HR-startup Neurolytics won gisteren de Startup van het Jaar-verkiezing van MT/Sprout. Het bedrijf gebruikt technische en wetenschappelijke inzichten om ervoor te zorgen dat bedrijven de perfecte mensen voor de juiste functies aannemen. De startup van Belén Hein, Marnix Naber en Felix Hermsen ontwikkelt hiervoor video-assessments. Deelnemende bedrijven kunnen zo hun eigen mensen, maar ook sollicitanten screenen op eigenschappen zoals stressbestendigheid, motivatie en hun match met het team.
Het systeem van Neurolytics bestaat uit een cocktail van kunstmatige intelligentie en inzichten uit de neurowetenschap. Het doel van het bedrijf: ervoor zorgen dat bedrijven betere teams krijgen en sollicitanten een eerlijke kans bieden, ongeacht leeftijd, geslacht of etniciteit. Het bedrijf haalde al een half miljoen euro op en telt acht medewerkers. We vragen mede-oprichter Marnix Naber om zijn techniek nader uit te leggen.
Hebben jullie zelf een machine learning-systeem gebouwd en hoe werkt dit precies?
‘Ja. Het is een combinatie van open source en eigen algoritmes, allemaal aan elkaar gehaakt door onszelf. Het bestaat uit unieke codes van onszelf. We gebruiken een systeem van computer vision en kunstmatige intelligentie om de informatie te detecteren via de camera. Vervolgens analyseren we het gedrag van de sollicitant om psychologische eigenschappen te bepalen. Dat is een stukje wetenschap, genaamd psychofysiologie. We gebruiken machine learning om alle data bij elkaar te pakken en de modellen ethisch verantwoord op te bouwen, zodat we psychologische eigenschappen kunnen meten op een schaalbare manier.’
Stel: ik solliciteer via jullie online portaal. Waar kijken jullie dan naar bij mij?
‘Je kan de scan online via je internetbrowser uitvoeren. Je krijgt dan een linkje, waarna je in een online systeem terechtkomt. Je kijkt naar video’s, beantwoordt interviewvragen en gaat moeilijkheidstaken uitvoeren. Soms wordt er tijdsdruk op gezet, of wisselen we heel snel van soort taak. Wij kijken dan wat er gebeurt met de persoon. We krijgen gedragsdata binnen die correleren met de mentale toestand of intenties van de persoon. Zo zien we het meteen als iemand ergens stress van krijgt of minder motivatie voelt bij een bepaald thema. Zelf ben ik bijvoorbeeld niet zo cijfermatig ingesteld. Als ik iets met rekensommen moet doen, zie je mijn frustratie hoger worden en mijn hartslag toenemen.’
Hoe leert dat systeem gezichtsuitdrukkingen eigenlijk te herkennen?
‘We letten niet per se op gezichtsuitdrukkingen, maar meer op spiertrekjes in het gezicht. Die kunnen gecombineerd worden met emoties, maar we kijken vooral naar onbewust aangestuurde veranderingen, zoals oogbewegingen. We hebben een gecontroleerde database opgezet, waarin veel kandidaten zitten die onze scans hebben ondergaan. Ze hebben vragenlijsten ingevuld, waardoor wij beter kunnen analyseren wat er met hun gedrag gebeurt. Met het opbouwen van die database zijn we wel anderhalf jaar bezig geweest en we vullen hem nog steeds aan.’
Hoeveel mensen zitten er al in die database?
‘Honderden. Bij iedere test die we doen, neemt het aantal toe. Telkens halen we meer relevantie informatie over gedrag binnen. Hoe meer data we krijgen, hoe accurater ons systeem wordt.’
Sommige mensen hebben een wat somberder gezicht dan anderen. Iemand kan niet zoveel lachen, maar wel enthousiast zijn. Hoe voorkom je op dit vlak problemen?
‘We doen met ieder persoon een nulmeting. Bij iedere opdracht kijken we naar de verandering in het gezicht ten opzichte van de nulmeting. Als jouw neutrale gezicht wat negatiever oogt, is dát je nulmeting. Dan heb je dus een wat somberder gezicht als nulmeting. Anderen zitten heel vrolijk in de wedstrijd, dat kan ook. Ook bij hen kijken we naar de veranderingen ten opzichte van de nulmeting. Iemands basisemotie doet er dus niet toe in ons systeem.’
Met welke psychologische modellen werken jullie, dus hoe vertalen jullie een uitdrukking naar een emotie?
‘We werken, zoals gezegd, met de psychofysiologie. Dit houdt in de activatie van het centrale zenuwstelsel. Onder andere je bewegingen en gedrag zijn punten die we analyseren. We willen per individu metingen doen, dus kijken we naar veel verschillende spiertrekjes. Als je alleen naar holistische emoties kijkt, levert dit minder goede resultaten op. Iemand kan namelijk glimlachen, terwijl hij of zij eigenlijk een andere emotie heeft. Daarnaast zijn ook de wetenschappelijke vragenlijsten belangrijk. Die relateren we aan onze videodata.’
Hoe voorkomen jullie bias en privacyproblemen?
‘Alles is AVG-proof. We zijn heel lang bezig geweest om alle zorgen weg te nemen bij mensen. We zetten alles wetenschappelijk op en sollicitanten moeten van te voren toestemming geven dat ze weten wat er gebeurt bij een scan. We checken ook onze gecontroleerde datasets op bias. Die bevatten gelukkig geen bias, maar als we in de toekomst verkeerde dingen zien, kunnen we de bias er uit halen en de modellen aanpassen.‘
