Empathie in Artificial Intelligence: de toekomst en de praktijk van vandaag
In een podcast getiteld “Getting the feels: Should AI have empathy?” besprak onderzoeksbureau McKinsey met een aantal experts een vergezicht in de ontwikkeling van artificial intelligence: empathie. We zeggen nadrukkelijk ‘vergezicht’, want vooralsnog is het verzamelen van data de échte uitdaging voor veel bedrijven, laat staan dat er genoeg data aanwezig is voor het creëren van empathie. In dit artikel bespreken we enkele opvallende uitspraken uit de podcast van McKinsey en proberen we dat ‘verre’ toekomstbeeld te vertalen naar de praktijk van vandaag. Alle quotes zijn vertaald uit het Engels en enigszins aangepast voor de leesbaarheid.
De kern van de podcast is dat AI op een bepaald moment in staat zal zijn een vorm van empathie te tonen. Door het verzamelen van emotionele data en het slim verwerken daarvan moet een machine kunnen begrijpen waarom een mens iets voelt. Al worden daar wel kanttekenen bij gesteld, zoals deze:
“De kansen voor vandaag zijn beperkt, want er zijn nog veel uitdagingen. Het is noodzakelijk dat mens en machine samenwerken. Op de korte termijn zal dat ook de kern zijn voor klantcontact: de machine doet het repetitieve werk en de mens voegt daar empathie aan toe.”
Dat is in een notendop waar Experience Data zich mee bezighoudt. De ‘machines’ die wij bouwen maken complexe data voor de mens hanteerbaar. We stellen mensen in staat om betere beslissingen te maken op basis van al beschikbare data, maar ook met behulp van hun eigen ervaring, gevoel én empathie – ervaringsdata die bedrijven niet vastleggen.
Kracht van mens en machine
Artificial Intelligence is een belangrijke toevoeging in veel werkvelden omdat het in staat is honderden dimensies mee te nemen in besluitvorming. Grofweg is het voor mensen al knap als ze er drie bewust meepakken. Tegelijkertijd kunnen machines dat alleen met de data die al bestaat. En vaak zit in die data niet de subtiliteit die mensen wel aanvoelen. Die proberen we toe te voegen door tone-of-voice, gebaren, referenties en ervaring mee te analyseren. Daarom halen we feedback op van de mens, zodat een machine van die data kan leren en die in wezen empathischer maken.
In zekere zin klopt dat ook met wat in de podcast wordt gezegd:
“De machine zal zich op termijn vermoedelijk focussen op zogenaamde cognitieve empathie: weten waarom een persoon iets voelt. De data die de machine krijgt is daarbij essentieel: een machine kan oneindige hoeveelheden data opslaan, die op termijn kan worden omgezet in die cognitieve empathie.”
Een machine kan dat dus niet zelf, maar je kan hem wel een heel eind op weg helpen door empathische data te voeden. Daar zijn menselijke ervaringen voor nodig, bijvoorbeeld door een medewerker die een gesprek beoordeelt op gevoel, zoals ‘prettigheid’, ‘intonatie’ of ‘sfeer’.
Mate van menselijkheid
Maar een computer of model moet niet menselijk worden. We streven ernaar om de kwaliteiten van AI’s en de kwaliteiten van mensen samen te laten werken. We willen mensenwerk versterken door er slimme oplossingen en efficiënte tools toe te voegen. Daarom werken we graag voor vakmensen die met heel veel kennis en ervaring hun werk uitoefenen en proberen we hén te ondersteunen met AI.
We moeten snappen waar een computer goed in is (patronen herkennen in grote hoeveelheden data) en waar een mens goed in is (contact leggen, keuzes maken en actie ondernemen). De komende tien jaar zal de focus daarop liggen: de machine dusdanig vermenselijken zodat de mens optimaal zijn werk kan doen.
Op het eerste gezicht lijkt dat in conflict met iets anders uit de podcast:
“Empathie gebruiken om een machine te laten lijken op een mens, zoals je ook wel in films ziet, is een heel slecht idee. Daarmee komen machines op een oneerlijke en opdringerige manier onze relaties binnen. Mensen gaan dan problemen krijgen te onderscheiden wie mens is en wie niet.”
Dat is interessant, want iedereen doet zijn best om AI’s tot op zekere hoogte menselijk te maken. Wij ook. We onderzoeken daarbij altijd: wat voor relatie men wil aangaan met de assistent, hoe de communicatie gaat verlopen, welke tone-of-voice daarbij past, enzovoorts. We designen zo echt een nieuwe collega. Maar we doen dat zo dat het altijd duidelijk is dat het kunstmatig is. De mens houdt de controle, de machine adviseert. Op geen enkel moment mag er twijfel over bestaan of je met een mens of een machine praat. Dat is een hele andere uitkomst dan waar in de podcast over gepraat wordt, waarbij de empathie wordt meegenomen in het algoritme en de machine uiteindelijk menselijk moet worden. Dan krijg je inderdaad dat risico dat wordt benoemd.
De praktijk voor vandaag
De uitdaging is voor ons daarom meer gericht op de praktijk: hoe maken we de adviezen van het algoritme beter toepasbaar? Hoe leggen we ervaringsdata vast zodat de machine daarvan kan leren? Dat vereist dat een mens begrijpt welke fouten de machine kan maken. Als we een AI implementeren bij een bedrijf geven we heel veel training over de werking van machine learning. Zo leren de mensen om de juiste vragen te stellen aan de AI om te snappen wat er gebeurt en waarom een bepaald advies gegeven wordt. Dat creëert vertrouwen tussen mens en machine. Het belang van goed luisteren wordt ook in de podcast onderstreept:
“De belangrijkste vaardigheid in sales is goed luisteren. We zijn geneigd te denken dat je in sales iets moet vertellen, een idee moet verkopen. Maar als je goed luistert heb je misschien maar één zin nodig om de deal te sluiten.”
Dit is helemaal waar en in het gebruik AI zeer relevant. Want goed luisteren naar een AI is helemaal niet gemakkelijk. Een voorbeeld: voor een arbeidsongeschiktheidsverzekeraar ontdekten we een tijd geleden dat als iemand zijn polis wijzigt, de kans groter is dat hij of zij uitvalt. De meest directe reactie is om te onderzoeken hoe dat kan. Maar die verklaring is er niet. Er is naar gezocht, maar we weten het niet. Tegelijk is de data er wél. De beste reactie is om die uitkomst mee te nemen en vervolgens in gesprek te gaan met mensen die hun polis wijzigen. Door op dat moment de juiste vragen te stellen kan je misschien voorkomen dat ze uitvallen.
Zogezegd vraagt AI dus om luisteren op twee niveaus. De eerste is luisteren naar en het accepteren van de data die het systeem je geeft, óók als je het nauwelijks kan geloven. De tweede is om die data te gebruiken om de klant beter te begrijpen. Want door goed te luisteren naar de klant én de data, kan je beter verstaan wat zijn of haar leven beter gaat maken. En dan hoef je alleen nog maar aan te sluiten op die behoefte.
Experience Data kan in verschillende tabellen al snel zien door onze big data analyse tools welke koppelingen niet geschikt zijn. Mocht de datakwaliteit niet optimaal zijn, dan hebben wij veel tips om dit op te lossen om zo samen een beter datafundament te maken.
Vond je dit interessant? Luister dan zeker eens naar de podcast van McKinsey. En laten we daarna eens afspreken om van gedachten te wisselen. We horen graag van je via +31 6 34 38 58 52 of info@experiencedata.nl.