Machine Learning is een trendterm binnen HR. Sinds het begin van dit jaar wordt dit veel besproken, vaak gerelateerd aan recruitment & performance management. Stel je voor dat data als ‘ervaring uit het verleden’ en ‘opgedane vaardigheden’ een algoritme kan helpen bepalen waar een medewerker binnen de organisatie het beste op zijn plek is.

Stel je dan ook voor dat met data over leren je, door Machine Learning, kan voorspellen waar een tekort of een overschot aan kennis ontstaat. Hier kun je zowel je ontwikkelingsbeleid als je Talent Management-beleid op aanpassen. Maar… wat is Machine Learning nu precies?

Machine Learning vs. Artificial Intelligence (AI)

Het doel van AI is om een machine te creëren die net zo werkt als een menselijk brein. Om dat te kunnen moet zo’n machine natuurlijk kunnen leren. Maar AI gaat verder dan alleen leren – het draait ook om abstraheren, beredeneren en emotionele associatie. Machine Learning gaat alleen over software die kan leren van ervaringen uit het verleden.

Machine Learning is daarmee meer gerelateerd aan Data Mining en statistieken.

Als voorbeeld:

Bij Springest hebben we een probleem. We hebben altijd een overschot – of tekort – aan brood. Omdat mensen op korte termijn vrij kunnen krijgen, thuis kunnen werken, ziek worden of net buiten de deur zijn rond lunchtijd, is het moeilijk te voorspellen hoeveel brood we moeten bestellen. Dit willen we oplossen en we denken dat Machine Learning daarbij kan helpen. Maar om dat te doen moeten we eerst beginnen met het verzamelen van data. In dit geval een simpele spreadsheet.

De meeste Machine Learning-technieken hebben datasets nodig om zichzelf te trainen en te testen hoe accuraat ze zijn. Je kan dit vergelijken met het leren van een andere taal. Eén aflevering van een Spaanse soapserie is niet genoeg om Spaans te leren. Maar bingewatch alle seizoenen van dezelfde Spaanse soapserie op Netflix en je hersenen beginnen met het vormen van een model over hoe de taal werkt. Je ontdekt patronen en begint bepaalde klanken te herkennen.

Een algoritme kan pas voorspellen hoeveel brood we moeten bestellen als we het data geven om naar te refereren. Deze data moet van invloed zijn op de broodvoorraad. In het geval van de Spaanse taal zijn het woorden en de volgorde daarvan. In het geval van onze broodvoorraad hebben we een paar andere statistieken erbij gepakt:

Na verloop van tijd zullen we het aantal factoren dat invloed heeft op de consumptie van brood uitbreiden. Bijvoorbeeld door seizoensgebonden Sonja Bakker-momenten, of hevige regenbuien waardoor onze collega Tim geen zin heeft om brood te halen. Hoe dan ook: met een basis-set aan data, waar een algoritme van kan leren, kan het uiteindelijk voorspellingen maken over onze broodvoorraad. Op basis van die voorspellingen kunnen wij dan brood bestellen, waarna we weer met spreadsheets data gaan invoeren, waarna de voorspellingen nog accurater zullen worden. Dat is Machine Learning. Voor brood. Maar hoe zit het dan met HR?

Zal Machine Learning de taken van HR weg-automatiseren?

Machine Learning kan veel monotone taken van HR overnemen. Taken waar mensen snel fouten maken, of bevooroordeeld te werk gaan. Het menselijke aspect valt echter niet weg te automatiseren. Hoe goed iemand past binnen een organisatiecultuur, een aspect dat steeds belangrijker wordt in recruitment, en hoe iemand zelf wilt ontwikkelen kan een algoritme (nog) niet voorspellen. Dit betekent dat het ‘mensenwerk’ de belangrijkste factor in HR zal worden. Strategie, organisatorische veranderingen en de ‘cultural fit’ binnen (of buiten) steeds-veranderende organisaties zal de hoofdtaak van HR worden.

De taak van HRD in de toekomst

Machine Learning zal veel betekenen voor Talent Management, maar Talent Management en HRD zijn twee belangrijke velden die samenkomen bij het ontwikkelingsplan. Door Machine Learning zullen de vereisten van de organisatie beter in kaart worden gebracht. Een ontwikkelingsplan zal dus deels moeten worden afgestemd op de data die de benodigdheden van een organisatie in kaart brengt. Anderzijds zal de HRD-medewerker de ontwikkelingsbehoeften van de organisatie goed moeten afstemmen op de behoefte van de medewerkers. In het HRD Trends onderzoek van 2017 werd al aangetoond dat de HR(D) afdeling bij het zoeken naar leermomenten vooral een adviserende functie heeft. Dit aspect zal belangrijker worden, zowel naar de medewerker als naar de organisatie toe.

De ontwikkeling voor Machine Learning en de daarbij horende A.I algoritmes hebben nog een lange weg te gaan. Om future-proof te zijn is het belangrijk te realiseren dat data de eerste stap is. Zonder het verzamelen van ‘datasets’ kan een algoritme nergens aan refereren als het gegevens nodig heeft. Het is dus belangrijk om nu al te beginnen met het leren in kaart te brengen. Heeft jouw organisatie al een overzicht van de expertise die wordt opgebouwd?