The Rise of The Robots
Machine Learning en de impact op ons werk
We staan aan de vooravond van de grootste verandering die we ooit hebben meegemaakt. Eéntje waarbij de opkomst van het internet en de smartphone in het niets zal vallen. Namelijk de revolutie die teweeg zal worden gebracht door Machine Learning; ook wel bekend onder het tweede machinetijdperki. Het duurt namelijk niet lang meer voordat machines jouw werk beter doen dan jijzelf.
Automatisering hield vroeger in dat grote, domme machines werk in fabrieken deden. Vandaag kunnen ze kanker diagnosticeren, vliegtuigen laten landen en in aandelen handelen. We betreden een tijdperk waarin niet langer alleen fysieke arbeid te automatiseren is, maar ook mentale taken.ii
Volgens een rapport uit 2018 van het World Economic Forum zal automatisering in 2025 zo’n 50% van de werkzaamheden op de werkvloer kunnen uitvoeren.iii Het is geen gekke gedachte dat dit percentage nog verder kan oplopen. Automatisering is niets nieuws, maar dit keer is alles andersiv.
Innovatie in het verleden
Het was vroeger simpel: Innovatie maakte werk makkelijker en de productiviteit steeg. Dat betekende dat per uur meer producten of diensten konden worden geproduceerd met hetzelfde aantal mensen. Hierdoor verdwenen banen, maar creëerde het ook andere nieuwe, betere banen. Dit was belangrijk omdat de groeiende bevolking werk nodig had.
Over het algemeen werkte dit goed voor de meeste mensen en de leefomstandigheden verbeterden. Er is een duidelijke verbetering in wat mensen deden voor de kost.
Tot een tweetal eeuwen geleden werkte de mens grotendeels in de landbouw. Met de industriële revolutie verschoof dit naar productiewerk. Naarmate automatisering zich meer verspreidde, verschoof dit naar de dienstensector. En toen, zeer recent in de geschiedenis, begon het informatietijdperk. Plotseling zijn de regels veranderd. Onze banen worden nu veel sneller overgenomen door machines dan in het verleden. Dat is natuurlijk zorgwekkend, maar ook nu ontstaan er toch weer nieuwe en betere banen?
Het gaat goed met de Big Five in de ICT (Apple, Amazon, Facebook, Alphabet en Microsoft). Hoewel hun gezamenlijke omzet met 900 miljard dollar gelijk is aan het BBP van Nederlandv , creëren ze minder nieuwe banen dan hun innovatieve voorgangers uit het verleden.
Ter vergelijking: in 1985 had General Motors 748.000 werknemers in dienst en verdiende ongeveer 4,5 miljard dollar.vi In 2019 verdiende Facebook ongeveer 18,5 miljard dollar, terwijl het maar 48.300 mensen in dienst had.vii.
De auto is een uitstekend voorbeeld van een innovatieve industrie van destijds. Toen ze 100 jaar geleden in de wereld kwamen, creëerden ze gigantische industrieën. Auto's veranderden alles: lifestyle, infrastructuur en steden. Miljoenen mensen vonden werk, direct of indirect. Decennia aan investeringen hielden deze voortgang in stand. Vandaag is dit proces grotendeels compleet. Ter illustratie: General Motors heeft op dit moment nog maar 164.000 werknemers.
Innovatie in de auto-industrie creëert niet meer zoveel banen als vroeger. Elektrische auto’s staan op het punt het nieuwe normaal te worden, maar doordat ze minder bewegende onderdelen hebben, zijn ze veel eenvoudiger in het onderhoud.
Ook de impact van het internet is niet groot genoeg om genoeg banen te creëren voor de industrieën die het momenteel aan het verdrijven is. Neem bijvoorbeeld Booking.com. In 2019 had dit bedrijf een omzet van 15,1 miljard en een winst van 4,9 miljard. Dit behalen ze met 26.400 werknemers.viii De hotelketen Hilton heeft 173.000 werknemers en behaalt daarmee een omzet van 9,4 miljard en een winst van 1,9 miljard.ix
Nou kun je stellen dat Booking.com nooit deze winst zou kunnen behalen zonder alle hotels die ze ‘faciliteren’. Echter, hotelketens kunnen ook niet meer zonder deze reserveringsbedrijven.
Innovatie in het informatietijdperk leidt niet tot het creëren van genoeg nieuwe banen. Wat op zich al vervelend genoeg is, maar nu neemt een nieuwe golf van automatisering het langzaam maar zeker over.
Een nieuw soort machine
Om dit te begrijpen, moeten we eerst onszelf begrijpen. De vooruitgang van de mensheid is gebaseerd op de verdeling van arbeid. Naarmate we in de loop van duizenden jaren vorderden, werden onze banen steeds meer gespecialiseerd. Hoewel zelfs onze slimste machines slecht zijn in complexe taken, zijn ze er extreem goed in om duidelijk gedefinieerde en voorspelbare taken uit te voeren.
Dit leidde tot het einde van het fabriekswerk. Maar kijk lang en goed genoeg naar een complexe taak en je zult zien dat het gewoon veel voorspelbare taken zijn, de één na de ander. Machines staan op het punt om zó goed te worden in het splitsen van complexe en veel voorspelbare taken, dat er voor veel mensen geen ruimte meer zal zijn om te specialiseren.
We staan op het punt om weggeconcurreerd te worden. Digitale machines doen dit via Machine Learning, waardoor ze informatie en vaardigheden kunnen verkrijgen door data te analyseren. Hierdoor worden ze beter in bepaalde dingen door verbanden die ze ontdekken. Wij maken dit mogelijk door de computer veel data te geven over de taak waarvan we willen dat het er beter in wordt. Toon een machine alle spullen die jij online hebt gekocht en hij zal langzaam leren wat hij je moet aanbevelen, zodat je meer spullen koopt.
Machine Learning bereikt nu meer van zijn mogelijkheden, omdat in de afgelopen jaren mensen gegevens zijn gaan verzamelen over alles. Gedrag, weerpatronen, financiële transacties, gezondheidsdossiers, communicatiesystemen, reisgegevens en natuurlijk gegevens over wat we op het werk doen. Wat we per ongeluk hebben gemaakt is een gigantische bibliotheek die machines kunnen gebruiken om te leren hoe mensen dingen doen en leren ze beter te doen.
Maar dit is nog niet alles. Met Machine Learning kunnen computers patronen herkennen en gedrag voorspellen, maar op dit moment worden de systemen zo vaardig dat machines zichzelf kunnen gaan onderwijzen. Zelf nieuwe vaardigheden leren.
In 1997 versloeg Deep Blue II van IBM de wereldkampioen schaken, Garry Kasparov. Dit programma werkte traditioneel door heel veel data (brute force) te verwerken.x In 2017 versloeg het AlphaZero-programma van Google de toenmalige computerwereldkampioen schaken. AlphaZero heeft nooit schaakstrategieën geleerd van mensen. Het heeft zichzelf onderwezen in een luttele vier uur!xi
Machines worden op dit moment snel beter. Niet alleen wordt de verwerkingscapaciteit groter, ook worden ze steeds efficiënter. Wanneer jouw baan vandaag de dag complex werk op een computer inhoudt, zou je zo maar eerder werkeloos kunnen zijn dan de mensen die nog in fabrieken werken.
Er zijn echte voorbeelden van hoe deze overgang misschien al bezig is. Het Neurale netwerk GPT-3 van OpenAi kan op basis van steekwoorden volledig natuurlijke teksten schrijven.xii Rapporten, nieuwsberichten en zelfs boeken worden binnenkort gemaakt zonder tussenkomst van de mens. Dit is slechts één van vele voorbeelden. Er zijn machines en programma's die zo goed worden als, of beter worden dan, mensen op verschillende terreinen.
Bankmedewerkers, chauffeurs, apothekers, analisten, journalisten, programmeurs, radiologen…. Geen van deze banen zal morgen verdwenen zijn, maar steeds minder mensen zullen ze uitvoeren.
Nieuw kansen
Welke vaardigheden moeten we nu leren om voorbereid te zijn op wat gaat komen? Volgens pedagogen zijn de volgende vier vaardigheden essentieel: kritisch denken, communicatie, samenwerking en creativiteit.xiii Deze vaardigheden zijn lastig te automatiseren, ze vragen vakmanschap.
Deze vaardigheden zijn niet alleen van toepassing op individuen, maar ook op organisaties. Disruptieve spelers hebben gemeen dat ze de gevestigde orde voorbijstreven door creatief gebruik te maken van hun data. Kritisch kijken wat hun toegevoegde waarde is en een slimme inzet van automatisering.
Als je niet innoveert zul je, net zoals de traditionele autobouwers, achteropraken bij nieuwe innovatieve spelers. Maar er zijn kansen in overvloed. Zonder het te weten zitten veel bedrijven op een datagoudmijn. Die, mits slim ingezet, het verschil kan betekenen.
Conclusie
Productiviteit heeft steeds minder te maken met menselijke arbeid. De mate van innovatie in het tweede machine tijdperk verschilt van alles dat we eerder zijn tegengekomen. Dit proces startte jaren geleden en ontwikkelt zich steeds sneller.
Het lijkt erop dat automatisering deze keer anders is. Dit keer kunnen de machines misschien echt onze banen overnemen. Unieke menselijke vaardigheden, zoals kritisch denken, samenwerken, creativiteit en communiceren zullen ontzettend belangrijk worden. Daar spelen wij als Snakeware dan ook altijd op in, echte partnerships middels samenwerken en met elkaar gaan voor duurzaam resultaat. Ben je op zoek naar expertise en strategisch meedenken rond machine learning? Aarzel niet en neem contact met ons op. We denken graag met je mee om je op voorsprong te zetten en impact te maken. De toekomst is revolutionair, laten we hem samen maken!
i Brynjolfsson, E. en A. McAfee (2014) The Second Machine Age
ii Baldwin, R. (2019) The Globotics Revolution: Globalization, Robotics, and the Future of Work
iii https://www.weforum.org/reports/the-future-of-jobs-report-2018
iv Ford, M (2016) The Rise of ohe Robots
v https://www.visualcapitalist.com/how-big-tech-makes-their-billions-2020/
vi https://money.cnn.com/magazines/fortune/fortune500_archive/snapshots/1985/563.html
vii https://en.wikipedia.org/wiki/Facebook,_Inc.
viii https://en.wikipedia.org/wiki/Booking_Holdings
ix https://nl.wikipedia.org/wiki/Hilton_Worldwide
x https://www.forbes.com/sites/gilpress/2018/02/07/the-brute-force-of-deep-blue-and-deep-learning/
xi https://www.chess.com/news/view/google-s-alphazero-destroys-stockfish-in-100-game-match
xii https://www.technologyreview.com/2020/07/20/1005454/openai-machine-learning-language-generator-gpt-3-nlp/
xiii Harari, Y.N. (2018) 21 Lessons for the 21st Century