Naar datagedreven zaaksystemen

Artificial intelligence (AI), of kunstmatige intelligentie in goed Nederlands, is niet nieuw. De discipline wordt al decennialang bestudeerd in de wetenschappelijke wereld en relatief eenvoudige toepassingen zijn wijdverspreid. De laatste jaren doen steeds meer geavanceerde toepassingen hun intrede. Dit heeft twee oorzaken:

Artificial intelligence (AI), of kunstmatige intelligentie in goed Nederlands, is niet nieuw. De discipline wordt al decennialang bestudeerd in de wetenschappelijke wereld en relatief eenvoudige toepassingen zijn wijdverspreid. De laatste jaren doen steeds meer geavanceerde toepassingen hun intrede. Dit heeft twee oorzaken:

1. De toegenomen rekenkracht en capaciteit van computersystemen en de mogelijkheid om die aan elkaar te verbinden (cloud).
2. De explosie van data door de oprukkende digitalisering en devices die data genereren (o.a. smartphones, Internet of Things).

De combinatie van deze databerg, veel rekenkracht en slimme algoritmes zorgen ervoor dat computers steeds slimmer worden en taken kunnen uitvoeren die tot voor kort niet mogelijk waren.

Van machine learning naar deep learning
Een bekende vorm van AI is machine learning (ML). Machine learning is een vorm van AI die probeert computers nieuwe stappen te leren zonder dat deze expliciet zijn geprogrammeerd. Denk bijvoorbeeld aan Netflix die je suggesties doet voor nieuwe series waarvan het denkt dat jij die leuk vindt. Op zich een mooie stap maar bij lange na nog niet ‘hoog intelligent’.
De laatste jaren is er echter een nieuwe loot aan de stam van AI ontsproten: deep learning. Deep learning (DL), of kunstmatige neurale netwerken, zijn succesvol toegepast op gebieden als beeldherkenning, spraakherkenning en natuurlijke taalverwerking. Het voert te ver om de techniek hier uit te leggen, maar het komt erop neer dat de algoritmes zichzelf trainen zonder menselijke tussenkomst en hiermee weer een stuk intelligenter zijn. 

Wat betekent dit voor het zaaksysteem?
Voor Circle Software, als ontwikkelaar van zaaksystemen, zijn deze ontwikkelingen aanleiding geweest om na te denken over de vraag: welke toepassingen van AI kunnen helpen om het zaaksysteem nog beter of slimmer te maken op zo’n manier dat het concrete waarde toevoegt voor de gebruikers en de organisatie?

Voordat we deze vraag kunnen beantwoorden, is het goed om ons af te vragen wat ook alweer het doel van zaaksystemen is. We maken hierbij onderscheidt naar drie gebieden:

• Informatiebeheer: het zaaksysteem moet helpen bij een goed geordend en toegankelijk archief.
• Bedrijfsvoering: het zaaksysteem moet de werkprocessen in de organisatie en binnen de keten ondersteunen zodat mensen efficiënter kunnen werken en de afhandeling van zaken kunnen bewaken.
• Dienstverlening: het zaaksysteem moet de klant helpen bij het doen van transacties.

Op welke manieren zou AI hierin een bijdrage kunnen leveren? Zonder een uitputtende lijst op te willen leveren, zien we een aantal toepassingen waarmee we het zaaksysteem van de volgende generatie kunnen bouwen. We zoeken daarbij vooral naar mogelijkheden die het leven van gebruikers (zowel de professional als de klant) makkelijker maken en die ook realistisch zijn voor realisatie op korte termijn.

AI voor informatiebeheer
Vroeger was informatiebeheer een stuk eenvoudiger. Het goed geordende en toegankelijke archief werd bereikt door aan de voorkant en aan de achterkant van de organisatie papieren informatie op te vangen en te registreren. Met digitalisering werd dit steeds lastiger. Er ontstonden steeds meer verschillende kanalen en verschijningsvormen van informatie en informatie kon niet meer aan de voorkant worden afgevangen. De oplossing was het DMS en later het zaaksysteem waarmee gebruikers zelf de registratie van documenten moesten doen en zelf hun dossiers moesten vormen. Ondanks de toegenomen gebruikersvriendelijkheid van moderne zaaksystemen blijft dit een achilleshiel: gebruikers vinden dit lastig want het kost tijd en leidt tot frustratie. AI kan deze handelingen prima overnemen. Zeker met deep learning is het herkennen van tekst (en zelfs plaatjes en video) en deze vervolgens betekenis geven geen ‘rocket science’ meer.

AI in het werkproces
Het zaaksysteem heeft als belangrijke functie om gebruikers te ondersteunen bij het afhandelen van hun werk en zicht houden op deadlines en termijnen. De mogelijkheden voor de toepassing van AI lijken hier schier oneindig. Denk bijvoorbeeld aan het geautomatiseerd uitvoeren van handelingen in het proces waardoor de doorlooptijd kan worden verkort. Of denk aan het beoordelen van vergunningsaanvragen waarbij AI op basis van data-analyse een suggestie kan doen voor beoordeling. Geen besluit, maar een advies aan de expert, of op z’n minst het verzamelen van context. Want hier stuiten we direct op een risico: hoe kan de overheid verantwoording afleggen over haar besluiten als deze door complexe algoritmes zijn genomen?

AI voor dienstverlening
Een belangrijke taak voor zaaksystemen is het ondersteunen van dienstverlening. Het idee: de klant of burger kiest het communicatiekanaal (web, telefoon, etc.) en kan vervolgens de afhandeling volgen à la Amazon of Bol.com. Maar hoe modern is je dienstverlening eigenlijk als je tegen een klant zegt: je moet naar mijn website en een formulier invullen? Kan dat niet beter en moderner? Dat je, zoals met Amazon Echo of Google Home (“Hey Google, order a pepperoni pizza for me”), op basis van spraak je zaken met de gemeente regelt! De ontwikkeling van deze technologie gaat hard. Kijk ook eens naar het filmpje van VNG Realisatie getiteld ‘Frontoffice van de toekomst’². Een aardige weergave hoe het zou kunnen zijn en AI is nodig om dit te realiseren.

Een voorbeeld uit de praktijk
Op basis van het voorgaande is zaaksysteemleverancier Circle Software gestart met het concreet ontwikkelen van AI-toepassingen voor haar zaaksysteem Djuma. Onder de noemer Djumalytics³ is zij begonnen met de inzet van AI voor informatiebeheer. In de eerste helft van 2018 is een prototype ontwikkeld om documenten (in alle verschijningsvormen) te analyseren en automatisch te classificeren.
Gebruikers kunnen een bestand in Djuma ‘slepen’ en Djumalytics koppelt het document aan een nieuwe zaak inclusief zaaktype en persoon of bedrijf (subject) of voegt het bestand toe aan een bestaande zaak. Voor de analyse wordt deep learning-technologie gebruikt (onder andere Tensorflow van Google). Het systeem traint zichzelf maar leert ook door feedback van gebruikers.
Als het systeem het niet zeker weet dan geeft het suggesties zodat de gebruiker het systeem kan helpen. En hiervan zal het systeem weer leren.
Bij de ontwikkeling van het prototype is aangetoond dat herkenning en directe registratie van meer dan driekwart van alle documenten kan worden bereikt (op basis van een testdatabase van 5.000 documenten). En dit is dus maar het begin, want herkenningspercentages zullen alleen maar stijgen al naar gelang het gebruik toeneemt. Inmiddels hebben meerdere gemeenten aangegeven ermee aan de slag te gaan, zodat het prototype momenteel wordt omgezet in een uitleverbare oplossing, die begin 2019 beschikbaar zal komen.

Op zich zijn er al voorbeelden van herkenning van documenten door software (denk aan slimme scansoftware), maar deze worden vaak alleen voor ingekomen post gebruikt. Djumalytics Autoclassificatie is volledig geïntegreerd in het zaaksysteem en ondersteunt behandelaars ook voor het toevoegen van e-mails en social-mediaconversaties gedurende het proces. Daarnaast is de technologie goedkoper en veel meer geavanceerd (zelflerend). 

De volgende stap AI in het frontoffice
Met Autoclassificatie is de basis gelegd. Voor de volgende stap willen we kijken naar het frontoffice. Met de video van VNG Realisatie als wenkend perspectief. Mogelijk dat we als tussenstap zullen onderzoeken hoe we de frontofficemedewerker kunnen ontlasten in het klantcontactcentrum.
Analyse van hun werkzaamheden kan bijdragen aan het fijn slijpen en trainen van de algoritmes om ze vervolgens in te zetten via andere kanalen als website, apps et cetera.

Conclusie
De ontwikkelingen in AI gaan hard. Door technologie als deep learning zetten we grote stappen naar intelligentere systemen die gebruikers beter gaan ondersteunen. En dat zou ook het uitgangspunt moeten zijn: mensen helpen en niet op alle fronten vervangen. Alleen al vanuit het perspectief van verantwoording moet de overheid kunnen aantonen op welke gronden besluiten zijn genomen. Dit vraagt aan ontwikkelaars en ontwerpers een helder ethisch kader waarbinnen ze toepassingen ontwikkelen. Maar dat we aan de vooravond staan van grote veranderingen, ook in de wereld van zaaksystemen, staat voorop. Bent u er klaar voor? .

Bart Rossieau
Bart Rossieau is CEO en cofounder van Shintō Labs

Noten

¹ Google & Amazon: concurrerende titanen op de search-markt’, Artikel op Frankwatching, 19 juni 2018. 
² De video ‘Frontoffice van de overheid in 2020’ is gemaakt tijdens het Fieldlab Dienstverlening in Zwolle in september 2018 en is te vinden op het Youtube-kanaal van VNG Realisatie.
³ Onlangs is een webinar georganiseerd om de ontwikkeling en mogelijkheden toe te lichten. Hierin werd dieper ingegaan hoe de deep learning technologie werkt. Het webinar is hier terug te kijken.