r s p e l l e n OVER ONS Jason Schipper Gerrit van Romunde Jesse Luk Doel Doel: Genereren van fraudesignalen op basis waarvan door medewerkers rechtmatigheidsonderzoeken