Wat artificial intelligence doet met de arbeidsmarkt van de (nabije) toekomst

AI kan op allerlei manieren ingezet worden: zoeken, redeneren, verwerken, interactie en perceptie en in machine learning. Dat laatste is misschien wel de belangrijkste voor de toekomst en kan ook weer heel breed worden ingezet: in sales, in marketing, in datascience om te leren over drugs en wetgeving bijvoorbeeld. Bij financiële analyses, in de zorg om ziekteverloop te voorspellen, om processen te optimaliseren in de logistiek, etc. “We willen studenten liefst opleiden voor banen die niet door AI gedaan kunnen worden”, vertelt een decaan tijdens de opening van de lezing.

Oliveira vult hem aan: “De wet van Amara is hierbij belangrijk: we hebben als mensen de neiging om het effect van technologie op de korte termijn te overschatten en het op de lange termijn te onderschatten. Dit zie je bijvoorbeeld terug in de ontwikkeling van het aantal transistors gedurende de afgelopen decennia.”

Beroepen die veranderen

Oliveira deelt ook onderzoeken die hebben gekeken welke beroepen de kleinste kans hebben om te worden overgenomen door computers en welke de grootste kans hebben daarop. De beroepen die waarschijnlijk de minste invloed van AI zullen merken zijn recreatieve therapeuten, tandartsen en sporttrainers. De banen die waarschijnlijker zijn te verdwijnen en overgenomen door computers zijn die van telemarketeers, accountants, auditors, (vrachtwagen)chauffeurs, personal assistants, juridisch analysten, verkopers in de detailhandel, radiologen, cardiologen en neurologen (Frey et al, 2013). Die laatste drie beroepen vragen om specifieke analyse die computers heel goed kunnen met ML. Hij gaf ook een aantal belangrijke vaardigheden voor nu en in de nabije toekomst, waarvan de top 3 ging over oplossingen kunnen bedenken voor complexe problemen, kritisch kunnen denken en creatief zijn. En Oliveira heeft ook nog wat baanadvies: “Kies vooral geen saaie job. Dat is sowieso niet houdbaar, AI-invloed of niet.” Oliveira heeft ook nog wat tips voor vakken die studenten het beste kunnen volgen: “Leer onder andere calculus, Phyton, R, C++, bayesian statistics en natuurlijk machine learning.” Dat eerste vakadvies levert het nodige gezucht en gelach op in de zaal, want het is natuurlijk één van de meest gehate vakken van studenten.

Moeilijk of makkelijk?

Veel mensen zien AI als iets ongrijpbaars, iets moeilijks. Maar er is een paradox in de definities ‘makkelijk’ en ‘moeilijk’.

“Die zijn voor een computer en een mens heel anders. Taken die moeilijk zijn voor de mens, zijn makkelijk voor een computer en taken die makkelijk zijn voor de mens, zijn moeilijk voor een computer. Bijvoorbeeld zeer complexe sommen uitrekenen is simpel voor een computer maar moeilijk/langdurig voor een mens. Gezichten herkennen is gemakkelijk voor een mens maar moeilijk voor een computer”, weet Oliveira.

Toch worden computers steeds beter, zo merken de gasten van de lezing tijdens een demonstratie: op het scherm staan zes foto’s van mensen waarbij de toeschouwers moeten zeggen welke niet-bestaande personen zijn en welke wel-bestaande mensen zijn. Bij sommige foto’s gaan er duidelijk meer handen omhoog dan bij andere. Iedereen zit uiteindelijk fout: alle foto’s zijn namelijk nep. Gegenereerd door een computer middels machine learning (ML): het leren van patronen door veel data tot zich te nemen.

Machine learning bij zelfrijdende auto’s

In traditioneel programmeren heb je input en schrijf je een programma dat je aan een pc geeft en daar komt output uit. In machine learning geef je de computer input én output en die maakt daar een programma van. Neem bijvoorbeeld de zelfrijdende auto’s. Dat gaat ook om machine learning. Die auto’s krijgen heel veel input van verkeerssituaties en output van reacties van bestuurders op die situaties. Door voldoende van die ‘beslissingsroutes’ te krijgen, kan het systeem daarvan leren en op een gegeven moment zelf keuzes maken. Die leerstructuur biedt oneindige opties voor branches en toepassingen. Natuurlijk zijn hier ethische uitdagingen waar we goed naar moeten kijken. Als we bijvoorbeeld tegen een systeem zeggen ‘los het global warming probleem op’ en het systeem gaat alle mensen doden, is dat niet een gewenst resultaat, dus moeten we het systeem de juiste kaders meegeven. Om echt goede machines te maken, moeten we kennis uit allerlei vakgebieden bij elkaar brengen. Natuurlijk de wiskunde, informatica, neurowetenschappen en datascience, maar ook biologie, psychologie en filosofie bijvoorbeeld, om de ethische kant goed in te richten.

Van AI naar AGI

“De droom is om te komen tot Artificial General Intelligence (AGI) door machines te creëren die even capabel zijn als mensen. Daar komen we misschien, maar daar zijn we zeker nog niet. Maar we moeten ons wel op de toekomst voorbereiden alsof ons dat gaat lukken. Machine learing is daarbij echt key.”

We zijn al heel ver met deep convolutional neural networks die mensen gewoon kunnen downloaden en met hun eigen input en output kunnen voeden om zelf een machine iets te leren over een onderwerp naar keuze. Twintig jaren geleden was het ondenkbaar geweest dat dit ooit zo ‘simpel’ zou worden. Machine learning is beter in het voorspellen van beroertes dan dokters. Het heeft met gemak de beste go-speler ter wereld verslagen en zelfs spelstrategieën bedacht waar mensen nog nooit opgekomen zijn. Het kan gezichten samenstellen die zo echt lijken dat mensen niet doorhebben dat de persoon op die foto niet bestaat. Maar de computers met ML zijn vaak heel specifiek voor een bepaalde taak gemaakt en (nog) niet zo divers als mensen.

Meer lezen over AI en de gevolgen voor het onderwijs en de arbeidsmarkt? Prof. Oliveira heeft het boek ‘The digital mind’ geschreven. Daarnaast raadt hij ook andere boeken aan, zoals ‘Superintelligence’ van Nick Bostrom en ‘Life 3.0’ van Max Tegmark.