Jim Stolze, mede-oprichter van het eerste Nederlandse agentschap voor artificiële intelligentie, schreef een verhelderend boek over digitale transformatie. In Algoritmisering, wen er maar aan geeft de tech-ondernemer niet alleen nieuwe inzichten. Hij zet ook flink aan het denken over hoe we algoritmen nu – en in de toekomst – verantwoord voor beleidsdoelen kunnen inzetten.
Digitalisering en algoritmisering worden vaak in een adem genoemd. Maar ze zijn verre van gelijk aan elkaar. Bij digitalisering gaat het in feite om de overgang van informatie naar een digitale vorm, dat wil zeggen in een vorm die gebruikt kan worden door elektronische apparaten zoals computers. Bij algoritmisering gaat het om het zoeken naar patronen in digitale data door zelflerende systemen.
Jim Stolze, mede-oprichter van het op het Amsterdamse Science Park gevestigde bedrijf Aigency, legt het in het boek Algoritmisering, wen er maar aan haarfijn uit. In zeer heldere taal en met tal van mooie voorbeelden, waarbij achter de schermen van bedrijven als Netflix, Spotify en Facebook wordt gekeken, gaat Stolze in op het verschil. Hij geeft aan wat een algoritme is en wat er verstaan wordt onder ‘machine learning’, ‘deep learning’, ‘kunstmatige intelligentie’ en ‘augmented intelligence’. Een must read voor iedereen die bij overheid of bedrijfsleven met de digitale transformatie aan de slag is of gaat.
Algoritmisering
Tal van overheden en bedrijven hebben jarenlang veel tijd en geld geïnvesteerd in de digitalisering van processen. Dit heeft ze vooral veel data opgeleverd, zegt Stolze. Maar toegevoegde waarde voor een klant of inwoner, door een verschuiving binnen het businessmodel, ontstaat pas als de opgebouwde data op vernieuwende wijze wordt ingezet. Data dus niet als bijproduct, maar als product om tot een nieuw product of een nieuwe dienst te komen. Digitalisering is met andere woorden niets anders dan het digitaal maken van processen. Processen van de ‘oude economie’.
‘Digitalisering is grondstof voor de nieuwe economie’
De meeste instellingen die met digitalisering aan de slag gaan, doen niks anders dan bestaande processen omzetten in een digitale equivalent. Daarmee is in feite niet veel veranderd. En is ook geen waarde toegevoegd. Digitalisering is volgens Stolze echter geen eindpunt gericht op verbetering en uitbreiding van de dienstverlening van reeds bestaande producten en diensten. Het is in feite de start van een proces dat zich richt op het volledig benutten van de potenties van de daaronder liggende technologie. De grondstof voor de ‘nieuwe economie’.
Patronen uit data
Een algoritme is niets anders dan een set instructies om een bepaalde taak uit te voeren. Aan de hand van data die in een algoritme wordt ingevoerd, wordt in verschillende stappen toegewerkt naar het beoogde eindresultaat. Er bestaan verschillende typen algoritmen. Het algoritme voor het toekennen van een toeslag heeft doorgaans het karakter van een eenvoudige beslisboom.
Een algoritme kan ook meer complex zijn en bijvoorbeeld op basis van een aantal casussen en een geautomatiseerd proces voorspellingen doen over nog niet bekende gevallen. De toegevoegde waarde van deze meer complexe algoritmen is niet primair om de bestaande dienstverlening te verbeteren, maar om nieuwe producten en nieuwe diensten te ontwikkelen. Het gaat om ‘machine learning’, waarbij computers wordt geleerd om van ervaring te leren en de eigen performance te verbeteren. En om ‘deep learning’, dat zich richt op de ontwikkeling van algoritmen die leren zoals de hersenen kennis verwerken en daarmee het menselijk brein soms passeert.
Algoritmen in de zorg
Verspreid over het boek geeft Stolze een paar hele mooie voorbeelden. Naast bekende, meer commerciële toepassingen waarbij complexe algoritmen worden gebruikt, zoals door Spotity, Google en Netflix, gaat hij ook in op minder bekende toepassingen, bijvoorbeeld in de zorg.
Zoals het algoritme om door middel van een oogfoto beschadigingen aan het oog vast te stellen die het gevolg zijn van de ziekte diabetisch retinopathie. Op basis van 60.000 foto’s was het getrainde algoritme in staat de foutmarge zodanig omlaag te brengen dat deze beter was dan van een gemiddelde arts. Vooral in landen met een groot tekort aan oogartsen, zoals in India, bleek het algoritme in staat om de vaststelling van beschadigingen in veel meer gevallen en veel sneller vast te stellen.
Een ander mooi voorbeeld dat door Stolze wordt aangehaald is het door onderzoekers van Stanford University ontwikkelde algoritme dat zich een weg baant door uren hartfilmpjes en vervolgens veertien verschillende typen hartritmestoornissen kan herkennen. In totaal duurde het zeven maanden om het algoritme te trainen tot het even goed (later zelfs beter) dan de gemiddelde cardioloog presteerde.
Data science
Zoekend naar concrete toepassingen van algoritmen in Nederland noemt Stolze interessante cases op het gebied van onder meer onderhoudspreventie (van treinrails), kwaliteitsinspectie (bloemenveiling) en creativiteit (architectuur). Zo ontwikkelde Huub van den Broek een algoritme waarin op innovatieve wijze data science wordt gebruikt in een praktische toepassing op het spoor.
Van den Broek had met een team het inspectieproces gedigitaliseerd door van elke meter spoor een videobeeld te maken. En vervolgens een getraind algoritme ontwikkelt dat op basis van patroonherkenning en historische data een heel exact oordeel kan vellen over de kwaliteit van elke meter spoor. Na verloop van tijd was het algoritme zo nauwkeurig geworden dat het een score van 99 procent accuratesse wist te behalen.
Inspecteurs hoeven zo niet langer langs de rails te lopen om visueel waar te nemen waar eventuele gebreken dreigen te ontstaan. Voor deze innovatie mocht Van den Broek in 2018 namens zijn werkgever CQM de Hendrik Lorentz Data Science-prijs in ontvangst nemen.
Moreel kompas
Kan de ontwikkeling van algoritmen een bijdrage leveren aan de oplossing van complexe maatschappelijke vraagstukken? Ja, dat kan, zoals de voorbeelden voor het traceren van beschadigingen aan het oog en van hartritmestoornissen laten zien. Ook op tal van andere terreinen, zoals in het sociaal domein, kan algoritmisering meerwaarde opleveren. Data-analyse kan beleid, uitvoering en dienstverlening, ook op lokaal niveau, effectiever en doelmatiger maken. Bijvoorbeeld als het gaat om het terugdringen van woninginbraken en huiselijk geweld.
‘Data-analyse kan beleid, uitvoering en dienstverlening effectiever en doelmatiger maken’
Maar data zijn niet neutraal. Data-analyse en algoritmen lijken dan misschien technisch en a-politiek, ze zitten ook vol met hypotheses. De afwegingen achter technische beslissingen zijn politiek. Daardoor kunnen algoritmen worden misbruikt (denk aan Facebook) en soms ook onbedoeld averechtse gevolgen hebben. Ook van deze laatste groep laat Stolze een paar mooie voorbeelden zien. Daarmee besteed hij ook expliciet aandacht aan de ethische kanten van het toepassen van algoritmen, de gevolgen voor de arbeidsmarkt, aan privacy, het belang van transparantie en de aanwezigheid van een moreel leiderschap.
Mist Nederland de boot?
De perspectieven voor Nederland zijn weinig hoopvol, laat Stolze desgevraagd weten. De investeringen op het terrein van de digitale transformatie blijven achter, constateert hij. De steun vanuit de Nederlandse overheid verbleekt ten opzichte van omringende landen. Onze meest belovende start-ups op het gebied kunstmatige intelligentie zijn ingelijfd door buitenlandse bedrijven en studenten worden opgezadeld met een numerus fixus. De boot is voorbij gevaren en wij staan vanaf de wal te zwaaien met de wetenschapsbrief van het ministerie van OCW, aldus de tech-ondernemer.
Jim Stolze, Algoritmisering, wen er maar aan. Leven, werken en geld verdienen met kunstmatige intelligentie, Boom Uitgevers, 175 pagina’s, 2018.
adviseur masteropleiding urban management zegt
Dave haalt uit het boek van Stolze enkele voorbeelden van processen waar algoritmen van nut kunnen zijn zoals technisch onderhoud en medische diagnostiek. Hij vermeldt dat er op moreel gebied ook risico’s zijn maar geeft hier geen duidelijke voorbeelden van. Ik stel dat dat algoritmen niet geschikt zijn om individuele problemen op sociaal- economisch gebied in beeld te brengen en door de computer te laten beoordelen. En zeker niet om sociaal-economische vraagstukken van burgers op te lossen door beschikkingen voor burgers te maken gebaseerd op patronen die die uit de digitale data-analyse naar boven komen. Aangezien zowel mensen als omstandigheden altijd verschillen, kan de computer nooit individueel menselijk maatwerk vervangen. Maatwerk waarin de betreffende burger moet participeren omdat hij/zij kennis en zicht op het netwerk waarin hij/zij verder moet. ervaring heeft. De data waarmee de machine wordt gevoed, is nooit groot en actueel voor individuele gevallen. Het vertrouwen in de overheid daalt verder door machines beschikkingen over toeslagen te laten sturen naar bijvoorbeeld mensen die in de stress zitten door schulden. Laat Brave New World geen realiteit worden!
Strategisch adviseur, gemeente Den Haag zegt
Algoritmen zijn vooral van belang om zinvolle patronen uit data te halen. Patronen die vervolgens kunnen leiden tot nieuwe producten of nieuwe diensten. En daarmee ook tot verbetering van de dienstverlening aan inwoners. Algoritmen enkel gebruiken om de controle en grip van de overheid op inwoners en burgers te vergroten lijk mij onwenselijk. Algoritmisering koppelen aan geautomatiseerde brieven eveneens. In wet- en regelgeving, ook lokaal, dient te worden vastgelegd wat vanuit moreel en ethisch perspectief verantwoord is en vast te leggen wat vanuit privacy overwegingen wel en niet kan.