In het kader van mijn NIAS-fellowship (Netherlands Institute for Advanced Study in the Humanities and Social Sciences), gefinancierd door de NSvP (Nederlandse Stichting voor Psychotechniek/)   onderzoek ik het opleiden van vooral MBO-leerlingen naar (nog) niet bestaande beroepen en de rol van ICT daarin (http://www.nias.knaw.nl/fellows/year-group-2016-17/kirschner-paul). Daarvoor ben ik bezig van alles en nog wat te lezen hierover. Veel van wat ik lees valt in de categorie bladibla-rapporten van denktanks, (inter)nationale centra en agentschappen, professionele dienstverleningsbedrijven (denk aan de grote boekhoudfirma’s), enzovoorts. In mijn speurtocht ben ik toevallig een juweeltje tegengekomen (geen sarcasme bedoeld), namelijk een rapport van Carl Benedikt Frey en Michael A. Osborne uit 2013 over The future of employment: How susceptible are jobs to computerisation?

De auteurs onderzoeken hoe gevoelig banen zijn voor computerisering (vergelijkbaar met automatisering). Eerst beschrijven de veranderingen in de maatschappij en de informatisering en daarna maken zij schattingen voor 702 beroepen van hoe vatbaar zij zijn voor computerisering en hoe dit is gekomen. Op basis van deze schattingen, onderzoeken zij de verwachte gevolgen van de toekomstige computerisering (oftewel automatisering) op de [Amerikaanse] arbeidsmarkt, rekening houdend met de relatie tussen de waarschijnlijkheid van de computerisering, de lonen en het vereiste opleidingsniveau. Volgens hun schattingen, is ongeveer 47% van de totale werkgelegenheid in de VS op korte termijn in gevaar.

Zij hebben de technologische revoluties (hun woord) van de 21^e eeuw  – na een uitstekende analyse van automatisering beginnend in de verlichting tot het einde van de 20^e eeuw waar de automatisering en daarna computerisering vooral van routine fysieke en daarna cognitieve taken plaatsvond – gesplitst in de computerisering van non-routine fysieke taken en de computerisering van non-routine cognitieve taken. In wezen zien wij de volgende vier kwadranten:

Zij signaleren, met de groei en volwassenwording van kunstmatig intelligentie, data analytics en machine learning, een overgang van de computerisering van banen die vooral o.b.v. routine uitgevoerd werden (zowel fysiek als cognitief) naar banen die ook non-routine fysieke en cognitieve vaardigheden vereisen.

Zij stellen, bijvoorbeeld dat:

[D]e hoge tempo waarin de taken die slechts tien jaar geleden gedefinieerd werden als non-routine zijn tegenwoordig goed te computeriseren. Autor et al. (2003), beweren dat: “het navigeren van een auto door het stadsverkeer of het ontcijferen van een gekrabbeld handschrift op een cheque – kleine moeite voor de meeste volwassenen – zijn geen routinetaken”. Vandaag de dag, zijn de problemen van het navigeren van een auto en het ontcijferen van het handschrift voldoende goed begrepen dat veel van de aan de taak aanverwante zaken in computer code kunnen worden gespecificeerd en geautomatiseerd.[1]

Zij verklaren dit door de beschikbaarheid van ‘big data’ samen met de vooruitgang van machine learning. Deze combinatie maakt het mogelijk algoritmen te produceren die zichzelf continu verbeteren ten opzichte van de prestaties van de mens. Sterker nog, zij stellen dat de:

[I]nformatisering van cognitieve taken wordt ook geholpen door een kernvoordeel van algoritmen: de afwezigheid van bepaalde menselijke neigingen [EN: biases]. Een algoritme kan ontworpen worden die meedogenloos een reeks taken kan uitvoeren. Mensen, in tegenstelling, moeten allerlei dingen doen die niets met hun werk te maken heeft zoals eten en slapen die hun prestaties kunnen beïnvloeden … [bijvoorbeeld] dat ervaren Israëlische rechters aanzienlijk guller zijn  in hun uitspraken na de lunchpauze. Er kan dus worden gesteld dat veel werkzaamheden die te maken hebben met besluitvorming zullen profiteren van onpartijdige algoritmische oplossingen.[2]

Twee voorbeelden die de auteurs geven zijn:

1. In de gezondheidszorg, gebruiken oncologen bij Memorial Sloan-Kettering Cancer Center zijn IBM’s Watson computer. Kennis van 600.000 medische bewijzen rapporten, 1,5 miljoen patiëntendossiers en klinische trials, en twee miljoen pagina’s tekst uit medische tijdschriften worden gebruikt voor benchmarking en patroonherkenningsdoeleinden. Hierdoor kan de computer individuele symptomen, genetica, familie en medicatie geschiedenis van elke patiënt, enz. vergelijken voor diagnose en het ontwikkelen van een behandelplan met de hoogste kans op succes.
2. Geavanceerde algoritmen nemen een aantal taken over die vroeger uitgevoerd werden door assistent advocaten [EN: paralegals] en contract- en/of octrooiadvocaten. Meer in het bijzonder, advocatenkantoren rekenen nu op computers die duizenden juridische documenten [EN: legal briefs] en -precedenten als voorbereiding in hun pre-trial onderzoek.

En wat is op dit moment de beperking van de computerisering van zulke banen? Hun antwoord is samen te vatten in een drietal begrippen, namelijk: sociale intelligentie (o.a., het kunnen – in real time – herkennen van menselijke emoties en daarop adequaat reageren), creativiteit (o.a., het bedenken van ideeën en artefacten die ongewoon zijn), en perceptie gekoppeld aan manipulatie (complexe perceptietaken in een ongestructureerde werkomgeving en daarop handelingen verrichten). In deze figuur laten zij een schets zien de waarschijnlijkheid van de computerisering van banen gebaseerd op deze drie ‘flessenhalzen’.

En de vijf meest en minst waarschijnlijk banen (van de 702 die zij analyseerden) die gecomputeriseerd zullen worden?

Minst waarschijnlijk:

1    Recreational therapist

2    First-line supervisors of mechanics, installers, and repairers

3    Emergency management directors

4    Mental health and substance abuse social workers

5    Audiologists

Meest waarschijnlijk:

698    Insurance underwriters

699    Mathematical technicians

700    Sewers (hand)

701    Title examiners, abstractors, and searchers

702    Telemarketers

Herblog naar hartenlust

Twitter: P_A_Kirschner

Frey, C. B., & Osborne, M. A. (2013). The Future of Employment: How Susceptible are Jobs to Computerisation? OMS Working Papers, September 18. doi: http://www.futuretech.ox.ac.uk/sites/futuretech.ox.ac.uk/files/The_Future_of_Employment_OMS_Working_Paper_0.pdf

[1] The rapid pace at which tasks that were defined as non-routine only a decade ago have now become computerisable is illustrated by Autor, et al. (2003), asserting that: “Navigating a car through city traffic or deciphering the scrawled handwriting on a personal check – minor undertakings for most adults – are not routine tasks by our definition.” Today, the problems of navigating a car and deciphering handwriting are sufficiently well understood that many related tasks can be specified in computer code and automated (Veres, et al., 2011; Plötz and Fink, 2009).

[2] Computerisation of cognitive tasks is also aided by another core comparative advantage of algorithms: their absence of some human biases. An algorithm can be designed to ruthlessly satisfy the small range of tasks it is given. Humans, in contrast, must fulfil a range of tasks unrelated to their occupation, such as sleeping,  necessitating occasional sacrifices in their occupational performance (Kahneman, et al., 1982). The additional constraints under which humans must operate manifest themselves as biases. Consider an example of human bias: Danziger, et al. (2011) demonstrate that experienced Israeli judges are substantially more generous in their rulings following a lunch break. It can thus be argued that many roles involving decision-making will benefit from impartial algorithmic solutions.