Information overload leidt tot stress en stress leidt tot gezondheidsklachten. Kunnen we daaraan iets doen met slimme programma’s die relevante informatie voor ons sorteren en op het juiste moment aan ons presenteren? Wetenschapster Maya Sappelli onderzocht deze vraag in het kader van haar proefschrift en ontwikkelde al doende een algoritme voor context aware support. Dit op basis van een model dat ze Contextual Interactive Activation (CIA) noemt.
Maya Sappelli (1988) werkt bij TNO als wetenschapper en innovator text mining. Ze studeerde kunstmatige intelligentie en taalwetenschappen aan de Radboud Universiteit Nijmegen. De combinatie van beide disciplines bracht haar op het terrein van de taaltechnologie en dat is het achterliggende kennisgebied bij het onderzoek dat ze van 2011 tot 2015 deed voor haar dissertatie, getiteld ‘Knowledge Work in Context, User Centered Knowledge Worker Support’. Het is opgebouwd uit een reeks deelonderzoeken die ze in verschillende teams uitvoerde. De dissertatie is te downloaden op de website van de Radboud Universiteit (zie de QR-code aan het einde van dit artikel).
Sappelli deed haar onderzoek in drie stappen: data vergaren, modelleren annex programmeren, en testen. We gaan ze stuk voor stuk met haar langs.
Taken detecteren
“Het eerste dat je nodig hebt om een zelflerend systeem te bouwen, is een goede dataset”, steekt ze van wal. “We wilden begrijpen hoe kenniswerkers werken, zonder daarvoor teveel aan henzelf te vragen. Een van de wegen die we hiervoor bewandelden was het detecteren van taken in e-mail. Veel e-mails kun je namelijk relateren aan een taak. Bijvoorbeeld: je moet iemand bellen, je moet reageren, je moet iets uitzoeken, je moet je iets afvragen.” Als basis werden twee voor wetenschappelijk onderzoek beschikbare zakelijke e-mailsets gebruikt. Echte data uit echte bedrijfsomgevingen. Daarnaast simuleerden Sappelli en haar collega’s een werksituatie van kenniswerkers en observeerden ze de reacties als ze bepaalde acties ondernamen. Zoals het insturen van e-mail, het aanbieden van afleiding of het opvoeren van de tijdsdruk. Dit experiment leverde een derde dataset op. Deze zal te zijner tijd worden vrijgegeven als Open Data, benadrukt Sappelli. “Een van de dingen die ons in dit stadium van het onderzoek opvielen was dat zo’n taak, bijvoorbeeld het schrijven van een rapport, heel vaak aanleiding was voor een zoekactie op het web. Sommigen haalden daar dan met knippen en plakken informatie op, anderen stelden die liever zelf, in hun eigen bewoordingen, samen. De manier van werken verschilt dus per persoon. Daarmee wil je in je programma rekening houden.”
Projectherkenning
De volgende stap was cruciaal: het onderbrengen van deze data in een model. Hiervoor werd het bestaande Interactive Activation model gebruikt. Sappelli voegde daaraan het woord Contextual toe, waardoor het acroniem voor haar uitbreiding op dit basisalgoritme identiek werd aan dat van de Amerikaanse centrale inlichtingendienst. “Een knipoog”, bevestigt ze. “Maar die letter C moest er wel bij, omdat we met deze aanpak de context van een kenniswerker proberen te herkennen.”
In het model wordt de relevantie van beschikbare informatie – gerelateerd aan bepaalde taken – tot uitdrukking gebracht. Er is ‘need to know’, ‘nice to know’, ‘ongewenste afleiding’ en een vrij groot gebied dat je niet kent en waarvan je niet weet of het ‘need to know’ is, juist omdat je het niet kent. Op basis van al deze relaties kan het model automatisch relevante content aanbieden. “Nog weer een stap verder is dat je het model laat detecteren met welk project een kenniswerker bezig is”, legt Sappelli uit. “Daarvoor moet je het een klein beetje trainen met wat basisassociaties. Dat zijn bijvoorbeeld de hoofdelementen waaruit bepaalde werkzaamheden bestaan. Die kun je onder meer uit projectbeschrijvingen halen. Op die manier kan het model automatisch herkennen aan welke projecten wordt gewerkt.”
Ook hier vormen data de basis. Een keylogger-programma legt vervolgens alles, maar dan ook werkelijk alles, vast wat er op de computer gedaan wordt. Zoals wat er getypt wordt, maar ook informatie over de programma’s die worden geopend, de documenttitels van bestanden en de titels van webpagina’s die worden geraadpleegd. Al deze gegevens (‘nodes’) worden vervolgens automatisch met behulp van het algoritme met elkaar in verband gebracht (‘associations’).
Uit tests bleek dat het huidige CIA-algoritme in 65 procent van de gevallen correct detecteert aan welk project iemand werkt. “Dat is hoog als je het vergelijkt met andere methodieken voor automatische contextdetectie, maar het is nog niet optimaal. Dit kan nog beter als we bepaalde parameters in het netwerk beter onderzoeken. Dat kan een volgende stap zijn. Zo’n algoritme heeft natuurlijk ook een eigen ontwikkelingsweg.”
Toepassingen
Met het huidige algoritme zijn drie toepassingen mogelijk, vat Sappelli samen: “Je kunt er automatisch mee herkennen aan welk project iemand werkt, je kunt er bepaalde informatie automatisch mee prioriteren of aanbevelen, en je kunt er e-mail automatisch mee categoriseren en prioriteren.”
Maar er is meer mogelijk. “In principe kan een dergelijk programma ondersteuning bieden bij de urenregistratie. Of muziek aanbevelen die bij een bepaalde situatie of stemming past. De kern is steeds context. Je zou bijvoorbeeld ook emoties als context kunnen toevoegen. Sommige taken doe je immers met meer plezier dan andere. Daarmee zou je dan in planningen rekening kunnen houden.”
Bestaat niet het risico dat kenniswerkers geestelijk lui worden als ze zulke geavanceerde tools tot hun beschikking krijgen? “Nee, daar geloof ik niks van”, zegt Sappelli. “Zij zijn minder tijd kwijt met zoeken en kunnen hun aandacht daardoor beter richten op de dingen die de computer niet kan, zoals het leggen van nieuwe associaties en het ontwikkelen van nieuwe kennis.”
Kan het werk van kenniswerkers ooit in zijn geheel worden geautomatiseerd in de toekomst? “Dat denk ik niet. In elk geval niet met deze technologie. Computers zijn goed in dataverwerking, maar ze zijn niet creatief. Kenniswerkers zijn dat wel. De computer kan daar wel veel beter bij gaan helpen.”
De werkdag van Bob
Bob, als programmeur werkzaam bij een grote onderneming, moet vandaag voor 13:00 uur een belangrijk rapport afronden. Daarvoor heeft hij nog wat details en citaten nodig. Ze staan ergens op zijn laptop, maar hij weet niet meer waar <1>.
Om 11:00 uur komt hij tot de ontdekking dat hij toch nog een belangrijk stuk informatie mist. Bij het zoeken daarnaar stuit hij bij toeval op andere informatie die zeer interessant voor hem is, ook al is het geen antwoord op zijn zoekvraag. Hij raakt daardoor afgeleid <2>.
Om 12:30 uur merkt hij dat dit te veel tijd heeft gekost en dat hij zijn project gehaast moet afronden. Inmiddels zijn er een paar e-mails binnengekomen, waaronder één waarin hij wordt uitgenodigd zelf onderwerpen voor zijn research aan te geven. Bob wil dit al heel lang. Hij heeft al wat ideeën verzameld en begint die uit te werken <3>. Hij zoekt vervolgens naar ondersteunend materiaal en aan het eind van zijn werkdag heeft hij zoveel documenten vergaard dat hij door de bomen het bos niet meer ziet <4>. Er zijn nieuwe documenten bij en documenten die hij al eens heeft gelezen, maar wil herlezen. Als hij zijn laptop sluit, zit er weer nieuwe e-mail in zijn inbox. Hij besluit die vanavond maar te lezen <5>.
Kortom, Bob gaat met een vol hoofd en een berg werk naar huis.
De nummers tussen haakjes in dit voorbeeld geven de momenten aan waarop Bob geholpen zou zijn met een kunstmatig intelligente context tool, die:
<1> relevante informatie automatisch klaarzet
<2> signaleert wanneer er afleiding in het spel komt
<3> interessant materiaal aandraagt waaraan hij nog niet heeft gedacht, maar waardoor hij beter ‘out of the box’ kan nadenken over zijn voorstel
<4> documenten groepeert en prioriteert
<5> e-mail prioriteert
Zo’n tool zou een rustiger en vooral dieper geconcentreerd beeld opleveren van de werkdag van Bob.
