Dersom 5% sniker på bussen i område A, og 2% sniker i område B - hvordan bør Ruter fordele billettkontrollørene sine?

De kan f.eks.: (a) sende alle til område A for å ta flest mulige snikere, (b) fordele kontrollørene proporsjonalt eller (c) se bort fra historiske data og sende halvparten til hvert område. Ulempen med (a) er at publikum etter hvert vil skjønne at ingen lenger kontrollerer område B. Ulempen med (c) er at man tar færre snikere enn hva man kunne gjort. En mellomting, noe sånn som (b), er nok mest fornuftig. (Alle tre løsningene kan parametriseres.)

Denne problemstillingen skapte debatt da Ruter-sjefen sa til Aftenposten at deres KI-modell “forurenses med tilfeldige data for å gjøre billettkontrollene sosialt akseptable.” Det er uklart hva “sosialt akseptable” betyr, men noen politikere reagerte, og det kom et tilsvar fra Ruter. Der sier de, med ganske mange ord, at de gjør noe som ligner på (b): de gjennomfører kontroller bredt, samtidig som de prioriterer flere kontroller i områder med høyere snikandel.

Jeg skrev om Ruters KI-billettkontroll for tre år siden, i 2023, og la frem 8 ulike løsninger på problemstillingen som alle er i konflikt med hverandre—det finnes ikke én rettferdig løsning.

Ruter burde utdypet vage begreper som “KI-modell” og “sosialt akseptabelt”, og vært mer konkrete om algoritmene de bruker og målene de ønsker å oppnå. Det kunne ha startet en interessant diskusjon om algoritmer og kontroll. Når Skatteetaten, Mattilsynet eller Lånekassen utfører kontroll, bør de velge (a), (b) eller (c)? Er tilfeldig kontroll det eneste rettferdige, fordi alle individer skal ha like lite mistanke rettet mot seg a priori? Eller kan erfaringsdata brukes til å effektivisere kontroller? Hvis ja, i hvor stor grad? Kan alle typer data brukes? Hva skal epsilon være i en epsilon-grådig strategi?

Dette er god bruk av grunnleggende statisti… ehm… KI-modeller, og kunne nok ha effektivisert en del kontrollprosesser—men da må man først bli enige om hva man vil oppnå.