Kuinka yksi yritys käyttää koneoppimista poistaakseen puolueellisuuden rekrytointiprosessista
Julkaisupäivä:Toimittajan huomautus: Stuart Nisbet on Cadient Talentin johtava datatieteilijä, Raleighissa sijaitseva lahjakkuusyritys.
RALEIGH — Cadient Talentissa kamppailemme tämän kysymyksen kanssa päivittäin: Kuinka poistamme puolueellisuuden rekrytointiprosessista?
Ainoa tapa käsitellä ongelmaa tai harhaa on tunnustaa se suoraan tieteellisen tutkimuksen valvonnassa. Koneoppimisen soveltamisen avulla voimme oppia, missä olemme erehtyneet aiemmin, jolloin voimme tehdä vähemmän puolueellisia rekrytointipäätöksiä eteenpäin. Kun paljastamme tiedostamattoman tai jopa tietoisen harhan ja koulutamme itsemme toimimaan paremmin puolueettoman koneoppimisen perusteella, voimme ottaa ensimmäisen askeleen kohti havaitun ongelman korjaamista.
MITÄ BIAS ON?
Harhakäsitys määritellään ennakkoarvioksi tai ennakkoluuloksi yhden asian, henkilön tai ryhmän puolesta tai sitä vastaan verrattuna toiseen, yleensä tavalla, jota pidetään epäoikeudenmukaisena. Ajattele puolueellisuutta kolmena tosiasiasarjana: Ensimmäinen on joukko objektiivisia tosiasioita, jotka ovat yleisesti hyväksyttyjä. Toinen on joukko tosiasioita, jotka vahvistavat uskomuksia sen mukaisesti, mitä yksilö uskoo olevan totta. Se, missä puolueellisuus tulee kuvaan, on objektiivisten tosiasioiden ja henkilökohtaisia uskomuksia vahvistavien tosiasioiden leikkauskohdassa.
Kun valikoivasti valitaan tosiasiat, jotka vahvistavat tiettyjä uskomuksia, ja keskittymällä asioihin, jotka vahvistavat nämä uskomukset, puolueellisuus tulee sisään. Jos tarkastelemme palkkaamista tästä näkökulmasta ja jos tavoitteemme on poistaa harhaa rekrytointiprosessista, meidän on poistettava henkilökohtainen valinta siitä, mitkä tietopisteet sisällytetään prosessiin. Kaikki positiiviseen valintaan (hakijan palkkaaminen) tai negatiiviseen valintaan (hakijan hylkääminen) vaikuttavat datapisteet otetaan mukaan prosessiin ja tietopisteiden ja niiden painojen valinta tehdään objektiivisesti tilastollisesti, ei subjektiivisesti ihmisen valinnan kautta.
Kuinka tietokonealgoritmit voivat auttaa meitä tässä? Tavoitteenamme on pystyä lisäämään ihmisten älykkyyttä erityisesti hyödyntämällä kokemuksia ja aikaisempaa harkintaa aikaisemmissa rekrytointipäätöksissä, painottaen niitä, jotka johtivat hyviin rekrytointipäätöksiin. "Hyvää rekrytointia" voidaan mitata useilla tavoilla, jotka eivät toteuta sopimatonta harhaa, kuten työntekijöiden pitkäikäisyyttä. Jos uusi työntekijä ei pysy työssä kovin pitkään, rekrytointi ei ehkä ole sujunut hyvin, ja jälkikäteen ajatellen et olisi valinnut kyseistä hakijaa. Mutta jos palkkaat jonkun, joka on tuottava ja pysyy siellä pitkään, häntä pidettäisiin hyvänä palkansaajana.
MIKSI HALUAMME POISTAA POISTAA POISTAMISPÄÄTÖKSISTÄ?
Haluamme poistaa puolueellisuuden silloin, kun se on tahatonta tai sillä ei ole vaikutusta siihen, pystyykö työntekijä suorittamaan työnsä tyydyttävällä tavalla. Joten jos rekrytointipäällikön koko vastuu on soveltaa tietojaan ja kokemustaan parhaan sopivuuden määrittämiseen, miksi käytämme koneoppimista puolueellisuuden poistamiseen? Koska tekoäly poistaa vain puolueellisuuden työhön liittymättömiin ehdokasominaisuuksiin ja lisää asiaankuuluviin työnpiirteisiin perustuvia päätöksiä, jos on asianmukaista harhaa.
Tavoitteenamme on tehdä rekrytointiprosessista mahdollisimman läpinäkyvä ja ottaa huomioon kaikki muuttujat, joita rekrytointipäätöksessä käytetään. Se on erittäin monimutkaista, ellei mahdotonta, jos sinulla on vain ihmislähtöinen lähestymistapa, koska rekrytointipäällikön päätöksenteko on paljon monimutkaisempaa ja vähemmän ymmärrettävää kuin koneoppimisalgoritmin päätöksenteko. Haluamme siis keskittyä koneoppimisalgoritmin yksinkertaisuuden vahvuuteen; Tämä tarkoittaa, että haluamme tarkastella algoritmissa vain muuttujia, sarakkeita ja tietoja, jotka ovat olennaisia rekrytointiprosessin kannalta, eivätkä sisällä datapisteitä, jotka eivät liity suorituskykyyn.
Esimerkiksi arvioinnin tulos, olipa se kognitiivinen tai persoonallisuuspohjainen, voi olla erittäin pätevä tietopiste pohdittavaksi, ovatko arvioitavat ominaisuudet työhön liittyviä. Työhistoria ja todistetut saavutukset samanlaisissa rooleissa voivat olla erittäin tärkeitä huomioivia. Myös päinvastoin on hyvin selvä. Sukupuolella, etnisyydellä ja iällä ei pitäisi olla oikeutettua vaikutusta jonkun työsuoritukseen. Tämä seuraava kohta on kriittinen. Rekrytointipäällikkö ei voi tavata hakijaa haastattelussa ja uskottavasti sanoa, että hän ei tunnista vastapäätä istuvan henkilön sukupuolta, etnistä alkuperää tai yleistä ikäluokkaa. Huolimatta aikeistamme, tämä on uskomattoman vaikea tehdä. Sitä vastoin se on algoritmin helpoin tehtävä.
Jos algoritmissa ei ole ilmoitettu sukupuolta, etnistä alkuperää tai ikää, ei ole mahdollisuutta, että nämä muuttujat sisällytetään palkkauspäätökseen. Tämä tarkoittaa sitä, että tuodaan esiin oikeat tiedot, tarkastellaan tietokoneella, mitä rekrytointipäätöksiä on tehty aiemmin ja jotka ovat johtaneet korkean suorituskyvyn pitkäaikaisiin työntekijöihin, ja sitten vahvistetaan tulevia päätöksiä, jotka perustuvat hyvien rekrytointikäytäntöjen aikaisempaan suoritukseen. . Tämä poistaa viime kädessä puolueellisuuden palkkaamisessa.
Yksi harkinnan arvoisista asioista on ajatus aiempien käytäntöjen säilyttämisestä, jotka voivat olla puolueellisia. Jos teemme vain palkkaamista, kuten olemme palkanneet aiemmin, ja jos palkkaamisessa on ollut ennakkoluuloisia tai puolueellisia käytäntöjä, se voi edistää institutionaalista harhaa. Ajan mittaan olemme kouluttaneet tietokoneita tekemään täsmälleen sen, mitä puolueellinen johtaja olisi tehnyt aiemmin. Jos ainoa tieto, jota käytetään ("koulutettu") rekrytointiin, on sama data, joka on valittu menneisyyden harhojen perusteella, on vaikea kouluttaa tietoja, jotka eivät ole puolueettomia. Jos esimerkiksi tunnistamme sukupuolen puolueelliseksi rekrytointiprosessissa ja poistamme sukupuolimuuttujan algoritmista, sukupuolta ei oteta huomioon. Kun merkitsemme aikaisemman harhan, pystymme minimoimaan tulevan harhan.
Meidän pitäisi häpeämättömästi tarkastella, pystymmekö tunnistamaan ja oppimaan palkkauskäytännöistä, joilla on saattanut olla ennakkoluuloja. Tämä on yksi suurimmista vahvuuksista erittäin yksinkertaisten koneoppimisalgoritmien soveltamisessa tuntivuokrauksen alalla.
entä JOS NIMENOMAINEN TAVOITE ON MONIMUOTOISUUS? VOIKO VOI VÄLILLÄ palkata PARHAAT?
Tekoälyn ja koneoppimisen alueella paljon mahdollisuuksia avaava näkökohta rekrytointiprosessissa on monimuotoisuuden toteuttaminen.
Tekoäly voi todella erottaa itsensä täällä. Koneoppiminen voi tehdä parhaat rekrytointipäätökset sen antamien tietojen perusteella; Jos sinulla on monimuotoisuustavoitteita ja haluat rekrytointikäytäntöjen kannustaa monimuotoista työväestöä, on erittäin helppoa valita parhaat ehdokkaat yrityksen tavoitteiden kannalta tärkeistä ryhmistä. Tämä voidaan tehdä läpinäkyvästi ja yksinkertaisesti. Se ei aseta toista ihmistä etusijalle. Se mahdollistaa parhaiden ehdokkaiden palkkaamisen jokaisesta väestöstä, jota olet kiinnostunut edustamaan yritystä.
Tarkastelun ja tieteellisen tutkimuksen perusteella koneoppiminen voi olla erittäin arvokas työkalu johtajien päivittäisten rekrytointipäätösten lisäämisessä ja auttaa ymmärtämään, milloin päätöksiimme on tullut ennakkoluuloja, jotka ovat tuottaneet paljon vähemmän kuin kollektiivinen paras.
Alkuperäinen artikkelin lähde: WRAL TechWire