כיצד חברה אחת משתמשת בלמידת מכונה כדי להסיר הטיה מתהליך הגיוס

תאריך פרסום: 31 ביולי 2020

הערת העורך: סטיוארט ניסבט הוא מדען נתונים ראשי ב-Cadient Talent, חברת רכישת כישרונות שבסיסה בראלי.

ראלי — ב-Cadient Talent, זו שאלה שאנחנו מתחבטים בה על בסיס יומיומי: איך מבטלים הטיה מתהליך הגיוס?

הדרך היחידה לטפל בבעיה או להטיה היא להכיר בה בראש ובראשונה, תחת בדיקה של בדיקה מדעית. באמצעות היישום של למידת מכונה, אנו מסוגלים ללמוד היכן טעינו בעבר, מה שמאפשר לנו לקבל החלטות גיוס פחות מוטות להתקדם. כאשר אנו חושפים הטיה לא מודעת, או אפילו הטיה מודעת, ומחנכים את עצמנו לעשות טוב יותר בהתבסס על למידת מכונה בלתי משוחדת, אנו מסוגלים לעשות את הצעד הראשון לקראת תיקון בעיה שזוהתה.

מהי הטיה?

הטיה מוגדרת כשיקול דעת קדום או דעה קדומה בעד או נגד דבר אחד, אדם או קבוצה בהשוואה לאחר, בדרך כלל בצורה הנחשבת כלא הוגנת. חשבו על הטיה כשלוש קבוצות של עובדות: הראשונה היא קבוצה של עובדות אובייקטיביות המקובלות בכל העולם. השני הוא סט של עובדות המאששות אמונות, בהתאם למה שאדם מאמין שהוא נכון. המקום שבו הטיה נכנסת לתמונה הוא במפגש בין העובדות האובייקטיביות לעובדות המאששות את האמונות האישיות.

על ידי בחירה סלקטיבית של העובדות המאשרות אמונות מסוימות והתמקדות בדברים המאשרים את האמונות הללו, נכנסת הטיה. אם אנחנו מסתכלים על גיוס עובדים מנקודת מבט זו, ואם המטרה שלנו היא להסיר הטיה מתהליך הגיוס, אז אנחנו צריכים להסיר את הבחירה האישית של אילו נקודות נתונים נכללות בתהליך. כל נקודות הנתונים התורמות לבחירה חיובית (לשכור את הפונה) או לבחירה שלילית (לדחות את הפונה) נכללות בתהליך ובחירת נקודות הנתונים והמשקלות שלהן נעשית באופן אובייקטיבי באמצעות סטטיסטיקה, ולא סובייקטיבית באמצעות בחירה אנושית.

איך אלגוריתמי מחשב יכולים לעזור לנו לעשות זאת? המטרה שלנו היא להיות מסוגלים להגביר את האינטליגנציה של בני אדם, בפרט על ידי שימוש בחוויות ובשיפוט מוקדם בהחלטות גיוס עובדים בעבר, בדגש על אלו שהביאו להחלטות גיוס טובות. ניתן למדוד "גיוס טוב" במספר דרכים, שאינן מיישמות הטיה בלתי הולמת, כגון אורך החיים של העובדים. אם עובד חדש לא יישאר בתפקיד הרבה זמן, אז אולי מאמץ הגיוס לא נעשה טוב, ובדיעבד, לא היית בוחר באותו מועמד. אבל, אם אתה שוכר מישהו פרודוקטיבי ונשאר זמן רב, האדם הזה ייחשב לשכירה טובה.

מדוע אנו רוצים להסיר הטיות מהחלטות גיוס עובדים?

אנו רוצים להסיר הטיה כאשר זה לא מכוון או שאין לו קשר לשאלה האם עובד יוכל לבצע את העבודה בצורה משביעת רצון. לכן, אם כל האחריות של מנהל גיוס היא ליישם את הידע והניסיון שלו כדי לקבוע את ההתאמה הטובה ביותר, מדוע אנו משתמשים בלמידת מכונה כדי למנוע הטיה? מכיוון שבינה מלאכותית מסירה רק את ההטיה כלפי תכונות מועמד שאינן קשורות לעבודה ומגבירה החלטות על סמך תכונות עבודה רלוונטיות, כאשר יש הטיה מתאימה.

המטרה שלנו היא להפוך את תהליך הגיוס לשקוף ככל האפשר ולשקול את כל המשתנים המשמשים בהחלטת הגיוס. זה מאוד מסובך, אם לא בלתי אפשרי, אם אין לך שום דבר מלבד גישה מבוססת אנוש מכיוון שקבלת ההחלטות של מנהל גיוס היא הרבה יותר מורכבת ופחות מובנת מאלו של אלגוריתם למידת מכונה. אז, אנחנו רוצים להתמקד בחוזק הפשטות באלגוריתם למידת מכונה; כלומר אנחנו רוצים רק להסתכל על משתנים, עמודות ופיסות נתונים באלגוריתם הרלוונטיים לתהליך הגיוס ואינם כוללים נקודות נתונים שאינן רלוונטיות לביצועים.

תוצאת הערכה, למשל, בין אם היא קוגניטיבית או מבוססת אישיות, עשויה להיות נקודת מידע תקפה מאוד לשקול אם התכונות המוערכות רלוונטיות לתפקיד. היסטוריית עבודה והישגים מוכחים בתפקידים דומים עשויים להיות חשובים מאוד לשקול. גם ההפך ברור מאוד. למין, למוצא אתני ולגיל אין שום השפעה לגיטימית על ביצועי העבודה של מישהו. הנקודה הבאה היא קריטית. מנהל גיוס לא יכול לפגוש מועמד בראיון ולומר באופן אמין שהם לא מכירים במגדר, באתניות או בקטגוריית הגיל הכללית של האדם שיושב מולו. לא משנה הכוונות שלנו, זה קשה להפליא לעשות. לעומת זאת, זוהי המשימה הקלה ביותר עבור אלגוריתם לביצוע.

אם האלגוריתם אינו מסופק מגדר, מוצא אתני או גיל, אין סיכוי שהמשתנים הללו יובאו להחלטת הגיוס. זה כרוך בהבאת הנתונים הרלוונטיים, בדיקת מחשב אילו החלטות גיוס התקבלו בעבר שהביאו לעובדים בעלי ביצועים גבוהים לטווח ארוך, ולאחר מכן חיזוק החלטות עתידיות המבוססות על ביצועי העבר של נהלי ניהול עובדים טובים. . זה יסיר בסופו של דבר את ההטיה בגיוס עובדים.

אחד הדברים הראויים להתייחסות הוא הרעיון של הנצחת שיטות העבר שעלולות להיות מוטות. אם כל מה שאנחנו עושים זה לגייס עובדים כמו ששכרנו בעבר והיו שיטות עבודה משוחדות או מוטות, זה יכול לקדם הטיה מוסדית. במשך הזמן, אימנו מחשבים לעשות בדיוק מה שמנהל מוטה היה עושה בעבר. אם הנתונים היחידים המשמשים ("הכשרה") לצורך גיוס עובדים הם אותם נתונים שנבחרו על ידי הטיות מהעבר, אז קשה להתאמן על נתונים שאינם מוטים. לדוגמה, אם נזהה מגדר כהטיה בתהליך הגיוס, ונוציא את משתנה המגדר מהאלגוריתם, מגדר לא ייחשב. כאשר אנו מסמנים הטיה קודמת, אנו מסוגלים למזער הטיה עתידית.

עלינו לבחון ללא בושה האם אנו מסוגלים לזהות וללמוד מפרקטיקות גיוס שאולי היו להן הטיה בעבר. זהו אחד היתרונות הגדולים ביותר של יישום אלגוריתמים פשוטים מאוד של למידת מכונה בתחום הגיוס לפי שעה.

מה אם מטרה מפורשת היא גיוון? האם אנחנו עדיין יכולים לגייס את הטובים ביותר?

היבט בתהליך הגיוס שפותח הרבה הזדמנויות בתחום הבינה המלאכותית ולמידת מכונה הוא הטמעת גיוון.

בינה מלאכותית יכולה באמת לבדל את עצמה כאן. למידת מכונה יכולה לקבל את החלטות הגיוס הטובות ביותר על סמך הנתונים שהיא ניתנת; אם יש לך יעדי גיוון ואתה רוצה שיטות גיוס כדי לעודד אוכלוסיית עבודה מגוונת, זה מאוד פשוט לבחור את המועמדים הטובים ביותר מבין האוכלוסיות החשובות למטרות הארגוניות. ניתן לעשות זאת בשקיפות ובפשטות. זה לא נותן עדיפות לאדם אחד על פני אחר. זה מאפשר לגייס את המועמדים הטובים ביותר מכל אוכלוסייה שאתה מעוניין לייצג את החברה.

לאחר בדיקה ובדיקה מדעית, למידת מכונה יכולה להיות כלי בעל ערך רב להגדלת החלטות הגיוס שמנהלים מקבלים מדי יום ולעזור להבין מתי הטיה נכנסה להחלטות שלנו והניבה הרבה פחות מהמיטב הקולקטיבי שלנו.

מקור המאמר המקורי: WRAL TechWire