Lærer som et barn med nevrale nettverk

Tekna har nettopp lansert Karrierekompasset – en tjeneste som sammenligner din profil med tusenvis av andre Tekna-medlemmers med lignende utdanning og arbeidserfaring. Den gir deg anbefalinger over relevante bedrifter tilpasset din bakgrunn.

 Les også: Tekna-tjeneste kan finne din nye arbeidsgiver

Men hvordan virker det egentlig? Stikkordet er maskinlæring eller AI/kunstig intelligens. Ved å se mønstre gjentatte ganger, finner datamaskinen mulige arbeidsgivere du kanskje aldri hadde tenkt på selv. Ifølge utviklerne blir den smartere jo mer den brukes - omtrent som når små barn lærer.

– Alle snakker om AI og nevrale nettverk for tiden, sier en av de sentrale utviklerne for Tekna-tjenesten, Petter Egesund i dataselskapet Sannsyn. Han forteller at ved hjelp av en veldig god statistikkmotor som kan håndtere mange faktorer, kan denne teknologien gi veldig presise analyser av komplekst materiale.

– Litt enkelt forklart starter du med å putte inn mange faktorer i en modell. I de gamle modellene regnet man ofte på en og en faktor og så hvordan de slo ut, og hadde mange teorier på det. Det man ikke tok hensyn til, er at faktorer spiller sammen, motvirker hverandre og forsterker hverandre. Styrken til de nevrale nettverkene er nettopp at de tar hensyn til disse tingene.

Samler i klynger

– I denne første versjonen av Karrierekompasset bruker vi medlemmenes utdanningshistorikk og jobbhistorikk til å lage en profil, sier Sjur Stafsnes Hassellund i Tekna, som har fulgt opp de tekniske løsningene i Karrierekompasset. Hassellund forklarer at datamaskinen bruker disse opplysningene til å samle medlemmene i ulike klynger.

– Datamaskinen ser hva som hører sammen. Faktorene fra brukerprofilene puttes inn i et såkalt vektorrom i et nevralt nettverk der de blir liggende i ulik nærhet til hverandre. Maskinen finner de profilene som ligner mest på hverandre/ligger nærmest hverandre. Det kan være lignende erfaring eller utdanning eller for eksempel hvor de jobber. Noen ganger spiller faktorene sammen og noen ganger mot hverandre.

Håpet er at en skal kunne finne inspirasjon til mulige nye arbeidsgivere ut fra hvor personer med liknende profil jobber.

Lærer som et barn

Sjur Stafsnes Hassellund er løsningsansvarlig for web og digitale produkter i Tekna.

–  En ting som er veldig fascinerende med maskinlæring er at så snart noe er bra nok til å være nyttig slik at det blir tatt i bruk, kan en bygge inn læring slik at bruken gjør produktet enda bedre.

Ifølge Hassellund kan man litt enkelt si at datamaskinen lærer som et barn. Når ting gjentas og gjentas, ser den mønstre. Den lærer ved å se mønstre mange ganger.

Han forteller at det er noen hovedretninger innen maskinlæring. Det skilles mellom ikke-veiledet læring (unsupervised learning) og veiledet læring (superviced learning) der det brukes et sett treningsdata som knyttes til «riktig svar».

– I Karrierekompasset bruker vi ikke-veiledet læring.  Da forsøker algoritmen selv å finne strukturen i inngangsverdiene, ved for eksempel å gruppere dem i klynger.

Justert med sunn fornuft

Petter Egesund i Sannsyn forklarer at i nevrale nettverk er det noe som heter hyperparametre som bestemmer hvordan og hvor fort nevrale nettverk skal lære, og hvor sensitivt det skal være for unntakene.

Petter Egesund i Sannsyn AS har vært sentral i utviklingen av Karrierekompasset.

– Disse fininnstilte vi etter noen tester slik at vår sunne fornuft og intuisjon stemte overens med resultatene, sier han.  Algoritmen er stilt inn på å se hvor personer som ligner på deg er i arbeidsmarkedet.

Både Sjur og Petter håper tjenesten skal åpne opp noen dører som brukeren ikke har sett på selv. Og at det er inspirerende og interessant.

–  I og med at Tekna-medlemmer jobber i tusenvis av ulike bedrifter og offentlige etater spredt over hele landet, er det godt mulig at det kommer opp bedrifter du kanskje aldri har hørt om, sier Sjur Stafsnes Hassellund. 

Petter Egesund er helt enig. Han tror ikke du ville funnet de samme bedriftene om du selv hadde søkt rundt på egen hånd.

–  Et menneske kjører seg fort fast i sin egen verden, og ser den ut fra sin egen erfaring og sitt ståsted. Det vi gjør her er at du kan dra nytte av resten av Tekna-medlemmers erfaring. Med den bakgrunnen du har, er det helt sikkert åpninger og muligheter og sannsynligheter man ikke klarer å se selv kanskje fordi man har vært for lenge på et sted eller har fokusert på et for snevert område, eller ikke har full oversikt over markedet. En algoritme som dette tror jeg kan åpne øynene for mange av de som bruker tjenesten, sier han.

Første versjon

Hassellund og Egesund påpeker at dette er første versjon av verktøyet, og at det er et forbedringspotensial.

– Mye handler om hvordan gjøre dataene gode nok, sier de to. De oppfordrer brukerne til å legge inn data på en så strukturert måte som mulig. Skal du få god nytte av det, må du fylle ut profilen din med riktige og nok opplysninger.

– Datamaterialet kan forbedres. For eksempel kan utdanningsinstitusjoner ha byttet navn. Det samme gjelder ulike studieretninger og utdanningsprogram. Jo bedre datamateriale du har, jo bedre skjønner algoritmene disse tingene.

Petter forteller at det i datasettet også ligger en del materiale som de ikke har brukt.

– Det kan være at folk har lagt inn tagger på hva jobben deres går ut på, og beskrivende tekst. Ved hjelp av tekstanalyse kunne vi for eksempel sammenlignet utdanningskurs som har ulike navn og har gått på ulike steder, men egentlig har samme innhold, slik at dette ble mer samordnet.

Kan forsterke fordommer

Petter Egesund forteller også om et begrep kalt bias, som reiser etiske problemstillinger som det er viktig å tenke gjennom i forhold til det datamaterialet man har.

–  Det handler om at nevrale nettverk noen ganger forsterker de fordommene som ligger i datamaterialet.

–  Et typisk eksempel er tilfeller der det er prøvd å bruke nevrale nettverk til å beregne fengselsstraffer. Er du mørkhudet har det vist seg at datamaskinen automatisk vil gi strengere straff, fordi det i datamateriale viser seg at disse ofte har fått strenge straffer.

– Slike faktorer må man alltid ta hensyn til når man jobber med modeller som dette. Både kjønn og alder kunne vært bias-faktorer som kunne gitt diskriminerende resultater. Kjønn ligger ikke inne i Karrierekompasset. Aldersfordeling er det statistikk på for den enkelte bedrift, men alder er ikke brukt til å trene de nevrale nettverkene. Du får altså ikke opp forslag der alder har vært med som bestemmende faktor, forklarer Petter Egesund.

Sjur Stafsnes Hassellund i Tekna opplyser at arbeidsstedet ikke vil komme opp med mindre det er minst 3 Tekna-medlemmer på arbeidsplassen. Dette for å ivareta personvern i forbindelse med statistikk knyttet til arbeidsplassen.