.TechSpecs.
A6-TAB5:.Skill Audit en A.I.
Naar huidige stand van zaken, kan de beoordeling van jouw gedrag (nog?) niet door A.I. worden gedaan.
-
Toch gebeurt beoordeling van sociaal gedrag al in selectie, dus je zou kunnen zeggen: doe die Skill Audits met A.I., dat scheelt tijd en geld, en dat kan dan besteed worden aan nog meer training. Dat is best een aardige gedachte. Maar op AI in selectie is overigens kritiek, en we zullen hieronder betogen dat die voor training des te meer geldt, paradoxaal genoeg. Vaak denken mensen: met selectie moet je wel heel consciëntieus werken, dan kan je bij training de teugels wel wat laten vieren. Het is juist andersom: selectie met AI rendeert naar huidige stand van zaken vooral in die situaties waarin je je veel afgewezenen kan veroorloven: het optimaliseert een selectieresultaat op groepsniveau, ten koste van vele onterechte afgewezenen. Het individu komt er dus niet al te best af. Bij onze 1-op-1 training gaat het er juist om, een aanpak te vinden die op dat individu is toegesneden, en onder meer daar wringt de schoen.
-
Misschien lukt het in de toekomst om onze Tegenspeler Skill Audit, en jouw opgenomen gedrag bij de Video Skill Audit door A.I. te laten beoordelen. Nu nog niet.
-
We leggen dat in meer detail uit.
Spraakherkenning versus spraakbegrip
De huidige AI-modellen werken allemaal op statische herkenningsbasis. Ze begrijpen niets van de taal die ze verwerken zoals wij dat doen. Stel, jouw Tegenspeler Skill Audit zou door AI beoordeeld worden: die zou dan uit jouw reacties weliswaar bepaalde zaken herkennen, bijvoorbeeld of jij vragen stelde, en of die open of gesloten zijn. Het is zelfs voorstelbaar dat de tegenspeler een Deep Fake is, die reageert op jouw vorige reactie. Zo komt er een op het eerste oog indrukwekkende keten van actie en reactie op gang.
De Skill Audit heeft de vier brede beïnvloedingsschakels, juist om selectie-kandidaten en trainees de ruimte te laten voor een eigen, persoonlijke invulling. Dit laat ruimte voor "er zijn meerdere wegen die naar Rome leiden". Elke schakel is als het ware een beïnvloedings-deelresultaat, dat op vele, hele persoonlijke, en ook creatieve manieren gehaald kan worden. Kan AI naar huidige stand dat aan? Stel jij hebt een hele unieke manier van handelen in een van de schakels, maar een andere is niet op niveau. AI zal dan waarschijnlijk zeggen dat ze beide niet op niveau zijn, omdat jouw uniciteit niet wordt herkend. Onnodig streng dus, met als resultaat een onnodig grote ontwikkellast als diagnose. Je traint dan deels voor niets.
x
Hieronder gaan we op een aantal zaken verder op in.
x
Herkenning van geïsoleerde vaardigheden en gezichtsexpressies: dat brengt niet genoeg
Laten we afbouwen van weerstand nemen. AI zal daar alleen van te voren, specifiek geformuleerde vaardigheden in kunnen ontdekken. Voor hele persoonlijke, maar daarmee juist vaak niet minder effectieve manieren van aanpak, stokt de beoordeling. Als het niet lukt om met de van te voren ingestelde mal te beoordelen, kennen nogal wat systemen zekerheidshalve een negatieve score toe: dat leidt dan tot een geautomatiseerde, onterechte afwijzing.
Andersom zie je het ook: onterechte positieve oordelen. Wie maar voldoende open vragen stelt, krijgt van het systeem een positief oordeel, terwijl die vragen, hoe open ze ook zijn, de weerstand natuurlijk niet overal en altijd afbouwen. Of de vragen aansluiten bij wat is gezegd, is zelfs voor AI lastiger te beoordelen. En of het gevraagde deëscalerend werkt in het geval van een simulatie met een echte tegenspeler, dat is maar de vraag. Dit heet: "eigenschapsuitholling", de brede vaardigheid om te apaiseren, om van een tegenstander een medestander te maken, wordt om technische spraakherkenningsredenen gereduceerd tot bijvoorbeeld: hoeveel open vragen stelt de beoordeelde. 100% objectief, 0% valide. Dit is in wezen een situatie van "operatie geslaagd, patiënt dood": de gestelde vaardigheden zijn vertoond, maar of de weerstand minder is?
AI naar huidige stand is goed in patroonherkenning, de vraag is dan in hoeverre een hele persoonlijke aanpak in een herkend patroon valt. Misschien wel, misschien niet. De stand van zaken is te onduidelijk om het nu al in te zetten.
De techniek om gezichtsexpressies te herkennen verder, hapert nog steeds, en de conclusies die je eraan moet verbinden zijn nog steeds speculatief. De techniek wordt vooral simultaan aan iets wat iemand zegt of doet gebruikt, als indicator voor "meent deze persoon het echt". Een leugendetectie als het ware. Er is veel kritiek op deze manier van AI inzetten, het leidt bijvoorbeeld in selectie tot veel onnodige afwijzingen. Ook kunnen deze systemen mensen van kleur niet goed beoordelen. Een goede reden om er niet aan te beginnen.
Naar huidige stand van zaken isoleert A.I. een deelingrediënt van een compexe, demonstreerbaar talent
Om kort te gaan: AI neemt een deelingrediënt van een complexe vaardigheid als sociale competentie, maar kan over de hele sociale competentie geen oordeel vellen. Daar is nog steeds een menselijke beoordelaar voor nodig.
Wie zich in selectie, afgezien van allerlei morele en ethische overwegingen die je kunt hebben, grote groepen onnodige afwijzingen kan veroorloven, kan met AI aan de slag. In een training, waar het juist om het vinden van een hele persoonlijke stijl binnen de vier schakels gaat, zal AI niet verder helpen, eerder averechts effect hebben.
Hoe het in de toekomst of nabije toekomst zal zijn, dat weten we niet. Op dit moment: geen AI.