Geen producten in je winkelwagen.
Achter steeds meer beslissingen zit tegenwoordig een algoritme dat de doorslag geeft. Over of dat goed of slecht is zijn de meningen verdeeld. Kritiek uit het tegenkamp is vaak dat de algoritmes onnavolgbaar zijn, niet transparant en makkelijk te compromitteren. Maar in plaats van de vraag te stellen of de algoritmes feilbaar zijn, schrijft Alex Miller in Harvard Business Review, zouden we moeten kijken naar hoe deze gebreken zich verhouden tot die van de mens.
Miller geeft in het artikel een aantal voorbeelden van wat er gebeurt als een algoritme het werk overneemt van mensen:
Een team economen concludeerde in 2002 op basis van onderzoek dat geautomatiseerde systemen in het toekennen van hypotheken veel accurater waren. Gevolg was dat er meer hypotheken verstrekt werden en dat minder-vermogenden minder vaak gemarginaliseerd werden. Het gebruik van algoritmes was in dit gebruik dus beter voor de betrokkenen dan hun menselijke evenknie.
In een ander voorbeeld werden algoritmes gebruikt in de rechtbank, om te bepalen of iemand op borgtocht vrij kwam of een gevangenisstraf kreeg. Met het gebruik van algoritmes werden er minder gevangenisstraffen uitgedeeld, evenwel zonder toename van de misdaadcijfers.
Tot slot zag een aantal onderzoekers dat de samenstelling van de raad van bestuur ook beter kan worden overgelaten aan een algoritme. Bedrijven die dat doen, presteren namelijk beter dan de bedrijven die dat niet doen, en die bovendien blijven hangen bij een bepaald type (man, veel ervaring en nevenfuncties, achtergrond in financiën).
Efficiëntie
Ook algoritmes zijn niet zonder vooroordelen, maar al sinds de jaren 50 zien we keer op keer algoritmes die efficiënter voorspellen dan mensen, zegt Miller. Hoewel wel gedacht wordt dat bedrijven kiezen voor die efficiëntie en hogere productiviteit ten koste van eerlijkheid en gelijkheid, tonen deze en andere voorbeelden aan dat algoritmes óók nog eens minder partijdige resultaten kunnen geven.
Niettemin is het goed dat critici hier bovenop zitten. Juist de aandacht hiervoor heeft ervoor gezorgd dat er veel onderzoek wordt geïnvesteerd in machine learning, dat de sociale en politieke gevolgen van algoritmes serieus neemt. De techniek wordt steeds bijgeschaafd.
Miller pleit er niet voor om blindelings op algoritmes te vertrouwen. Als blijkt dat algoritmes in bepaalde beslissingsprocessen meer vooringenomen zijn, dan moeten mensen die processen vooral zelf blijven uitvoeren. Maar het opvolgen van empirisch bewijs werkt twee kanten op: we zullen erop moeten vertrouwen dat we beslissingen soms beter aan algoritmes kunnen overlaten.
