AI-jargon dat je moet kennen als HR-professional

Als werkgevers AI gebruiken, is het belangrijk dat ze de kernpunten van de technologie begrijpen, zegt David Lloyd, chief data officer bij Dayforce. Op een conferentie van Dayforce zei hij het volgende: “AI is niet nieuw, maar we hebben pas recent de computerkracht en data gekregen die het revolutionair maken.”

“Naarmate we er meer toepassingen voor vinden op het werk, horen we steeds meer termen voorbij komen en kan het ingewikkeld voelen. Maar eerlijk gezegd is het niet zo mysterieus. Werkgevers moeten terug naar de basis gaan en er zeker van zijn dat ze die begrijpen, zodat we AI op een effectieve en ethische manier kunnen gebruiken.”

Dit zijn vijf belangrijke termen die je moet kennen:

Generatieve AI

Generatieve AI, zoals ChatGPT en Google Bard, leert patronen van data zodat het tekst, afbeeldingen of andere data kan genereren die vergelijkbare kenmerken hebben. 

Katya Kudashkina, directeur van engineering, intelligent search en assistent bij Dayforce, zei op dezelfde conferentie: “AI zelf is slechts een machine die iets kan doen wat mensen normaal doen.”

“Generatieve AI is daar een subgroep van die leert van data om nieuwe, vergelijkbare data te produceren. ChatGPT is bijvoorbeeld een generatief AI large language model. Het bootst het begrip van taal na door data te gebruiken om tekst te genereren gebaseerd op vergelijkbare tekst.”

“De systemen zijn gebaseerd op wiskunde. Ze begrijpen taal niet, maar op deze manier kunnen ze je laten denken dat ze dat wel doen.”

Programma’s als ChatGPT kunnen helpen met het schrijven van teksten voor interne communicatie en functiebeschrijvingen. Maar het is ook belangrijk om voorzichtig te zijn met de data die werknemers in generatieve AI-programma’s stoppen, om zorgen over de beveiliging van gegevens te voorkomen.

Algoritme 

Een algoritme is een set regels die het AI-model moet volgen om de gewenste uitkomst te bereiken. Ze worden gebruikt in alle AI-systemen. 

Algoritmes zorgen ervoor dat AI kan leren, data kan analyseren en inzicht in patronen kan geven. Ze kunnen bijvoorbeeld gebruikt worden om data over de loonkloof te analyseren om trends te vinden in hoeveel werknemers worden betaald, gebaseerd op gender, leeftijd en etniciteit. 

Black box AI/White box AI

Bij black box AI worden er resultaten gedeeld zonder uitleg over hoe die tot stand zijn gekomen. Het wordt vaak gebruikt in AI-processen die moeilijk te begrijpen zijn voor mensen, zoals stem- of afbeeldingsherkenning. Black box AI kan gezien worden als een ethisch probleem wanneer het gebruikt wordt voor HR-processen, omdat het lastig is om vooroordelen te onderscheiden.

White box AI is juist transparant over hoe het tot conclusies komt. Dit betekent dat het mogelijk is om te checken hoe een AI-model een beslissing heeft gemaakt. 

AI en vooroordelen

Als AI wordt getraind met bevooroordeelde data, zullen de resultaten ook bevooroordeeld zijn. 

Op een conferentie waarschuwde Labour-kamerlid Chi Onwurah al dat AI discriminatie in stand kan houden als de data waarop het is gebaseerd niet gecheckt wordt. 

Ze zei: “AI wordt als erg handig gezien omdat het zoveel processen kan automatiseren… maar het kan ook racisme, seksisme en exploitatie automatiseren. Technologie is niet neutraal, de richting ervan wordt bepaald door degene die de technologie aanstuurt en de data waarop ze  gebaseerd is.”

“Als iets niet divers ontworpen is, zal de uitkomst ook niet divers zijn.”

Een goed voorbeeld hiervan is toen het screeningsysteem voor kandidaten van Amazon bevooroordeeld bleek te zijn tegen vrouwen. Omdat de functies in het verleden vaak door mannen werden vervuld, was de AI getraind met data die gericht was op mannen. Daarom gaf de AI mannen hogere scores dan vrouwen.

Machine learning onder en zonder toezicht

Er is sprake van machine learning wanneer een AI-systeem data en algoritmes gebruikt om na te bootsen hoe mensen leren. Met de tijd wordt dit langzaam steeds preciezer. 

Dit kan leren onder of zonder toezicht zijn.

Voor leren onder toezicht wordt er gecategoriseerde data gebruikt om algoritmes te trainen om andere data te classificeren in categorieën of labels. Een toepassing hiervan binnen HR zou zijn om sollicitaties te beoordelen om te zien welke kandidaten de meeste kans hebben om aangenomen te worden en eerst op sollicitatiegesprek moeten komen, gebaseerd op eerdere aangenomen kandidaten. 

Leren zonder toezicht neemt ongecategoriseerde data en gebruikt algoritmes om er patronen in te ontdekken. Dit kan gebruikt worden om verschillen in salaris, werkpatronen of de betrokkenheid van medewerkers te ontdekken onder verschillende groepen op de werkvloer. 

Lees hier het originele (Engelse) artikel.