Ook de interim markt krijgt steeds meer te maken met slimme algoritmen, waardoor uiteenlopende processen in verschillende sectoren efficiënter en beter worden. Data kan bijvoorbeeld makkelijker en sneller verwerkt worden en deze algoritmen dragen bij aan de automatisering van processen.

Hoe zit de markt voor interimmers nu in elkaar, wat zijn slimme algoritmen precies, hoe wordt de kwaliteit ervan gewaarborgd en hoe speelt kunstmatige intelligentie een rol voor interim professionals?

1. Hoe zit de interim markt nu in elkaar?

Wanneer je als interimmer aan de slag gaat, sluit je je naar alle waarschijnlijkheid aan bij een detacheringsbureau, waardoor je een gedetacheerde wordt. Dit bureau zorgt ervoor dat een interimmer als professional ingehuurd kan worden door bedrijven voor het uitvoeren van projecten voor een bepaalde tijd. Deze opdrachtgevers kunnen uit allerlei branches komen, maar zoeken allemaal naar tijdelijke capaciteit en maken hiervoor gebruik van meerdere kanalen. Naast detacheringsbureaus zijn er nog andere kanalen voor interimmers:

• Bemiddelaars. Bedrijven die optreden als bemiddelaar hebben zelf niet gespecialiseerd personeel in dienst, maar huren deze in. Zij worden vervolgens bij een opdrachtgever geplaatst.
• Interim platformen. Deze platformen worden beheerd door bedrijven waar interim professionals zich in kunnen schrijven. Zo zoeken opdrachtgevers zelf naar een passende professional zonder dat hierbij een andere partij bemiddelt.
• Marktplaatsen. Interim marktplaatsen worden opgezet door opdrachtgevers en hier kunnen bemiddelaars, detacheringsbedrijven en interimmers zich inschrijven, waardoor ze gematcht kunnen worden voor opdrachten.
• Self search. Grote bedrijven maken vaak zelf gebruik van recruiters die zich volledig op de interim markt focussen. Zo kan een eigen pool van interimmers worden opgebouwd.

2. Het matchingsproces

Niet alleen is het belangrijk dat er genoeg professionals worden aangeboden aan opdrachtgevers, ook moet er een goede match gemaakt worden tussen de juiste interimmer en het desbetreffende bedrijf. Dit gebeurt bij ieder kanaal op een andere manier. Zo kunnen bedrijven zelf op zoek gaan naar een passende tijdelijke professional, maar een bureau kan ook het matchingsproces leiden.

Dit kan uiteraard handmatig, maar er zijn ook ontwikkelingen op het gebied van kunstmatige intelligentie. De kansen voor deze markt zijn groot en kunnen huidige problemen en mismatches voorkomen. De huidige manier van matching zorgt er bijvoorbeeld voor dat wel 40 procent van de interimmers niet aan de juiste opdrachtgever worden gekoppeld. Dit kan grotendeels voorkomen worden door gebruik te maken van kunstmatige intelligentie.

3. Wat houden slimme algoritmen precies in?

Wat houdt dit concept eigenlijk in? Het bestaan van algoritmes leidt ons niet naar een aantal jaar geleden, maar gaat een stukje terug de geschiedenis in naar de negentiende eeuw. Het betekent simpelweg "een berekening met cijfers", maar vereist tegenwoordig een bredere uitleg. Een algoritme omvat zodoende een reeks aan stappen die een probleem oplossen door middel van een input en een output.

Wat wel een redelijk recente ontwikkeling is, is die van de slimme algoritmen. Dit is gelinkt aan het concept van kunstmatige intelligentie, of Artificial Intelligence (AI), en heeft betrekking op machines en systemen die de menselijke intelligentie nabootsen. Hiermee voeren ze taken uit en kunnen ze zichzelf verbeteren gedurende het proces door middel van ervaringen en vergaarde informatie.

Een voorbeeld van zo'n machine of systeem is een online chatbot die problemen van klanten op een gerichte manier kan begrijpen en antwoorden kan geven op basis van ervaringen met soortgelijke problemen. Een ander voorbeeld is een aanbevelingssysteem dat wordt gebruikt om automatisch aanbevelingen te doen voor series en films, welke zijn gebaseerd op het kijkgedrag van een gebruiker.

Kunstmatige intelligentie beschikt over het vermogen om erg doelgericht een grote hoeveelheid data te analyseren. Het gaat over geavanceerde machines en systemen die de mens in grote mate kunnen ondersteunen bij dagelijkse werkzaamheden. Ook zorgen ze voor meer accurate resultaten. Dit kan ook voor veel bedrijven een waardevolle toevoeging vormen, door bijvoorbeeld een completer beeld van een situatie te verschaffen door de grote hoeveelheid data die gebruikt wordt. Tevens zorgen slimme algoritmen ervoor dat alledaagse, ingewikkelde taken geautomatiseerd kunnen worden.

Deze technologie wordt al breed toegepast. Kunstmatige intelligentie wordt bijvoorbeeld voor 44 procent gebruikt om inbreuken in de beveiliging op te sporen en te voorkomen. Daarnaast wordt het gebruikt om technologieproblemen op te lossen, productiebeheer taken uit te voeren en te peilen of het interne beleid wordt opgevolgd. Er zijn twee soorten kunstmatige intelligentie.

4. Machine learning

Machine learning is gericht op de ontwikkeling van software om de eigen performance te verbeteren. Het is gelinkt aan de statistische wetenschap en wordt samengevat als automatisch leren. Er worden algoritmen ontwikkeld, waarmee computers kunnen leren en deze software wordt tijdens dit proces verbeterd in het uitvoeren van de voorgelegde taak. Op een geautomatiseerde manier kunnen zo manieren gezocht worden om voorkomende patronen in een grote hoeveelheid data te herkennen. Deze patronen worden voor het verdere proces weer gebruikt.

Er zijn grofweg drie categorieën binnen machine learning:

1. Reinforcement machine learning. Deze vorm van machine learning is gebaseerd op theorieën uit de psychologie. Het gaat hierbij om een manier van leren door gebruik te maken van "trial and error". Zogezegd kan een computer door middel van experimenteren achter de beste manier komen om een bepaalde taak uit te voeren. Een computer onderzoekt de ideale uitkomst door een situatie veelvuldig na te bootsen. Deze vorm van machine learning wordt veelvuldig gebruikt bij gaming en navigatie applicaties.
2. Supervised machine learning. In dit proces wordt data gebruikt die is gelabeld door mensen, waardoor het "supervised" is door mensen. Het wordt veel ingezet om situaties of gebeurtenissen te voorspellen en het kan het best gebruikt worden wanneer een gewenste output van een bepaald algoritme al bekend is. Een algoritme leert een aantal inputs die gecombineerd worden met corresponderende, gewenste en ongewenste outputs. Wanneer er discrepanties hiertussen ontstaan, past het model zich aan. Een subcategorie van de categorie supervised machine learning wordt gevormd door classification. Hierbij worden pogingen gedaan om de output te voorspellen bij een bekende input. Er worden gelabelde voorbeelden gegeven in de vorm van een afbeelding of tekst.
3. Unsupervised machines learning. Wanneer data niet gelabeld wordt door mensen wordt unsupervised machine learning gebruikt. Hierbij dient een systeem nieuwe patronen in de aangeboden data te vinden zonder dat dit systeem bekend is met het soort data of een vorm van labels. Deze manier werkt goed voor clustering, waarbij data georganiseerd moet worden op basis van kenmerken die overeenkomen.

Een voorbeeld van machine learning is de applicatie Apple's Photos, waarbij een gebruiker vrienden kan taggen op foto's. De software die hierachter zit is in staat om in het verschiet mensen te herkennen en deze zelfstandig op foto's te taggen.

In een ander voorbeeld kan SimpledCard aangehaald worden. Deze innovatie applicatie kan gebruikt worden om internationaal geaccepteerde betaalpassen uit te geven zonder dat hierbij een bank aan te pas komt. Op deze manier kunnen bonnetjes via een app op je mobiel direct aan transacties worden gekoppeld.

5. Deep learning

Deze manier van kunstmatige intelligentie wordt ook wel gestructureerd of hiërarchisch leren genoemd en het dient als een uitbreiding op de werkzaamheden van machine learning applicaties. De technologie die hiervoor wordt gebruikt kan op drie manieren plaatsvinden:

1. Gecontroleerd. Hierbij krijgt een algoritme een bepaalde input en een voorbeeld van de gewenste output. Op basis van dit voorbeeld leert het algoritme zijn taak uit te voeren.
2. Ongecontroleerd. In het geval van ongecontroleerde deep learning krijgt een algoritme geen voorbeeld van de gewenste output. Hier moet het systeem zelf achter zien te komen.
3. Semi-gecontroleerd. Zoals zijn naam al zegt, gaat dit om de midden variant van gecontroleerde en ongecontroleerde deep learning.

De applicaties voor deep learning systemen zijn nog minder breed dan die voor machine learning, maar worden wel al voor een aantal zaken gebruikt. Denk hierbij aan beeldherkenning, zoals de face ID op je telefoon of voor de beoordeling van medische scans op de radiologie afdeling. Daarnaast is er een toepassing op het gebied van spraakherkenning, zoals voor Siri op iPhones en Alexa van Amazon. Tot slot maken ook vertalingsapplicaties, zoals Google Translate, gebruik van deep learning.

Door deep learning toepassingen te combineren, kunnen overigens nog sterkere toepassingen gecreëerd worden. Denk bijvoorbeeld aan de huidige ontwikkeling rondom de zelfrijdende auto en spraakvertalingen, waardoor je in het Nederlands kunt communiceren met iemand die Chinees spreekt. Daarnaast is er nog veel meer mogelijk met deep learning.

6. Hoe wordt de kwaliteit van slimme algoritmen gewaarborgd?

Doordat slimme algoritmen steeds meer taken van ons overnemen, is het belangrijk dat de kwaliteit van de uitgevoerde taken op een zekere manier gegarandeerd worden. Aan de hand van data is het in sommige situaties lastig om vooroordelen te voorkomen, aangezien machines vaak de patronen van mensen overnemen. Mensen kunnen bijvoorbeeld de verkeerde labels van een dataset maken, waardoor machines discrimineren bij het selecteren van matches.

Zodoende zijn er een aantal valkuilen waar rekening mee gehouden moet worden wanneer algoritmen getraind worden. Een eerste valkuil die kan voorkomen zijn fouten die gemaakt worden door mensen, zoals het maken van verkeerde labels, die door machines worden overgenomen. Daarnaast kunnen gegenereerde data uit een eenzijdige hoek komen, waardoor nieuwe gevallen niet op de juiste manier geclassificeerd worden.

Algoritmen leggen overigens niet uit waarom zij bepaalde keuzes maken en door dit gebrek aan onderbouwing, kunnen bevooroordeelde, verkeerde keuzes gemaakt worden zonder dat het duidelijk is waarom dit gebeurt. Het lijkt wellicht alsof deze valkuilen onontkoombaar zijn, maar er is een manier om te voorkomen dat de verkeerde conclusies getrokken worden uit data door kunstmatige intelligentie.

Het is allereerst belangrijk dat niet gebruik wordt gemaakt van een te kleine, eenzijdige dataset. Zorg ervoor dat een algoritme een rijke, diverse dataset krijgt aangeleverd. Ook moet een getraind algoritme eerst goed getest worden. Dit kan gefaciliteerd worden door individuele gevallen door het algoritme te laten beoordelen en te kijken of het de gewenste resultaten oplevert. Als dit goed gaat, kan het algoritme gebruikt worden.

Bij de inzet van slimme algoritmen is een goede monitoring essentieel. Dit houdt in dat er regelmatig een steekproef genomen wordt, waarbij gekeken wordt of het systeem nog steeds het gewenste resultaat geeft. Ook kan het algoritme doorgemeten worden met behulp van statistieken die letten op precisie en sensitiviteit. Deze statistieken kunnen een indicatie geven van hoe goed een systeem voorspellingen blijft geven bij een dataset.

Een machine of systeem zal echter nooit volledig onderbouwen waarom keuzes worden gemaakt. Om hier toch inzicht in te kunnen verkrijgen, kan een diepteanalyse met variabelen uitgevoerd worden. Hierdoor wordt duidelijker welke variabelen het grootste aandeel in de keuze van het systeem hebben, waardoor een verband ontdekt kan worden.

7. Op welke manier kunnen slimme algoritmen toegepast worden in de interim markt?

Binnen de interim markt kunnen machine learning applicaties ook goed gebruikt worden. Zo kunnen ze CV's van interim professionals uitlezen. Deze documenten hebben veel verschillende soorten formaten, waardoor ze soms moeilijk te vergelijken zijn. Door de data via algoritmen automatisch uit te lezen en daarna te standaardiseren, kunnen CV's makkelijker vergeleken worden met elkaar. Zo kan de beste kandidaat sneller en makkelijker uitgekozen worden. Het scheelt overigens ook een hoop werk.

Algoritmen kunnen ook ingezet worden voor het optimaliseren van matches tussen interimmers en opdrachtgevers. Door gebruik te maken van data op het gebied van historische competenties van kandidaten en de aanvraag van opdrachtgevers kan een interpretatie gemaakt worden van hoe de vaardigheden overeenkomen met de opdracht. Hierbij kan ook een gewicht van variabelen meegenomen worden, waardoor bepaalde eigenschappen zwaarder meewegen.

Doordat er in dit proces heel veel data wordt gebruikt, kan een betere match gevonden worden. Menselijke fouten en beperkingen worden namelijk weggenomen en het kost minder tijd om het proces te doorlopen. Zo kan een directe match gemaakt worden met een optimaal resultaat als gevolg.

8. Voordelen van algoritmes

Het gebruik van algoritmen voor het matchen van interim professionals aan opdrachten heeft een aantal voordelen:

1. Verbetert de kwaliteit. Mensen maken fouten en zijn onderhevig aan emoties en zaken buiten de eigen controle, terwijl algoritmen een constante kwaliteit hebben. Bij eenzelfde input zullen ze altijd een consistente output geven. Dit is belangrijk omdat er vaak veel factoren zijn die een rol spelen bij een matchingsproces.
2. Verkort het matchingsproces. Niet alleen zorgt het gebruik van algoritmen voor minder fouten, maar het draagt ook bij aan een korter matchingsproces, doordat een matching direct plaats kan vinden. Zo hoeven professionals niet lang te wachten voor zij toegewezen worden bij een bedrijf en opdrachten kunnen snel aangenomen worden. Dit verhoogt de efficiëntie van het werk door de behaalde tijdswinst.
3. Verbetert zichzelf. Tot slot traint een algoritme zichzelf om beter te worden naarmate meer ervaring wordt opgedaan. Zo kunnen feedback loops worden ingebouwd, waardoor aan de hand van data betere processen worden ontwikkeld. Opdrachten die in eerste instantie buiten een matching vallen, kunnen door algoritmen geanalyseerd en vervolgens verbeterd worden. Zo kan er alsnog een passende interimmer voor gevonden worden. Ontwikkelingen staan overigens niet stil en doordat algoritmen actief onderzoek doen, worden steeds meer factoren ontdekt, waardoor het algoritme nog beter wordt.

9. Conclusie: slimme algoritmen nemen werk uit handen en verbeteren het matchingsproces

Het huidige matchingsproces van een interimmer met een passende opdracht van een opdrachtgever kost veel tijd en is vatbaar voor menselijke fouten en gebreken. Om dit probleem tegen te gaan, kunnen slimme algoritmen, oftewel kunstmatige intelligentie, gebruikt worden. Dit zijn machines en systemen die de menselijke intelligentie nabootsen, waarmee alledaagse taken uitgevoerd kunnen worden. Door ervaringen op te doen, verbeteren deze systemen zichzelf ook.

Er is een onderscheid te maken tussen machine learning en deep learning, waarbij machine learning zich richt op het automatiseren van taken en het leren van ervaringen. Deep learning gaat daarentegen een stapje verder en kan ook processen onder de knie krijgen die de mens niet heeft aangestuurd. Door middel van kunstmatige intelligentie kan het matchingsproces van een interimmer met een opdrachtgever veel sneller plaatsvinden. Dit scheelt niet alleen moeite en tijd, maar zorgt ook voor optimale resultaten.

Op deze manier hebben slimme algoritmen een grote invloed op de interim markt, wat alleen nog maar verder kan groeien.