10/11/2021


Algoritmes. Ze zijn er in allerlei soorten en maten en kunnen processen automatiseren en verbeteren. Veel organisaties – en dus veel van onze klanten – kiezen dan ook voor een algoritme. Om verbeteringen binnen hun bedrijf door te voeren en zo meer resultaat en efficiëntie te behalen. Soms hoor je ‘horrorverhalen’ waarin mensen hun banen verliezen door de komst van algoritmes, omdat ze hun werkzaamheden automatiseren. Maar wees gerust: onze consultants geloven daar niet zo in. Zij pleiten juist voor de positieve eigenschappen van algoritmes. Maar we laten je graag zelf oordelen, daarom lees je in deze blog de positieve en negatieve impact van algoritmes!


De impact van een algoritme in het algemeen

Een algoritme is een recept om een complex (vaak wiskundig) probleem op te lossen, met een duidelijk resultaat. De instructies kunnen in het algemeen omgaan met eventualiteiten (fouten, datakwaliteitsproblemen, inconsistenties, randeffecten) die bij het uitvoeren kunnen optreden. Algoritmen hebben in het algemeen stappen (sequentie) die zich kunnen herhalen (iteratie) of die beslissingen (logica of vergelijkingen) vereisen om de taak te voltooien.

In het kort gezegd: een algoritme automatiseert handelingen die voorheen handmatig werden gedaan en behaalt daarnaast altijd efficiëntie in het werkproces. Dat scheelt jou puzzelen, het wordt voor je gedaan! Een algoritme kan dus taken van het menselijk brein overnemen, het kan zelfs leren zoals wij dat doen, denk bijvoorbeeld aan de schaakcomputer of de suggesties op YouTube: hier wordt geleerd van fouten/resultaten uit het verleden. Daar zit ook meteen de crux in de positieve en negatieve impact ervan.


Geen roze bril of juist een blinde vlek

Waarom? Stel: je leest in een week tijd in de krant drie keer dat er veel criminaliteit heerst in een bepaalde stad. De criminelen van die week hebben allen dezelfde huidskleur en stelen telkens hetzelfde merk auto. Je bent dan al gauw geneigd om te generaliseren: “Mensen met die huidskleur zijn crimineel.” Of wanneer je een betreffende auto ziet rijden, zeg je “Die auto zal wel gestolen zijn.” We weten allemaal dat dat geen realistische weergave van de realiteit is. Je kijkt met oogkleppen op en sluit een groot deel (de rest van de bevolking) uit. Kijken door deze bril (of juist het hebben van deze blinde vlek) heeft impact op je algoritme. Hoe je het ook wendt of keert, een algoritme leert en ontwikkelt zichzelf alleen door de input die wij – mensen – hem geven.

Als we dus alleen naar de drie criminelen van die week kijken, zal hij leren op basis van die input. Hij sluit zaken uit, kijkt eentonig en geeft geen realistisch beeld van de werkelijkheid. Het snelle denken is niet het bewuste denken. Een week later kan het algoritme namelijk besluiten om niet eens meer te kijken naar een ander type criminelen of ander type auto’s, waardoor het belangrijke input mist en racistisch wordt.

Negatieve polarisatie

Uiteraard is dat probleem op te lossen. Je kunt breder kijken of een onzekerheidsmarge meenemen. Hoe dan ook: je dient een bepaald percentage buiten wat je daadwerkelijk ziet, mee te nemen in de input. Wanneer je bijvoorbeeld online een tas wilt kopen, word je ook niet blij wanneer je nog wekenlang continu die tas voorbij ziet komen terwijl je deze al lang gekocht hebt. Daar zit ook een algoritme achter en deze moet je ook andere dingen (een paar schoenen, een mooie jurk, een broek) voorschotelen om je te blijven prikkelen. Hetzelfde geldt voor het criminelenvoorbeeld.

Deze negatieve impact van een algoritme noemen we ook wel negatieve polarisatie: het is wit tegen zwart. Maar, door de input breed te houden en met alle mogelijke aspecten die van invloed kunnen zijn rekening te houden, leert een algoritme heel breed, vergaart het veel kennis en krijgt het een positieve impact. Denk aan nieuwe artiesten die een kans krijgen op Spotify. Nieuwe muziek kent nog niemand, dus je weet niet of het in de smaak valt. Maar hoe kom je dat te weten als er nooit naar geluisterd wordt? Een algoritme neemt dus nieuwe muziek mee om af en toe voor te schotelen en op basis daarvan worden weer andere suggesties gedaan…

 

Positieve impact algoritmes

Genoeg positieve impact dus! Uitsluiting kan daarentegen ook positief zijn, wanneer je je bijvoorbeeld met route-optimalisatie bezighoudt. Dan is het handig – wanneer je de snelste route wilt berekenen – om file’s te vermijden bijvoorbeeld. Dan geef je het algoritme bewust deze informatie, om tot een betere uitkomst te komen. Toch leer je hem via de brede input: je geeft de filewegen wel in, maar leert hem deze te ontwijken. Dit betekent dat een ‘racism bias’ in een algoritme op te lossen is door de input of code aan te passen. Wat zou het mooi zijn als dat bij mensen ook zou kunnen…


Duurzame algoritmes

Een ander positief effect van een algoritme is dat het een groen effect heeft. Handig na zwart tegen wit! Er zit vaak een duurzaam tintje aan: of je verbetert een proces en bespaart tijd, geld of mankracht of je produceert minder, hebt niet zoveel materieel nodig of maakt optimaal gebruik van energie. Als je iets optimaliseert, zitten er altijd voordelen aan. Wat dacht je van transportoptimalisatie, waardoor er minder CO2 uitgestoten wordt? Een mooi effect van een algoritme.


Angst voor baanverlies?

Maar hoe draaien we nou het eventueel wegnemen van banen door een algoritme positief? Simpel: een computer ondersteunt altijd de beslissingen van de mens, het maakt ons leven vaak een stuk gemakkelijker. Denk maar eens aan de blog die mijn collega Frans schreef over white en black box algoritmes: je hoort liever van een dokter wat er met je aan de hand is dan van een computer. De computer kan de arts wel input geven voor zijn beslissing en daardoor het proces versnellen en vereenvoudigen. Maar de eindbeslissing blijft bij de mens. Een algoritme dient dan ook altijd ter ondersteuning van de mens.

Een ander mooi voorbeeld is de automatische piloot in een auto of vliegtuig. Een aantal jaren geleden nam de automatische piloot het in een vliegtuig over en overrulede hij de piloot. Helaas zorgde dat ervoor dat het vliegtuig neerstortte. Dit mag uiteraard nooit gebeuren: de mens moet altijd de laatste beslissing hebben. In dit voorbeeld kan het zijn dat de computer net die bewuste situatie niet geleerd heeft. De mens kan dan altijd op basis van ratio, ervaring en gevoel beslissen, wat net een andere uitkomst als gevolg zou kunnen hebben.


Is de mens 100% betrouwbaar?

Een algoritme kan dus negatieve impact hebben, maar die wordt ondergesneeuwd door de positieve effecten ervan. De moraal van dit verhaal? Je kunt nooit 100% vertrouwen op een computersysteem, dus de wisselwerking tussen mens en machine blijft gewenst. Zie de computer als een fijne collega die je helpt.

 

En wat denk jij: kunnen we wel 100% op de mens vertrouwen? Wij maken namelijk ook weleens fouten. Maar ach, die zijn er om van te leren, hoorden we van onze collega Lonneke ;-) 

 

Wil je daarnaast op de hoogte blijven van het laatste nieuws van CQM, volg ons op LinkedIn of meld je aan voor onze digitale nieuwsbrief 



Fotocredit: Pixabay.