Er zijn veel TED Talks te vinden over de mogelijkheden en gevolgen van machine learning. Vandaag een korte video (5 min) waarin beide aan de orde komen.

Anthony Goldbloom is de oprichter en CEO van Kaggle.com, een website waar bedrijven hun data aanbieden aan data scientists die proberen de beste voorspellingen op basis van die data te doen. Kaggle is een bekende naam onder data scientists, en een goed resultaat halen in een Kaggle-competitie staat erg goed op een data science CV. We kunnen dus verwachten dat Goldbloom, als oprichter van deze organisatie, een betrouwbaar beeld heeft van wat data science wel en niet kan bereiken.

Hindernissen

Het antwoord dat Goldbloom op zijn eigen vraag geeft is helder: als een baan te reduceren is tot handelingen die vaak en veel worden uitgevoerd, kan het worden uitgevoerd door een machine. Het argument dat hij hiervoor gebruikt, is dat machines altijd moeten leren van grote hoeveelheden data voordat ze iets kunnen nabootsen. Dit betekent ook dat als slechts een deel van een beroep bestaat uit vaak herhaalde handelingen, machines dat deel van het werk kunnen overnemen. Hierdoor worden niet alle werknemers in die beroepsgroep meteen op straat gezet, maar is er wel minder werk beschikbaar in de sector.

Goldbloom verwijst in zijn presentatie naar een onderzoek, uitgevoerd door de Oxfordse onderzoekers Carl Benedikt Frey en Michael Osborne, naar de invloed van automatisering op de arbeidsmarkt. Frey en Osborne identificeren drie hindernissen die de machine learning-technieken van vandaag nog niet hebben kunnen overwinnen: perceptie- en manipulatietaken, creatieve intelligentie, en sociale intelligentie. Ze beargumenteren dat de kans dat een menselijke arbeider in de komende 20 jaar kan worden vervangen door een machine direct samenhangt met de mate waarin het werk dat hij of zij doet afhankelijk is van deze drie vaardigheden. Deze drie aspecten bieden daarmee een iets genuanceerder antwoord op de vraag die Goldbloom in zijn TED Talk stelt. Dat wil niet zeggen dat het het perfecte antwoord is: zo wordt de kans dat fotomodellen binnenkort worden vervangen door machines ook erg hoog ingeschat door hun analyse.

Frey en Osborne identificeren drie hindernissen voor machine learning: perceptie- en manipulatietaken, creatieve intelligentie, en sociale intelligentie.

Benodigdheden

Het lijkt mij dat de criteria van Frey en Osborne een betere benadering van de werkelijkheid zijn dan het ene criterium dat Goldbloom noemt. Het is dan ook niet zo raar dat er in een 70 pagina’s tellend wetenschappelijk paper een genuanceerder antwoord kan worden gegeven dan in een presentatie van 5 minuten, maar ik denk ook dat we een deel van het verschil kunnen verklaren vanuit de achtergrond waaruit deze criteria worden geformuleerd. Goldbloom praat duidelijk vanuit zijn ervaring bij Kaggle, wat ook betekent dat zijn ervaringen zijn gevormd door de beperkingen van het format waarin Kaggle-competities worden gegoten. Elke competitie wordt namelijk voorzien van een grote gelabelde dataset (de ’training set’), waarbij gevraagd wordt om op basis van die informatie de labels te voorspellen in een tweede dataset (de ’test set’). In die context is het niet raar dat Goldbloom als voornaamste beperking ervaart dat er een grote hoeveelheid data beschikbaar moet zijn voordat een taak succesvol kan worden overgelaten aan een algoritme.

Frey en Osborne noemen in hun paper ook een aantal andere manieren waarop machines een taak kunnen leren. Ze hebben het bijvoorbeeld over de robot Baxter, die handelingen aan kan leren zonder data of programmatuur. Het enige wat nodig is, is iemand die zijn robotarmen een paar keer door de vereiste handelingen beweegt; hierna neemt de robot het werk zelf over.

Ook lijkt Goldbloom redelijk zelfverzekerd dat het omgaan met nieuwe situaties altijd voorbehouden blijft aan de mens. Dat klinkt in principe overtuigend, maar toch zijn er wel een paar kanttekeningen te maken. Zo zijn computerprogramma’s nu al in staat om nieuwe muziek te componeren, bijvoorbeeld jazzimprovisaties. Ook liet Google vorige maand op hun blog zien dat hun nieuwste beeldherkenningsalgoritme in staat is om redelijk complexe eigenschappen van foto’s (zoals het idee “naast”) toe te passen in nieuwe omstandigheden die het nog niet eerder heeft gezien. Hiervoor is nog steeds wel een grote hoeveelheid gelabelde data nodig, maar toch begint het wel te lijken op datgene wat Goldbloom ‘off-limits’ verklaart voor machines.

Toekomst

Frey en Osborne zeggen nergens in hun paper dat er werk is dat machines niet van ons kunnen overnemen. Hun voorspelling is dat automatisering zal plaatsvinden in twee ‘golven’. In de eerste golf, die in de komende twee decennia zal plaatsvinden, gaan machines die taken overnemen van mensen die, zoals Goldbloom het zou verwoorden, uit vaak herhaalde handelingen bestaan. Als gevolg van deze golf komt het werk van 47% van de beroepsbevolking in gevaar – dit is het getal dat in de media vaak is besproken en dat ook Goldbloom aanhaalt in zijn presentatie. Na deze eerste automatiseringsgolf wordt het een tijdje stil, omdat de volgende golf afhankelijk is van een aantal grote doorbraken. In deze periode worden er nog wel wat meer dingen geautomatiseerd, maar het tempo zal lager liggen. De rest van de banen kan worden geautomatiseerd in de tweede (of verdere) ‘golven’, zodra machines hebben geleerd om creatief te zijn, met nieuwe omstandigheden om te gaan, en sociaal intelligent gedrag kunnen vertonen.

Uiteindelijk zijn Frey en Osborne het helemaal met Goldbloom eens over hun belangrijkste conclusie: de machines komen er aan, en snel ook. Of nu 25%, 50% of 100% van de banen verdwijnt, de impact op de arbeidsmarkt zal gigantisch zijn. Als we niet oppassen zijn we straks net zo overbodig als de paarden na de uitvinding van de auto.