Wie ein Unternehmen maschinelles Lernen nutzt, um Vorurteile im Einstellungsprozess zu beseitigen

Veröffentlichungsdatum: 31. Juli 2020

Anmerkung des Herausgebers: Stuart Nisbet ist Chefdatenwissenschaftler bei Cadient Talent, einem Talentakquiseunternehmen mit Sitz in Raleigh.

RALEIGH — Bei Cadient Talent ist es eine Frage, mit der wir uns täglich auseinandersetzen: Wie können wir Voreingenommenheit im Einstellungsprozess beseitigen?

Die einzige Möglichkeit, ein Problem oder eine Voreingenommenheit anzugehen, besteht darin, es direkt anzuerkennen und sich einer wissenschaftlichen Untersuchung zu unterziehen. Durch die Anwendung von maschinellem Lernen können wir herausfinden, wo wir in der Vergangenheit Fehler gemacht haben, und so künftig weniger voreingenommene Einstellungsentscheidungen treffen. Wenn wir unbewusste Voreingenommenheit oder sogar bewusste Voreingenommenheit aufdecken und uns auf der Grundlage unvoreingenommenen maschinellen Lernens weiterbilden, um es besser zu machen, können wir den ersten Schritt zur Korrektur eines identifizierten Problems unternehmen.

WAS IST BIAS?

Unter Voreingenommenheit versteht man ein Vorurteil oder eine Voreingenommenheit zugunsten oder gegen eine Sache, Person oder Gruppe im Vergleich zu einer anderen, meist in einer Weise, die als unfair angesehen wird. Stellen Sie sich Voreingenommenheit als drei Gruppen von Fakten vor: Die erste besteht aus einer Reihe objektiver Fakten, die allgemein akzeptiert sind. Bei der zweiten handelt es sich um eine Reihe von Fakten, die Überzeugungen bestätigen und im Einklang mit dem stehen, was eine Person für wahr hält. Wo Voreingenommenheit ins Spiel kommt, liegt die Schnittstelle zwischen den objektiven Fakten und den Fakten, die persönliche Überzeugungen bestätigen.

Durch die selektive Auswahl der Fakten, die bestimmte Überzeugungen bestätigen, und die Konzentration auf die Dinge, die diese Überzeugungen bestätigen, entsteht Voreingenommenheit. Wenn wir die Einstellung von Mitarbeitern aus dieser Perspektive betrachten und unser Ziel darin besteht, Voreingenommenheit aus dem Einstellungsprozess zu beseitigen, müssen wir die persönliche Entscheidung darüber, welche Datenpunkte in den Prozess einbezogen werden, beseitigen. Alle Datenpunkte, die zu einer positiven Entscheidung (den Bewerber einstellen) oder negativen Entscheidung (den Bewerber ablehnen) beitragen, werden in den Prozess einbezogen und die Auswahl der Datenpunkte und ihrer Gewichtungen erfolgt objektiv durch Statistiken und nicht subjektiv durch menschliche Entscheidungen.

Wie können uns Computeralgorithmen dabei helfen? Unser Ziel ist es, die Intelligenz von Menschen zu steigern, insbesondere durch die Nutzung der Erfahrungen und des vorherigen Urteilsvermögens bei früheren Einstellungsentscheidungen, wobei der Schwerpunkt auf solchen liegt, die zu guten Einstellungsentscheidungen geführt haben. „Gute Einstellung“ kann auf verschiedene Arten gemessen werden, die keine unangemessenen Vorurteile berücksichtigen, wie beispielsweise die Langlebigkeit der Mitarbeiter. Wenn ein neuer Mitarbeiter nicht sehr lange im Job bleibt, waren die Rekrutierungsbemühungen möglicherweise nicht gut gemacht, und im Nachhinein hätten Sie sich nicht für diesen Bewerber entschieden. Wenn Sie jedoch jemanden einstellen, der produktiv ist und lange bleibt, gilt diese Person als gute Einstellung.

WARUM WOLLEN WIR VORTEILE AUS EINSTELLUNGSENTSCHEIDUNGEN ENTFERNEN?

Wir möchten Voreingenommenheit beseitigen, wenn diese unbeabsichtigt ist oder keinen Einfluss darauf hat, ob ein Mitarbeiter seine Arbeit zufriedenstellend ausführen kann. Wenn also die gesamte Verantwortung eines Personalmanagers darin besteht, sein Wissen und seine Erfahrung einzusetzen, um die beste Lösung zu ermitteln, warum nutzen wir dann maschinelles Lernen, um Voreingenommenheit zu beseitigen? Denn künstliche Intelligenz beseitigt nur die Voreingenommenheit gegenüber nicht arbeitsbezogenen Kandidatenattributen und ergänzt Entscheidungen auf der Grundlage relevanter Arbeitsmerkmale, sofern eine entsprechende Voreingenommenheit besteht.

Unser Ziel ist es dann, den Einstellungsprozess so transparent wie möglich zu gestalten und alle Variablen zu berücksichtigen, die bei einer Einstellungsentscheidung berücksichtigt werden. Das ist äußerst kompliziert, wenn nicht unmöglich, wenn man nur einen menschenbasierten Ansatz hat, denn die Entscheidungsfindung eines Personalmanagers ist weitaus komplexer und weniger verständlich als die eines maschinellen Lernalgorithmus. Daher möchten wir uns auf die Stärke der Einfachheit eines Algorithmus für maschinelles Lernen konzentrieren. Das heißt, wir wollen im Algorithmus nur Variablen, Spalten und Datenteile betrachten, die für den Einstellungsprozess relevant sind, und keine Datenpunkte einschließen, die für die Leistung nicht relevant sind.

Ein Beurteilungsergebnis, das beispielsweise kognitiv oder persönlichkeitsbasiert ist, kann ein sehr valider Datenpunkt sein, den es zu berücksichtigen gilt, wenn die beurteilten Merkmale für die Stelle relevant sind. Der berufliche Werdegang und die nachgewiesenen Erfolge in ähnlichen Rollen können sehr wichtig sein. Auch das Gegenteil ist ganz klar. Geschlecht, ethnische Zugehörigkeit und Alter sollten keinen legitimen Einfluss auf die Arbeitsleistung einer Person haben. Dieser nächste Punkt ist von entscheidender Bedeutung. Ein Personalmanager kann einen Bewerber nicht in einem Vorstellungsgespräch treffen und glaubhaft sagen, dass er das Geschlecht, die ethnische Zugehörigkeit oder die allgemeine Alterskategorie der Person, die ihm gegenübersitzt, nicht kennt. Unabhängig von unseren Absichten ist dies unglaublich schwierig. Umgekehrt ist es die einfachste Aufgabe, die ein Algorithmus ausführen kann.

Wenn der Algorithmus weder Geschlecht noch ethnische Zugehörigkeit oder Alter angibt, besteht keine Chance, dass diese Variablen in die Einstellungsentscheidung einbezogen werden. Dazu gehört das Einbringen relevanter Daten, ein Computer-Blick darauf, welche Einstellungsentscheidungen in der Vergangenheit getroffen wurden, die zu langfristig leistungsstarken Mitarbeitern geführt haben, und dann die Stärkung zukünftiger Entscheidungen auf der Grundlage der bisherigen Leistung guter Einstellungsmanagementpraktiken . Dies wird letztendlich die Voreingenommenheit bei der Einstellung beseitigen.

Eines der Dinge, die Beachtung verdienen, ist die Idee, frühere Praktiken fortzusetzen, die voreingenommen sein könnten. Wenn wir nur so einstellen, wie wir es in der Vergangenheit getan haben, und es dabei zu voreingenommenen oder voreingenommenen Einstellungspraktiken gekommen ist, könnte das institutionelle Voreingenommenheit fördern. Im Laufe der Zeit haben wir Computer darauf trainiert, genau das zu tun, was ein voreingenommener Manager in der Vergangenheit getan hätte. Wenn die einzigen Daten, die für die Einstellung verwendet („trainiert“) werden, dieselben Daten sind, die aufgrund von Voreingenommenheiten in der Vergangenheit ausgewählt wurden, ist es schwierig, auf Daten zu trainieren, die nicht voreingenommen sind. Wenn wir beispielsweise das Geschlecht als Voreingenommenheit im Einstellungsprozess identifizieren und die Geschlechtsvariable aus dem Algorithmus entfernen, würde das Geschlecht nicht berücksichtigt. Wenn wir frühere Voreingenommenheit kennzeichnen, können wir zukünftige Voreingenommenheit minimieren.

Wir sollten ungeniert prüfen, ob wir in der Lage sind, Einstellungspraktiken zu erkennen und daraus zu lernen, die in der Vergangenheit möglicherweise voreingenommen waren. Dies ist eine der größten Stärken der Anwendung sehr einfacher Algorithmen für maschinelles Lernen im Bereich der stundenweisen Einstellung.

Was wäre, wenn Vielfalt ein explizites Ziel wäre? KÖNNEN WIR NOCH DIE BESTEN EINSTELLEN?

Ein Aspekt des Einstellungsprozesses, der viele Möglichkeiten im Bereich künstliche Intelligenz und maschinelles Lernen eröffnet, ist die Umsetzung von Diversität.

Künstliche Intelligenz kann sich hier wirklich differenzieren. Maschinelles Lernen kann auf der Grundlage der bereitgestellten Daten die besten Einstellungsentscheidungen treffen; Wenn Sie Diversitätsziele verfolgen und möchten, dass Einstellungspraktiken eine vielfältige Arbeitsbevölkerung fördern, ist es sehr einfach, die besten Kandidaten aus den Bevölkerungsgruppen auszuwählen, die für die Unternehmensziele wichtig sind. Dies kann transparent und einfach erfolgen. Es gibt keiner Person Vorrang vor einer anderen. Es ermöglicht die Einstellung der allerbesten Kandidaten aus jeder Gruppe, die Sie für die Vertretung des Unternehmens interessieren.

Bei näherer Betrachtung und wissenschaftlicher Untersuchung kann maschinelles Lernen ein sehr wertvolles Instrument sein, um die Einstellungsentscheidungen, die Manager täglich treffen, zu verbessern und dabei zu helfen, zu verstehen, wann Voreingenommenheit in unsere Entscheidungen eingeflossen ist und weit weniger als unser gemeinsames Bestes erbracht hat.

Originalquelle des Artikels: WRAL TechWire