Er is veel discussie over de vraag of een machine beter werk kan leveren dan een mens, vooral bij onderzoeksprojecten zoals etnografieën die veel ervaring en expertise vereisen om uit te voeren. Het korte antwoord is natuurlijk ja, en het bewijs wordt steeds moeilijker te negeren. Het is een van de redenen waarom ik niet veel "traditionele" antropologen als vrienden had in de beginjaren van het opstarten van ons bedrijf. Toen vonden ze onze technologie en visie nog moeilijk te geloven. Ze konden hun hoofd niet rond het idee krijgen dat een machine hen kon helpen om de typische fouten te vermijden die zij, als mensen, keer op keer maken. Ongeacht de ervaring, kan de mens, gewoon door te leven en te ademen en een reeks waarden en overtuigingen aan te hangen, geen manier vinden om zijn oordeel over een situatie of een reeks gegevenspunten de resulterende uitkomst te laten vertroebelen. Een probleem dat alleen maar verergerd wordt door het gebrek aan schaal in het proces van typische onderzoeksprojecten die gedreven worden door menselijke analyse.
Beschouw deze korte casestudy als verder bewijs van mijn punt. Toen een team van experts, bestaande uit een econoom van Harvard, drie computerwetenschappers en een borgtochtexpert van de universiteit van Chicago, een machine liet strijden tegen zeer ervaren rechters in New York City over een reeks grote steekproeven (550.000+ verdachten) van borgtochthoorzittingen, ontdekten ze dat de machine significant nauwkeuriger was, ondanks de rijke ervaring van de rechters en hun vermogen om de vermeende 'perp' in de ogen te kijken en beslissingen te nemen door een empathische lens. Hoe nauwkeurig? Het algoritme zou de misdaadcijfers (onder degenen die op borgtocht vrijkwamen) met bijna 25% hebben verlaagd en de gevangeniscijfers met 41%. Het algoritme was ook in staat om raciale vooroordelen tegen te gaan, wat, zoals je waarschijnlijk al weet, op zichzelf een van de grootste uitdagingen is voor het strafrechtsysteem in de Verenigde Staten.
Toen we ons bedrijf vier en een half jaar geleden begonnen, richtten we ons op het ontwikkelen van tools die niet alleen konden helpen bij het etnografieproces, maar vooral ook konden ingrijpen op kritieke punten in het proces om menselijke fouten tot een minimum te beperken. We wilden een niveau van puurheid creëren waarvan we theoretisch wisten dat big data en AI het mogelijk konden maken - we hadden het alleen nog niet in actie gezien in de sociale wetenschappen. Specifiek wilden we de tools zo bouwen dat onze onderzoekers gedwongen werden om de natuurlijke broodkruimels te volgen die de consument in elke bestudeerde cultuur achterliet. We wilden niet dat onderzoekers op zoek zouden gaan naar deze broodkruimels (wat meestal gebeurt in het traditionele proces). En we wilden al helemaal niet dat ze onderweg aannames deden en gaten opvulden met hun eigen kennis en ervaring. Door een reeks experimenten en leerprocessen in de loop van meer dan twee jaar ontdekten we niet alleen dat dit mogelijk was, we realiseerden ons ook dat de machine meer dan 80% van het onderzoeksproces voor haar rekening kon nemen. Het verzamelen van gegevens, modelleren en zelfs interpreteren werd allemaal gedaan door de machine om in wezen een kaart te maken die onze onderzoekers en gebruikers konden volgen. Het volgen van deze kaart, in plaats van deze te moeten creëren, betekent dat er heel weinig wordt overgelaten aan menselijk oordeel en dat de delen waarvoor wel expertise en ervaring van de onderzoeker nodig is, veel later in het onderzoeksproces komen - waar de onderzoeker wordt gevraagd de broodkruimels van de consument te volgen en een verhaal te ontwikkelen op basis van de bevindingen. Omdat de interpretatie van elk van deze broodkruimels al wordt geleverd door de machine, wordt de onderzoeker vertrouwd om de verschillende interpretatielagen te begrijpen, in plaats van zelf met de interpretaties te komen en er vervolgens een verhaal van te moeten maken. Dit is een belangrijke prestatie in de wereld van culturele antropologie en etnografie, en ik ben er trots op te kunnen zeggen dat we nog geen ander bedrijf/technologie zijn tegengekomen die hetzelfde probeert te doen.
De eerste versie van onze technologie werd geboren in 2017. We zijn nu al bezig met versie 2 met aanzienlijke vooruitgang in het vermogen van de machine om trends, onderwerpen en culturen te interpreteren en de toekomst te voorspellen. We hebben dit allemaal kunnen bereiken omdat onze technologie ons in staat heeft gesteld om de taken waar mensen voor nodig waren, verder naar beneden in het proces te verschuiven - wat betere nuance en marginale fouten heeft opgeleverd. Dus, terugkomend op het punt waarmee ik dit artikel begon - mens met machine vergelijken - denk ik niet dat we al zover zijn dat de machine alles kan wat een menselijke antropoloog kan. Maar door technologie op de juiste plaatsen in te zetten, hebben we de rol van de menselijke antropoloog (in het etnografische proces) ten goede kunnen veranderen, met een grotere betrokkenheid in de laatste helft van het onderzoeksproces, waar beoordelingsfouten geminimaliseerd worden en de voordelen van AI en Big Data gemaximaliseerd worden.
De resultaten spreken voor zich. Gezamenlijk hebben onze klanten in de afgelopen ruim 4 jaar meer dan 100 merken en producten gelanceerd met behulp van onze machinegeleide etnografieën, die meer dan 5 miljard aan nieuwe inkomsten voor hun bedrijven hebben gegenereerd. Toch voelt het nog steeds alsof we nog maar net begonnen zijn.