Artikel
Geschreven door Martijn Roos
Posted on 19-06-2018

De toekomstige cyberoorlog om talent: het programmeren van de robot (deel 1)

219 keer gelezen

Zullen robots in de toekomst onze banen overnemen? Om te kunnen overleven in een concurrerende markt, zullen bedrijven moeten innoveren. Ze automatiseren hun processen, zodat de efficiëntie wordt verhoogd, kosten worden bespaard en aandeelhouders tevreden blijven. Het gevolg is dat functies veranderen of zelfs helemaal verdwijnen. Automatisering heeft dus niet alleen invloed op de economie, maar ook op het takenpakket van veel beroepen, de arbeidsmarkt en de rol van de arbeidsbemiddelaar. Met de razendsnelle opkomst van kunstmatige intelligentie wordt zelfs gesproken van een vierde industriële revolutie en lijkt de toekomstige cyberoorlog om talent dichterbij dan ooit. Maar kunnen robots al onze taken overnemen? Kunnen zakelijke beslissingen bijvoorbeeld geautomatiseerd worden? Of blijft menselijke input nodig?

De mens als blauwdruk

Kunstmatige intelligentie is het vermogen van machines om taken uit te voeren waar intelligentie voor nodig is, zoals beredenering, probleemoplossing en besluitvorming. Machine learning voegt hier een zelflerend karakter aan toe, vergelijkbaar met het menselijke leervermogen. Maar menselijke intelligentie is complex en laat zich niet makkelijk vangen in een definitie.

Bij de ontwikkeling van nieuwe technologieën worden menselijke eigenschappen zorgvuldig bestudeerd, met als doel het menselijk niveau minimaal te evenaren en mogelijk zelfs te overstijgen. Denk aan het geheugen van een computer, een breingestuurde armprothese of een chatbot die zich met behulp van kunstmatige intelligentie voordoet als klantenservicemedewerker.

Het belang van objectieve besluitvorming

Dat de mens vaak als blauwdruk fungeert voor toepassingen van kunstmatige intelligentie brengt ook een risico met zich mee. Mensen maken immers fouten. Hoe kan worden voorkomen dat robots verkeerde beslissingen van mensen kopiëren? Als Netflix op basis van de series die je bekijkt een verkeerde aanbeveling doet, dan zijn de gevolgen te overzien. Maar in de rechtspraak, het onderwijs of de gezondheidszorg kunnen beslissingen levensbepalend zijn. Bijvoorbeeld als een robot op basis van patiëntengegevens een verkeerde diagnose stelt. Hoe kan worden geborgd dat besluitvorming op basis van kunstmatige intelligentie objectief is?

Om de mens te beschermen tegen onrechtmatige geautomatiseerde besluitvorming is ‘Het recht met betrekking tot geautomatiseerde besluitvorming en profilering’ beschreven in de Algemene Verordening Gegevensbescherming (AVG). Wilt u meer weten over de AVG? Vraag dan een licentie aan voor het Graydon Learning Centre om uw kennis te toetsen en te verrijken.

Een effectief algoritme

In een eerder blog over machine learning gaf ik als voorbeeld het automatiseren van het selectieproces van sollicitanten. Wanneer het model is gebaseerd op historische menselijke besluitvorming waarin vrouwen gediscrimineerd werden, dan neemt het model deze ongewenste context mee in het bepalen van de meest succesvolle kandidaat. Dat betekent dat vrouwen minder snel geselecteerd zullen worden dan mannen. Als tip voor het maken van een effectief algoritme adviseerde ik dan ook rekening te houden met de context van de data en een testtraining uit te voeren. Meer tips zijn te vinden in mijn blog ‘Vijf tips voor het maken van een effectief machine learning algoritme’.

Het automatiseren van het acceptatiebeleid

Om kunstmatige intelligentie succesvol te kunnen toepassen, blijft menselijke input nodig. Zeker als er iets op het spel staat, zoals bij het acceptatiebeleid voor zakelijke relaties. Zo gebruiken onze klanten het Graydon Decision Model (GDM) om zelf beslismodellen te maken op basis van de waarden die werknemers hanteren. 

Download het e-paper ‘Beslismodellen luiden nieuw tijdperk in bij klantacceptatie’

Door het beslismodel zelf te ontwerpen, kan de klant zelf de balans zoeken tussen risico nemen door op krediet te leveren of risico beperken door de betalingscondities aan te scherpen of de order af te wijzen. De klant kan elke parameter in het beslismodel, zoals de kredietlimiet, kans op wanbetaling en betaalscore, het gewenste gewicht geven. Ook is het mogelijk om specifieke aspecten, zoals eigen betaalervaringen of bedrijf- en branche-specifieke transactiedata mee te nemen in het model.

Zakelijke beslissingen op maat

De kans op wanbetaling verschilt per branche. Bevinden uw klanten zich in verschillende branches? Dan kan het wenselijk zijn om per branche een ander beslismodel te hanteren. Met het Graydon Decision Model kunt u zelf meerdere beslismodellen inrichten. Het kan ook handig zijn verschillende beslismodellen te gebruiken voor bestaande en nieuwe relaties. Naarmate er langdurig zaken worden gedaan, groeit het vertrouwen. Bestaande klanten bouwen letterlijk en figuurlijk krediet op.

Om inzicht te krijgen in de risicoverdeling onder uw zakenrelaties kan vooraf en periodiek een screening worden uitgevoerd in de vorm van een risicoanalyse. Wilt u weten hoe de risico’s zich verhouden tot de verschillende branches? Dan kan tevens een industry analyse gemaakt worden. Zodra het GDM is ingericht, kan Graydon helpen met het finetunen van het model op basis van een retroanalyse. Hoeveel afschrijvingen zijn er voorkomen door het aanscherpen van betalingscondities? En misschien nog belangrijker: hoeveel omzet is er misgelopen en hoe kan het model verder worden verfijnd?

De robot omarmen

Kunstmatige intelligentie kan onze huidige werkzaamheden gedeeltelijk uit handen nemen. Een positieve ontwikkeling, want daardoor blijft er meer tijd over om onze menselijke intelligentie te benutten. Het lijkt een kwestie van tijd voordat de robot al onze taken kan overnemen. Tot die tijd is Kasparov’s law van kracht: weak human + machine + better process is superieur ten opzichte van strong human + machine + inferior process. Wie zich aanpast en de machine in zijn voordeel leert te gebruiken, is van duurzame waarde op de arbeidsmarkt.

Meer weten?
Welk gedeelte van ons werk wordt als eerste geautomatiseerd en welke banen worden daardoor als eerste geraakt? Wat zijn de competenties die ons onderscheiden van de robot en wat zegt dat over het competentieprofiel van de toekomstbestendige werknemer? In het volgende artikel van deze serie ga ik hier dieper op in. Houd ons blog in de gaten.