Identifikation af Leverancer med høj Risiko for Afvigelse under Servicelovens §83 og §83a

Siden er under udarbejdelse og vil løbende blive justeret.

Beskrivelse af projektet

Projektet vil demonstrere anvendeligheden af kunstig intelligens og maskinlæring i den kommunale forvaltning identifikation af leverancer hvor der er høj risiko for afvigelser eller uoverensstemmelse mellem leverede og bevilgede ydelser. På den lange bane skal bane vejen for løsning af mere komplekse problemstillinger, som f.eks. prædiktion af tilkendelse af førtidspension eller tilkendelse af ydelser.

Servicelovens §83 og §83a

• Vores kommuner er forpligtede på at yde personlig hjælp og pleje samt rehabiliteringsforløb til borgere med nedsat fysisk eller psykisk funktionsevne.
• Kommunen bevilger en ydelse til en borger, fx. "30 min. Rengøring hver 3. uge."
• Ydelsen leveres af en privat eller offentlig leverandør som fx kan have leveret "et besøg af X min. Varighed hvor borgeren får gjort rent".

Eksempler på mulige afvigelser

• Bevilget ydelse leveres i for Lang tid eller for stort omfang for højt serviceneivau.
• Borger modtager ikke den rigtige ydelse ifht. Den bevilgede ydelse.
• Medarbejder registrerer for mange ekstra-besøg.
• Dokumentationsfej, fx. Tilkøb af rengøring

Tidskrævende og omstændelig kontrol

• Tilsynet foregår som manel process via snævre manuelle søgninger.
• Mulig årlig besparelse i mio. kr/år.
• Desuden vil de rigtige ydelser blive leveret til de rigtige borgere.

Spørgsmål?

Kontakt os på info@hugin.com hvis du har yderligere spørgsmål.

---