Lachen en mooi zijn

Gezichtsherkenning is hot, ook in de werkwereld. Unilever haalde deze maand de krantenkoppen met een nieuwe gezichtstechnologie voor rekrutering. Als sollicitant moet je voortaan een filmpje opnemen. Via artificiële intelligentie worden je gelaatsuitdrukkingen geanalyseerd en een algoritme beslist of je geschikt bent voor de job. Is dat de toekomst van werk of gewoon oplichterij?

De plaatjes lijken geplukt uit sciencefictionfilms als ‘Minority Report’. Een algoritme codeert in sneltempo de gezichtsuitdrukkingen die je vertoont terwijl je op een aantal vragen antwoordt. Die analyse resulteert in een indicatie of je geschikt bent voor de job. Frenologen uit de 19de eeuw geloofden dat je aan de hand van de vorm van de schedel de persoonlijkheid en intelligentie van mensen kon inschatten. Vandaar de uitdrukking ‘een wiskundeknobbel’.

©RV DOC

De woordvoerders van de nieuwe technologie zijn er als de kippen bij om elke vergelijking met frenologie van de hand te wijzen. Het screenen van gelaatsuitdrukkingen is maar een klein deeltje van de test, stellen ze. Taal en woordgebruik worden ook automatisch gecodeerd. Daarnaast moeten sollicitanten twaalf neurocomputerspelletjes spelen. ‘In essentie zijn die de gouden standaard van de cognitieve neurowetenschappen.’ Alle toeters en alarmbellen ten huize Anseel gaan af. Lees je de woorden machine learning, artificiële intelligentie en neurogebrabbel samen in een krantenartikel, let dan op je portefeuille.

Begrijp me niet verkeerd. Automatische codering heeft een groot potentieel. Samen met een doctoraatsstudent doen we er zelf ook onderzoek naar. Het subjectieve oordeel van interviewers bij sollicitaties is weinig betrouwbaar. Automatische analyse zou een objectief hulpmiddel kunnen zijn.

Tenzij u reclame voor gezichtscrèmes maakt, lijken uw gezichtskenmerken niet bijzonder relevant

Wetenschappelijk zijn er voorlopig nog twee grote problemen met gezichtsanalyse. Het eerste is jobrelevantie. Als je mensen wil selecteren op een bepaald kenmerk, dan moet je zeker zijn dat dat kenmerk belangrijk is om succesvol te worden in een job. Als je een timmerman wil aanwerven, is het perfect legitiem om te testen hoe vlot de kandidaat een meubel in elkaar steekt. Dat is relevant voor de job. Gezichtskenmerken zijn in weinig jobs van doorslaggevend belang. Oké, knappe mensen doen het professioneel gemiddeld iets beter, maar tenzij u reclame maakt voor gezichtscrèmes, lijken uw gezichtskenmerken niet echt relevant.

Dat wil niet zeggen dat een goed getraind algoritme geen gelaatskenmerken van succesvolle mensen kan identificeren. Op basis van 25.000 stukjes video van mensen die succesvol waren bij Unilever, werden ‘succesvolle’ gelaatsuitdrukkingen geïdentificeerd. Maar stel dat de top 100 van een bedrijf volledig bestaat uit kale mannen met een baard, dan gaat je algoritme op zoek naar nog meer kale, bebaarde mannen. Dat is het probleem van zulke algoritmes: garbage in - garbage out. Algoritmes die getraind worden op een vertekende werkelijkheid geven vertekende resultaten.

Signaal

Het ‘black box’-probleem van machine learning impliceert dat we vaak niet weten waarom een signaal geselecteerd wordt. Dat betekent dat we niet weten of de kenmerken die tot een aanbeveling leiden relevant zijn voor de job of niet. Maar als we erin slagen om een algoritme te trainen op objectieve kenmerken, vanzelfsprekend veel ruimer dan gelaatsuitdrukkingen, zal het algoritme beter voorspellen dan een menselijk oordeel.

Het tweede probleem is ernstiger en neigt naar oplichterij. Bepaalde verkopers van gezichtstechnologie beweren dat ze een oplossing voor die black box hebben en wel kunnen uitleggen waarom iemand geschikt is voor de job. We komen daar vervaarlijk dicht bij frenologie.

Wie tijdens een jobinterview niet lacht, is misschien nogal gesloten, en dus allerminst geschikt voor functies met sociaal contact. De wetenschap is daarover unaniem: klopt niet

Techbedrijven stellen dat je emoties kan afleiden uit gezichtsuitdrukkingen en daaruit voorspellingen kan maken. Microsoft, IBM en Amazon verkopen algoritmes met claims over emotieherkenning. Emoties herkennende algoritmes zouden kunnen afleiden hoe mensen zich voelen op basis van een analyse van hun gezichtsuitdrukking. Sommige bedrijfjes koppelen gezichtsuitdrukkingen zelfs aan persoonlijkheidskenmerken. Wie tijdens een jobinterview niet lacht, is misschien nogal gesloten, en dus allerminst geschikt voor functies met sociaal contact.

De wetenschap is daarover unaniem: klopt niet. De conclusie van een recente samenvatting van meer dan 1.000 wetenschappelijke studies is stellig. ‘Mensen uiten emoties op heel verschillende manieren en emoties kunnen niet op een eensluidende manier uit gezichtsuitdrukkingen afgeleid worden.’ Nog niet. Ik sluit natuurlijk niet uit dat het ooit zal kunnen. Technologie en wetenschappelijk onderzoek gaan snel. En voor de zekerheid, als u ondertussen gaat solliciteren: lachen en mooi zijn.

Lees verder

Tijd Connect