Search results

Leren in een turbulente omgeving

Dit is een verkennend onderzoek voor zowel OCW als andere stakeholders. Aan dit onderzoek kunnen geen harde conclusies verbonden worden. Het onderzoek heeft louter de bedoeling te illustreren hoe leren en werken in een turbulente omgeving in de praktijk plaats vindt. Bron: Leren in een turbulente omgeving.

Als de machine kiest

In het werving- en selectieproces proberen organisaties in eerste instantie zoveel mogelijk geschikte kandidaten te laten solliciteren (een marketing/ branding probleem) om daaruit dan de meest geschikte kandidaat te kiezen (een selectieprobleem).Het is wettelijk verboden om bij het selecteren van kandidaten te discrimineren op kenmerken die niet relevant zijn voor de selectie (zoals huidskleur, geloof of leeftijd). Maar een eerlijk en rechtvaardig proces moet verder gaan dan de wet. Een ethische aanpak zorgt ervoor dat gelijk gesitueerde mensen gelijk behandeld worden, dat vooroordelen geen kans hebben, dat kandidaten met menswaardigheid en respect behandeld worden, dat de procedures en uitkomsten voor iedereen helder zijn, dat de kandidaat zinnige feedback krijg na het proces, en dat de voorspellingen over het toekomstige werksucces van een kandidaat daadwerkelijk kloppen.Voor elk van de fasen van werving- en selectie zijn er kunstmatige intelligentiesystemen op de markt die organisaties kunnen helpen bij het proces. Die technologieën hebben gevolgen voor wie er wel of niet worden geselecteerd en kunnen dus een impact hebben op de diversiteit van een organisatie.De diversiteit binnen een organisatie kan op drie manieren worden vergroot. Je kunt de bestaande bias uit het proces proberen te halen, je kunt barrières die ervoor zorgen dat alleen specifieke groepen kunnen of willen solliciteren wegnemen, en je kunt actief op zoek gaan naar kandidaten met een divers profiel.Technologie zou op drie manieren kunnen helpen bij het verminderen van bias binnen het proces. Irrelevante persoonskenmerken kunnen automatisch buiten beschouwing worden gelaten en je kunt een stuk makkelijker dan bij een menselijke recruiter meten op wat voor manier het systeem biased is. Ook zou technologie kunnen helpen bij het vindenvan nieuwe groepen kandidaten die eerder nog niet in beeld waren.De voordelen van het gebruik van kunstmatige intelligentie hebben daarnaast vooral te maken met efficiëntie. Delen van het proces kunnen worden geautomatiseerd, en de werkwijze kan meer uniform gemaakt. Het zijn daarom vooral organisaties die grote aantal kandidaten werven die op dit moment gebruik maken van kunstmatige intelligentie.Er kleven ook grote risico’s aan het gebruik van kunstmatige intelligentie binnen werving- en selectieprocessen. Omdat veel van de technologie uitgaat van de huidige (succesvolle) werknemers is er de kans dat je de (weinige diverse) status quo juist handhaaft. Het is nooit uit te sluiten dat er hele specifieke vormen van bias met betrekking tot bepaalde groepen in het systeem blijven zitten, en dit soort systemen kunnen sowieso slecht omgaan met individuen die op een of andere manier afwijken van de norm. Die bias die – ook na een zorgvuldige implementatie – overblijft is dan wel meteen systematisch en schaalt mee met de inzet van de technologie. Verder blijft het moeilijk om te valideren of de kunstmatige intelligentie die je inzet wel goed werkt. Tot slot hebben dit soort systemen veel data nodig. Dit kan op het gebied van privacy en de vereiste dataminimalisatie problemen opleveren.Je hoort vaak dat we ons geen zorgen hoeven te maken over de inzet van kunstmatige intelligentie binnen werving- en selectie. Het is immers voorlopig nog steeds de mens die de uiteindelijke beslissing neemt. Dit klopt (vooralsnog) misschien nog wel voor het aannemen van de kandidaat, maar is allang niet meer het geval voor de kandidaten die worden afgewezen. Daar is het vaak al de machine die kiest, zonder enige menselijke tussenkomst.Als je er toch voor kiest om kunstmatige intelligentiesystemen binnen werving- en selectieprocessen te implementeren, dan moet je dat op een heel intentionele manier doen. En met een scherpe blik op de achterliggende waarden. Dit onderzoek heeft gereedschap opgeleverd dat daarbij kan helpen. Met de AI in Recruitment (AIR) Discussietool kun je aan de hand van de volgende vijf vragen (en de bijbehorende deelvragen) komen tot een zo verantwoord mogelijke implementatie:1. Wat is voor jouw organisatie eerlijke en rechtvaardige werving en selectie?2. Hoe zit het met de benodigde data?3. Blijft de mens de baas over het proces?4. Is jouw organisatie en is de technologie onbevooroordeeld?5. Weet je zeker dat de technologie werkt en dat het blijft werken?

Buiten de gebaande paden

Machine Learning Method and Visible Light-Based Sensors for Multiinterface Level Measurement

In this work, a feasible and low-cost approach is proposed for level measurement in multiphase systems inside tanks used for petroleum-derived oil production. The developed level sensor system consisted of light-emitting diodes (LEDs), light-dependent resistor (LDR), and a low-cost microprocessor. Two different types of oil were tested: AW460 and AW68. Linear regression (LR) was applied for 11 scenarios and showed a direct correlation between the level of oil and the sensor’s output. The measurement with AW460 oil presented a perfect linear behavior, while for AW68, a higher standard deviation was obtained justifying the occurrence of the nonlinearity in several scenarios. In order to overcome the nonlinear effect, two machine learning (ML) techniques were tested: K-nearest neighbors regression (KNNR) and multilayer perceptron (MLP) neural network regression. The highest correlation coefficient ( R2 ) and the lowest root mean squared error (RMSE) were obtained for AW68 with MLP. Therefore, MLP was used for regression (level prediction for water, oil, and emulsion) as well as classification (identify the type of oil in the reservoir) simultaneously. The suggested network exhibited a high accuracy for oil identification (99.801%) and improved linear performance in regression ( R2 = 0.9989 and RMSE = 0.065).

Optimizing a machine learning design of dielectric properties in lead-free piezoelectric ceramics

Designing lead-free piezoelectric ceramics with tailored electrical properties remains a critical challenge for various applications. In this paper we present a novel methodology integrating Machine Learning (ML) and optimization procedures to fine-tune electrical properties in lead-free (1-x) Na0.5 Bi0.5 TiO3 - x CaTiO3 piezoelectric ceramics. A comprehensive dataset of dielectric measurements serves as the foundation for training ML models that accurately predict the permittivity (𝜀′) and dielectric loss (tan 𝛿) as functions of Ca2+concentration (x % Ca), temperature and frequency. Two ML techniques are evaluated: random forest regression, and Multi-Layer Perceptron neural network Regression (MLPR). The MLPR model exhibited a superior regression performance, achieving a correlation coefficient of 0.931 and a root mean squared error of 0.029. The MLPR was then optimized by the Non-dominated Sorting Genetic Algorithm II (NSGA-II) to maximizes 𝜀′ while minimizes tan 𝛿. Within the NSGA-II framework, the optimal values were found at the Pareto curve knee, corresponding to a frequency, temperature, and x % Ca of 609.739 kHz, 398.15 K, and 6.10, respectively, resulting in 𝜀′ equal to 857.87 and tan 𝛿 equal to 0.0120. This approach demonstrates the effectiveness of combining ML andoptimization for designing the electrical properties of piezoelectric ceramics, paving the way for more efficient and targeted material development.