Skip to main content
  • Home
  • Nieuws
  • Studiemakkers stomen met AI je werknemers klaar voor de jobs van morgen
  • 29/11/2019

Studiemakkers stomen met AI je werknemers klaar voor de jobs van morgen

Zelf waren ze hun loopbaan nog echt niet begonnen, toch herschrijven drie studenten uit Gent met hun algoritme mogelijk duizenden carrières. “We zijn van een schoolproject naar een start-up gegaan”, vertelt Andreas De Neve van Techwolf. Wat ze doen? Met AI het beste halen uit je werknemers om hen en je bedrijf klaar te stomen voor de jobs van morgen.

“Enerzijds heb je skills die nog missen binnen je bedrijf, anderzijds skills die overbodig zijn of dat zullen worden. Als je in de vijf jaar voordat een functie overbodig wordt, die mensen reskilled via goede learning los je voor de business een probleem op, want zo vind je wél de juiste mensen. Anderzijds los je een maatschappelijk probleem op, want zo kun je grote ontslagrondes vermijden”, vertelt Andreas De Neve, één van de co-founders van de Gentse start-up Techwolf. 

Techwolf, wat is dat?

Tijdens een schoolproject aan de universiteit groeide met zijn studiemakkers Burgerlijk Ingenieur Computerwetenschappen Mikaël Wornoo en Jeroen Van Hautte het idee om matching software te maken tussen personen en vacatures. Maar de bal ging zo aan het rollen dat ze in 2018 Techwolf oprichtten en dat Andreas en Mikaël hun thesis uitstelden. “Die moeten we nog maken, dat doen we na de uren”, vertelt Andreas. Van matching software evolueerden ze uiteindelijk naar learning, en daar hopen ze met hun algoritme voor heel wat bedrijven – en werknemers – het verschil te maken.

Techwolf

Wat doen ze?

“Met behulp van AI brengen we talent in kaart binnen een organisatie. We kijken welke skills werknemers hebben, en kunnen die vergelijken met de markt”, legt Andreas uit. “Zaken die nu binnen HR een beetje op het buikgevoel gebeuren, maken wij data driven. Zo gaan we bijvoorbeeld de talentpool binnen een bedrijf en de jobmarkt analyseren. We kijken dan naar vacatures in pakweg in de energiesector in vooruitstrevende landen zoals Noorwegen, Denemarken en Zuid-Korea. Zo kunnen we bekijken welke skills aan het opkomen zijn om een forecast te maken naar België plus vijf jaar. Binnen het bedrijf zelf kunnen we dan in kaart brengen welke skills er in huis zijn waar de vraag in de markt naar zakt omdat die technologieën minder en minder relevant zijn.”

“Neem nu de energiesector. Er zijn mensen die in fossiele brandstoffen werken, een krimpende sector. Die hebben een bepaalde skill set, maar over enkele jaren bestaat hun job misschien niet meer. Anderzijds is er de batterij-industrie, waar men geen mensen vindt. Er is dus een tweeledig probleem”, vertelt Andreas. “Met Techwolf zijn we gaan kijken wat het kortste reskillingpad is om die mensen in een krimpende sector tewerk te kunnen stellen in een groeiende sector. Daar kwam onder meer uit dat mensen die in het proces betrokken zijn om van hout papier te maken heel geschikt zijn om een job uit te oefenen in het proces om van rauwe materialen batterijen te maken. Omdat dat proces heel gelijkaardig is qua skills en handelingen volgens big data. Dat kan je moeilijk weten als je in de energiesector werkt, maar kan een algoritme wel leren uit miljoenen vacatures.”

Hoe werkt dat precies?

Ons algoritme gaat op basis van data je skill set voorspellen”, aldus Andreas. “Stel dat we weten wat iemand gestudeerd heeft en aan welke projecten die heeft meegewerkt. Dat is allemaal tekstuele data die in onze machine gaat. Als er staat: ‘You’re able to generate clickworthy content’, dan weet de machine dat dat over marketing gaat. Als op je cv een bepaalde programmeertaal staat, dan weet dat je kunt programmeren maar dat je allicht ook ervaring zult hebben met soortgelijke programmeertalen. Hij gaat uit tekst competenties hinten om te zeggen: die persoon kan die skills. Vanuit die competentievingerafdruk werken we om daar opleidingen en jobs aan te koppelen.”

Maar er zijn wel beperkingen aan wat de machine kan, geeft Andreas toe. “Voor een algoritme is het heel moeilijk om soft skills écht in kaart te brengen. Onze machine weet wel dat iemand die heel veel management- of senior functies heeft ingevuld allicht meer soft skills zal hebben dan een schoolverlater. Maar het is moeilijk om dat hard te maken, want het zijn altijd mensen die met die persoon samenwerken en niet de computer. Er zijn een aantal zaken die we aan mensen moeten overlaten en andere waar computers ons mee kunnen helpen. In een KMO is het voor de HR misschien nog mogelijk om van iedereen te weten wie wat kan. Maar in een groot bedrijf is dat veel moeilijker. Dan is big data superinteressant als hulpmiddel voor HR-mensen, die de resultaten interpreteren en omzetten in inzichten om daar dan beslissingen uit te nemen.”

Willen we dit wel?

Of het niet vreemd is om een computer te laten mee beslissen wat iemand over vijf jaar gaat doen? “Die reactie krijgen we heel vaak. Het probleem is dat veel AI een black box is. Als je een computer veel foto’s van honden en katten geeft, dan kan die op basis van AI perfect zeggen welk dier er op een foto staat. Maar hoe de machine dat weet? Nobody knows”, licht Andreas toe. “Daar hebben wij op ingespeeld door een heel white box-model te maken. Als wij er data in onze machine stoppen dan zegt ons model expliciet waarom hij daar bepaalde skills aan linkt. Als er bijvoorbeeld ‘marketing’ in staat, dan kan hij evidence aanleveren zoals de persoon in kwestie clickworthy content kon maken, en dat is een marketingskill. Die skills gebruikt hij dan om bepaalde opleidingen aan te bevelen.”

Zo’n white box is heel belangrijk om te vermijden dat bepaalde vooroordelen binnensluipen. “Amazon had ooit een model om bij rekrutering te beslissen of ze iemand zouden aannemen. Het hun model allemaal sollicitanten gegeven en een lijst wie geaccepteerd was. Dan moest dat model features uit halen: dingen die weggeven of iemand geschikt is of niet.  Welke feature had dat model geleerd? Dat mannelijke kandidaten sowieso beter waren. Het had een bias voor vrouwen omdat het de cv’s bekeek die het bedrijf op 10 jaar tijd had gekregen, en dat waren er vooral van mannen. Dat is niet de manier waarop je het moet aanpakken.”

Contactpersoon

ING
SD Worx