Sitras utlåtande till finansministeriet

Ärende: VN/16357/2020

Begäran om utlåtande om kvalitetskriterier för informationsmaterial inom den offentliga förvaltningen

Helheten av kvalitetskriterier och dess verkan

Hur verkar helheten av kvalitetskriterier?

Jubileumsfonden för Finlands självständighet Sitra tackar för möjligheten att yttra sig om förslaget gällande kvalitetskriterier för informationsmaterial inom den offentliga förvaltningen och deras mätare.

Det finns elva kvalitetskriterier: spårbarhet, täckning, aktualitet, konsekvens, riktighet, exakthet, överensstämmelse, begriplighet, maskinläsbarhet, användningsrättigheter och punktlighet. Kriterierna är indelade i fyra grupper: vad gäller informationen, hur beskriver informationen verkligheten, hur väl har informationen beskrivits och hur kan informationen användas.

Kvalitetskriterierna för den offentliga förvaltningen har granskats ur perspektivet för informationsanvändaren och informationsproducenten samt hanteringen av kriterierna och mätarna på ett väl grupperat, tydligt och heltäckande sätt. Resultatet är högklassigt och nyttigt, och i resultatet är det tydligt att kvalitetskriterieprojektet på det hela taget har genomförts väl och att projektets mål har nåtts.

Hur väl stödjer kvalitetskriterierna och kvalitetsmätare en enhetlig identifiering av kvalitet och diskussion om den inom den offentliga förvaltningen?

De föreslagna kvalitetskriterierna, mätarna och definitionerna stödjer väl en enhetlig identifiering av kvalitet och diskussion samt samarbete kring den.

I vilka sammanhang skulle en gemensam identifiering och definition av informationskvaliteten i enlighet med uppsättningen av kvalitetskriterier stödja användningen och klargörandet av information inom den offentliga förvaltningen?

Identifieringen och definitionen av informationskvaliteten stödjer utnyttjandet och klargörandet av information både organisationsvis och över organisationsgränserna.

Hur väl skulle uppsättningen av kvalitetskriterier och kvalitetsmätare stödja förbättringen av informationskvaliteten på längre sikt?

Kvalitetskriterierna och mätarna skapar en god grund för att förbättra kvaliteten på informationen även i framtiden. Arbetet är emellertid inte färdigt, det behövs fortsatt utveckling av kriterierna och mätarna även i framtiden. Som en mindre brist med tanke på framtiden kan konstateras att helheten inte tar upp kvalitetskriterier för information gällande artificiell intelligens och maskininlärning eller mätare som traditionella kvalitetskrav inte nödvändigtvis omfattar eller beaktar i tillräcklig utsträckning.

Till exempel i förordningen om artificiell intelligens (1) hänvisas i fråga om system med artificiell intelligens som förknippas med en hög risk till krav som gäller högklassiga data, dokumentering och spårbarhet, transparens, mänsklig övervakning samt noggrannhet och säkerhet, vilka är centrala för riskhanteringen (s. 8). En hög kvalitet på data är även av väsentlig vikt med tanke på prestandan i system med artificiell intelligens, till exempel vid träningen av modeller, för att ett system med artificiell intelligens med hög risk ska fungera på avsett sätt (s. 31).

I förordningen om artificiell intelligens poängteras vikten av högkvalitativa data särskilt när det gäller system med artificiell intelligens och europeiska datautrymmen samt särskilt hälsodatautrymmet.

”Gemensamma europeiska dataområden som inrättas av kommissionen och främjande av datadelning mellan företag och med det offentliga i allmänhetens intresse kommer att vara avgörande för tillhandahållandet av förtroendebaserad, ansvarsskyldig och icke-diskriminerande åtkomst till högkvalitativa data för träning, validering och testning av AI-system. På exempelvis hälsoområdet kommer det europeiska hälsodataområdet att främja icke-diskriminerande åtkomst till hälsodata och träning av algoritmer för artificiell intelligens med användning av dessa dataset, på ett sätt som bevarar den personliga integriteten och är säkert, snabbt, transparent och tillförlitligt och med lämpliga institutionella styrelseformer. Berörda behöriga myndigheter, även sektorsbaserade sådana, som tillhandahåller eller stöder åtkomst till data får också stödja tillhandahållandet av högkvalitativa data för träning, validering och testning av AI-system.” (s. 31)

Sitra samordnar samarbetsprojektet för europeiska hälsodata, dvs. TEHDAS-projektet (2) som finansieras av Europeiska unionens tredje hälsoprogram, där gemensamma principer för utnyttjande av hälsodata utvecklas och där 25 länder deltar. Sitra anser att det med tanke på framtiden är viktigt att beakta de nya kvalitetskraven på data som artificiell intelligens och maskininlärning ställer.

Det finns publikationer om de krav som artificiell intelligens och maskininlärning ställer, som bland annat understryker kvaliteten, pålitligheten och representativiteten i data som används för att träna systemet och som används i systemet. (3, 4, 5)

1. Förslag till Europaparlamentets och rådets förordning om harmoniserade regler för artificiell intelligens (rättsakt om artificiell intelligens) och om ändring av vissa unionslagstiftningsakter. COM(2021) 206 final.
2. Joint Action Towards the European Health Data Space – TEHDAS
3. Data quality and artificial intelligence – mitigating bias and error to protect fundamental rights. European Union Agency for Fundamental Rights (PDF). FRA
4. Artificial Intelligence: An Accountability Framework for Federal Agencies and Other Entities (PDF). U.S. Government Accountability Office GAO. GAO-21-519SP 30.6.2021.
5.  Bernd W. Wirtz, Jan C. Weyerer & Carolin Geyer (2019) Artificial Intelligence and the Public Sector—Applications and Challenges, International Journal of Public Administration, 42:7, 596-615, DOI: 10.1080/01900692.2018.1498103

Hantering av kvalitetskriterierna och mätarna

Vilket slags nätverksverksamhet skulle bäst främja användningen och utvecklandet av uppsättningen av kvalitetskriterier?

I utvecklingsprojektet har ett välfungerande samarbete påbörjats och det torde finnas skäl att fortsätta det. Samarbetsnätverket kan också utvidgas vid behov och även nya saker kan tas upp för behandling, till exempel kvalitetsutmaningar som artificiell intelligens och maskininlärning medför.