Cómo una empresa utiliza el aprendizaje automático para eliminar sesgos en el proceso de contratación
Fecha de publicación:Nota del editor: Stuart Nisbet es científico de datos jefe de Cadient Talent, una empresa de adquisición de talentos con sede en Raleigh.
RALEIGH — En Cadient Talent, es una pregunta con la que luchamos a diario: ¿Cómo eliminamos los prejuicios en el proceso de contratación?
La única manera de abordar un problema o sesgo es reconocerlo de frente, bajo el escrutinio de un examen científico. Mediante la aplicación del aprendizaje automático, podemos aprender dónde nos hemos equivocado en el pasado, lo que nos permite tomar decisiones de contratación menos sesgadas en el futuro. Cuando descubrimos sesgos inconscientes, o incluso conscientes, y nos educamos para hacerlo mejor basándose en el aprendizaje automático imparcial, podemos dar el primer paso para corregir un problema identificado.
¿QUÉ ES EL SESGO?
El sesgo se define como un prejuicio a favor o en contra de una cosa, persona o grupo en comparación con otro, generalmente de una manera que se considera injusta. Piense en el sesgo como tres conjuntos de hechos: el primero es un conjunto de hechos objetivos que son universalmente aceptados. El segundo es un conjunto de hechos que confirman creencias, de acuerdo con lo que un individuo cree que es verdad. Donde el sesgo entra en escena es en la intersección entre los hechos objetivos y los hechos que confirman las creencias personales.
Al elegir selectivamente los hechos que confirman creencias particulares y centrarse en las cosas que confirman esas creencias, aparece el sesgo. Si analizamos la contratación desde esa perspectiva, y si nuestro objetivo es eliminar el sesgo del proceso de contratación, entonces debemos eliminar la elección personal de qué puntos de datos se incluyen en el proceso. Todos los puntos de datos que contribuyen a una elección positiva (contratar al solicitante) o negativa (rechazar al solicitante) se incluyen en el proceso y la elección de los puntos de datos y sus ponderaciones se realiza objetivamente a través de estadísticas, no subjetivamente a través de la elección humana.
¿Cómo pueden ayudarnos los algoritmos informáticos a hacer esto? Nuestro objetivo es poder aumentar la inteligencia de los humanos, en particular utilizando las experiencias y el juicio previo en decisiones de contratación pasadas, con énfasis en aquellas que resultaron en buenas decisiones de contratación. La “buena contratación” se puede medir de varias maneras que no implementen sesgos inapropiados, como la longevidad de los empleados. Si un nuevo empleado no permanece en el trabajo por mucho tiempo, entonces tal vez el esfuerzo de reclutamiento no se hizo bien y, en retrospectiva, no habría elegido a ese candidato. Pero, si contrata a alguien que sea productivo y se quede por mucho tiempo, esa persona se considerará una buena contratación.
¿POR QUÉ QUEREMOS ELIMINAR EL SESGO EN LAS DECISIONES DE CONTRATACIÓN?
Queremos eliminar el sesgo cuando no es intencional o no influye en si un empleado podrá realizar el trabajo de manera satisfactoria. Entonces, si toda la responsabilidad de un gerente de contratación es aplicar su conocimiento y experiencia para determinar la mejor opción, ¿por qué utilizamos el aprendizaje automático para eliminar el sesgo? Porque la inteligencia artificial solo elimina el sesgo hacia atributos del candidato no relacionados con el trabajo y aumenta las decisiones basadas en rasgos laborales relevantes, cuando existe un sesgo apropiado.
Nuestro objetivo es entonces hacer que el proceso de contratación sea lo más transparente posible y considerar todas las variables que se utilizan en una decisión de contratación. Eso es extremadamente complicado, si no imposible, si no se cuenta más que con un enfoque humano, porque la toma de decisiones de un gerente de contratación es mucho más compleja y menos comprendida que las de un algoritmo de aprendizaje automático. Por lo tanto, queremos centrarnos en la fortaleza de la simplicidad en un algoritmo de aprendizaje automático; lo que significa que solo queremos observar variables, columnas y datos en el algoritmo que sean pertinentes para el proceso de contratación y no incluyan ningún punto de datos que no sea relevante para el desempeño.
El resultado de una evaluación, por ejemplo, ya sea cognitiva o basada en la personalidad, puede ser un dato muy válido a considerar si los rasgos que se evalúan son pertinentes para el trabajo. Puede ser muy importante considerar el historial laboral y los logros demostrados en roles similares. Lo contrario también está muy claro. El género, la etnia y la edad no deberían tener una influencia legítima en el desempeño laboral de una persona. El siguiente punto es crítico. Un gerente de contratación no puede reunirse con un solicitante en una entrevista y decirle de manera creíble que no reconoce el género, el origen étnico o la categoría de edad general de la persona sentada frente a él. No importa nuestras intenciones, esto es increíblemente difícil de hacer. Por el contrario, es la tarea más fácil de realizar para un algoritmo.
Si el algoritmo no proporciona género, etnia o edad, no hay posibilidad de que esas variables se incluyan en la decisión de contratación. Esto implica incorporar datos relevantes, observar por computadora qué decisiones de contratación se tomaron en el pasado que han resultado en empleados de alto rendimiento a largo plazo y luego fortalecer las decisiones futuras basadas en el desempeño pasado de buenas prácticas de gestión de contratación. . En última instancia, esto eliminará el sesgo en la contratación.
Una de las cosas que merece consideración es la idea de perpetuar prácticas pasadas que podrían estar sesgadas. Si lo único que estamos haciendo es contratar como hemos contratado en el pasado y ha habido prácticas de contratación perjudiciales o sesgadas, eso podría promover un sesgo institucional. A lo largo del tiempo, hemos entrenado a las computadoras para que hagan exactamente lo que habría hecho un gerente parcial en el pasado. Si los únicos datos que se utilizan (“capacitan”) para la contratación son los mismos datos seleccionados según los sesgos del pasado, entonces es difícil capacitar con datos que no estén sesgados. Por ejemplo, si identificamos el género como un sesgo en el proceso de contratación y eliminamos la variable género del algoritmo, el género no se consideraría. Cuando señalamos sesgos anteriores, podemos minimizar los sesgos futuros.
Deberíamos analizar descaradamente si somos capaces de identificar y aprender de prácticas de contratación que pueden haber tenido sesgos en el pasado. Esta es una de las mayores fortalezas de la aplicación de algoritmos de aprendizaje automático muy simples en el ámbito de la contratación por horas.
¿Y SI UN OBJETIVO EXPLÍCITO ES LA DIVERSIDAD? ¿AÚN PODEMOS CONTRATAR A LOS MEJORES?
Un aspecto del proceso de contratación que abre muchas oportunidades en el ámbito de la inteligencia artificial y el aprendizaje automático es la implementación de la diversidad.
La inteligencia artificial realmente puede diferenciarse aquí. El aprendizaje automático puede tomar las mejores decisiones de contratación en función de los datos que se le proporcionan; Si tiene objetivos de diversidad y desea prácticas de contratación que fomenten una población laboral diversa, es muy sencillo elegir a los mejores candidatos entre las poblaciones que sean importantes para los objetivos corporativos. Esto se puede hacer de forma transparente y sencilla. No prioriza a una persona sobre otra. Permite contratar a los mejores candidatos de cada población que esté interesado en representar a la empresa.
Tras un escrutinio y un examen científico, el aprendizaje automático puede ser una herramienta muy valiosa para mejorar las decisiones de contratación que los gerentes toman todos los días y ayudar a comprender cuándo ha entrado sesgo en nuestras decisiones y ha producido mucho menos que nuestro mejor resultado colectivo.
Fuente del artículo original: WRAL TechWire