De 5 lessen geleerd van “Intelligent Machines and future of Recruitment”

Textkernel, sofwarebedrijf voor werving & selectie, bestaat 15 jaar. Reden voor een conferentie én een feestje. Een feest van herkenning om precies te zijn. Zeker voor iedereen die al een tijdje meedraait in de wereld van HR softwaresystemen.

Omdat Textkernel vaak voorop loopt als het gaat om technische snufjes, de 5 belangrijkste lessen over gebruik van techniek als het om ‘mensenwerk’ gaat.

1 Mensen zijn mensen en geen data

Er wordt gezocht, dáár waar het licht schijnt. Wat niet wil zeggen dat daar ook de beste mensen zitten. Het is een van de valkuilen voor recruiters die het internet afspeuren naar de juiste kandidaten. Glen Cathey, technisch zoekexpert van boolean black belt sourcing and recruiting noemt het fenomeen ook wel “Darkmatter”. Want, recruiters kunnen deze mensen wel benaderen, maar omdat ze niet eenvoudig te vinden zijn doen ze het zelden.

Een voorbeeld: niet elk talent stelt een cv op dat recruiters of andere bemiddelaars snel kunnen vinden. Terwijl iemand die in ‘zijn profiel’ keywords gebruikt waar professionals op zoeken sneller wordt gevonden, maar niet per definitie de beste kandidaat is.

Intelligente professionals kijken overigens naar wat een tekst impliceert. Bijvoorbeeld: wie werkt bij een bepaald bedrijf maakt waarschijnlijk ook gebruik van bepaalde tools en methodieken, zonder die expliciet te benoemen in zijn of haar cv. Zo zouden intelligente systemen ook kunnen helpen zoeken als deze kennis kan worden ‘geleerd’ door de systemen.

 2 Oorzaak en gevolg zijn verwarrend

Een verzekeringsmaatschappij verhoogt de premies van zwarte auto’s. Want: zwarte auto’s veroorzaken meer ongelukken. Wat blijkt: bestuurders met zwarte auto’s hebben over het algemeen meer testosteron waardoor ze sneller ongelukken maken.

Prof. Dr. Max Welling, een wereldwijde autoriteit als het om machine learning gaat gebruikt het voorbeeld om te laten zien hoe oorzaak en gevolg verkeerd geïnterpreteerd kunnen worden. Het gevolg: op het moment dat deze bestuurders anders gekleurde auto’s gaan kopen (omdat bijvoorbeeld de premie van de verzekeringsmaatschappij omhoog gaat) gaan andere auto’s meer ongelukken veroorzaken.

Deze oorzaak/gevolg verwarring komt vaak voor en op het moment dat deze is gedigitaliseerd in een algoritme en de fout moeilijk te ontdekken is.

3 HR moet veranderen

Een open deur: HR speelt een grote rol als het om mensen gaat. HR is meestal goed in visies en strategieën uitdragen, maar houdt zich (waarschijnlijk net als ieder ander mens) krampachtig vast aan haar paradigma’s. Armin Trost, professor human resource management aan de Furtwangen Universiteit in Duitsland gaf meer voorbeelden dan de HR-professional lief is. Na zijn presentatie mocht ik hem nog even spreken en kwam ik tot de conclusie dat de fundamentele kennis van HR op gebied van resourcing zal moeten groeien. HR kán en móét volgens Armin een rol spelen om de juiste data te gaan verzamelen en de juiste gevolgen bij de juiste oorzaken te plaatsen als het om mensen en werk gaat.

4 Tijd verandert alles en tegelijk niets

Sinds de start van Textkernel zijn er veel mooie producten en technologieën langsgekomen. Zoals Gus.nl, waar ik zelf veel gebruik van heb gemaakt. Ton Sluiter, Manager Marketing Nederland bij USG People en medeverantwoordelijk voor Gus.nl, laat zien hoe hij, gebruikmakend van de steeds veranderende technologieën van Textkernel, aldoor nieuwe toepassingen weet te verzinnen, die het leven van bemiddelaars makkelijker maakt, Toch ziet Gus.nl er sinds de start nog redelijk hetzelfde uit. Misschien omdat, zoals Ton vertelde, ideeën die hij 6 jaar geleden had voor Gus.nl nog steeds actueel zijn.

Ik spreek ook mensen die mij laten weten iets totaal nieuws te hebben verzonnen, zoals een app die mensen met vacatures matcht. Toch bekruipt me vaak het gevoel dat zij het wiel opnieuw hebben uitgevonden. Sommige fouten zijn al 15 jaar actief : we denken het te weten. Zoals wat de klant of kandidaat denkt.

5 Dat het niet mag wil het niet zeggen dat het niet wordt gedaan

Wie met data werkt en kennis uit data haalt, zal moeilijk de verleiding kunnen weerstaan om conclusies te trekken uit data die we eigenlijk niet hadden mogen zien. Als Max Welling voorbeelden laat zien van profiling, kun je je afvragen of het misschien beter is de overheid soms te verbieden om bepaalde data te gebruiken. Met name omdat oorzaak en gevolg niet altijd juist geïnterpreteerd worden.

Bij bedrijven en alles wat met mensen te maken heeft zien we dit ook, we slaan persoonsdata op waar het niet mag. We gebruiken het terwijl het niet van ons is of daar niet voor bedoeld is. Ook op dat punt leren machines ons soms, laat Max Welling zien.

Als de conferentie wordt afgesloten door de robot guru Federico Pistino besef ik dat wát we ook leren, alles verandert: of het mag en of we dat willen doet er niet toe, het gebeurt.

Niet dat de scenario’s die Federico schetst voor mij vaststaan. Maar of wij als mensen in staat zijn om alle lessen die wij hebben geleerd of juist niet hebben geleerd mee te geven aan Machines, ik weet het niet. Federico is positief. Deze week ga ik naar Randall van Poelvoorde bij TEDxAlmere, onze Nederlandse Federico. Misschien dat ik dan weer rustig kan slapen.

(zie ook artikel Intelligent machines and the future of recruitment: computers snappen er voorlopig nog weinig van  van Annemarie Stel over hetzelfde event)