Come un'azienda utilizza il machine learning per eliminare i pregiudizi dal processo di assunzione

Data di pubblicazione: Luglio 31, 2020

Nota dell'editore: Stuart Nisbet è chief data scientist presso Cadient Talent, una società di acquisizione di talenti con sede a Raleigh.

RALEIGH — In Cadient Talent, è una domanda con cui ci confrontiamo quotidianamente: come eliminiamo i pregiudizi dal processo di assunzione?

L’unico modo per affrontare un problema o un pregiudizio è riconoscerlo direttamente, sotto il controllo dell’esame scientifico. Attraverso l'applicazione dell'apprendimento automatico, siamo in grado di scoprire dove abbiamo commesso errori in passato, permettendoci di prendere decisioni di assunzione meno distorte per il futuro. Quando scopriamo pregiudizi inconsci, o anche pregiudizi consci, e ci educhiamo a fare meglio sulla base di un apprendimento automatico imparziale, siamo in grado di fare il primo passo verso la correzione di un problema identificato.

CHE COS'È IL BIAS?

Il bias è definito come un pregiudizio o un pregiudizio a favore o contro una cosa, persona o gruppo rispetto ad un altro, solitamente in un modo considerato ingiusto. Pensa ai pregiudizi come a tre serie di fatti: il primo è un insieme di fatti oggettivi universalmente accettati. Il secondo è un insieme di fatti che confermano le credenze, in linea con ciò che un individuo ritiene essere vero. Il punto in cui il pregiudizio entra in gioco è nell’intersezione tra i fatti oggettivi e i fatti che confermano le convinzioni personali.

Scegliendo selettivamente i fatti che confermano particolari convinzioni e concentrandosi sulle cose che confermano quelle convinzioni, entrano in gioco i pregiudizi. Se guardiamo alle assunzioni da questa prospettiva, e se il nostro obiettivo è eliminare i pregiudizi dal processo di assunzione, allora dobbiamo eliminare la scelta personale di quali punti dati includere nel processo. Tutti i dati che contribuiscono a una scelta positiva (assumere il candidato) o negativa (rifiutare il candidato) sono inclusi nel processo e la scelta dei dati e il loro peso viene effettuata oggettivamente attraverso le statistiche, non soggettivamente attraverso la scelta umana.

In che modo gli algoritmi informatici possono aiutarci a farlo? Il nostro obiettivo è essere in grado di aumentare l’intelligenza degli esseri umani, in particolare utilizzando le esperienze e i giudizi precedenti nelle decisioni di assunzione passate, con un’enfasi su quelle che hanno portato a buone decisioni di assunzione. Una “buona assunzione” può essere misurata in diversi modi, che non implementano pregiudizi inappropriati, come la longevità dei dipendenti. Se un nuovo assunto non rimane sul posto di lavoro molto a lungo, forse lo sforzo di reclutamento non è stato fatto bene e, col senno di poi, non avresti scelto quel candidato. Ma se assumi qualcuno che è produttivo e rimane a lungo, quella persona sarebbe considerata una buona assunzione.

PERCHÉ VOGLIAMO RIMUOVERE I PREGIUDIZI DALLE DECISIONI DI ASSUNZIONE?

Vogliamo eliminare i pregiudizi quando non sono intenzionali o non hanno alcuna influenza sulla capacità di un dipendente di svolgere il lavoro in modo soddisfacente. Quindi, se l'intera responsabilità di un responsabile delle assunzioni è applicare le proprie conoscenze ed esperienze per determinare la soluzione migliore, perché utilizzare l'apprendimento automatico per eliminare i pregiudizi? Perché l’intelligenza artificiale rimuove solo la distorsione verso gli attributi dei candidati non legati al lavoro e aumenta le decisioni sulla base delle caratteristiche lavorative rilevanti, laddove vi sia una distorsione adeguata.

Il nostro obiettivo è quindi rendere il processo di assunzione il più trasparente possibile e considerare tutte le variabili utilizzate in una decisione di assunzione. Ciò è estremamente complicato, se non impossibile, se si ha solo un approccio basato sull'uomo, perché il processo decisionale di un responsabile delle assunzioni è molto più complesso e meno compreso di quello di un algoritmo di apprendimento automatico. Vogliamo quindi concentrarci sulla forza della semplicità in un algoritmo di machine learning; ciò significa che vogliamo esaminare solo le variabili, le colonne e i dati nell'algoritmo che sono pertinenti al processo di assunzione e non includono punti dati che non sono rilevanti per le prestazioni.

Un risultato di valutazione, ad esempio, sia esso cognitivo o basato sulla personalità, può essere un punto dati molto valido da considerare se i tratti valutati sono pertinenti al lavoro. La storia lavorativa e i risultati dimostrati in ruoli simili possono essere molto importanti da considerare. Anche il contrario è molto chiaro. Sesso, etnia ed età non dovrebbero avere alcuna influenza legittima sulla prestazione lavorativa di qualcuno. Il prossimo punto è fondamentale. Un responsabile delle assunzioni non può incontrare un candidato in un colloquio e affermare in modo credibile di non riconoscere il genere, l'etnia o la categoria di età generale della persona seduta di fronte a lui. Non importa le nostre intenzioni, questo è incredibilmente difficile da fare. Al contrario, è il compito più semplice da eseguire per un algoritmo.

Se nell’algoritmo non vengono forniti sesso, etnia o età, non vi è alcuna possibilità che tali variabili vengano incluse nella decisione di assunzione. Ciò implica l'inserimento di dati pertinenti, l'analisi computerizzata di quali decisioni di assunzione sono state prese in passato che hanno portato a dipendenti a lungo termine con prestazioni elevate, e quindi il rafforzamento delle decisioni future basate sulle prestazioni passate di buone pratiche di gestione delle assunzioni. . Ciò alla fine eliminerà i pregiudizi nelle assunzioni.

Una delle cose che merita considerazione è l’idea di perpetuare pratiche passate che potrebbero essere distorte. Se tutto ciò che stiamo facendo è assumere come abbiamo fatto in passato e ci sono state pratiche di assunzione pregiudizievoli o distorte, ciò potrebbe promuovere pregiudizi istituzionali. Nel corso del tempo, abbiamo addestrato i computer a fare esattamente ciò che avrebbe fatto in passato un manager prevenuto. Se gli unici dati utilizzati (“addestrati”) per le assunzioni sono gli stessi dati selezionati in base a pregiudizi del passato, allora è difficile effettuare l’addestramento su dati che non siano distorti. Ad esempio, se identifichiamo il genere come un pregiudizio nel processo di assunzione ed eliminiamo la variabile genere dall’algoritmo, il genere non verrebbe considerato. Quando segnaliamo i pregiudizi precedenti, siamo in grado di ridurre al minimo i pregiudizi futuri.

Dovremmo verificare sfacciatamente se siamo in grado di identificare e imparare dalle pratiche di assunzione che potrebbero aver avuto pregiudizi in passato. Questo è uno dei maggiori punti di forza dell’applicazione di algoritmi di machine learning molto semplici nell’area delle assunzioni orarie.

E SE UN OBIETTIVO ESPLICITO È LA DIVERSITÀ? POSSIAMO ANCORA ASSUMERE I MIGLIORI?

Un aspetto del processo di assunzione che apre molte opportunità nel campo dell’intelligenza artificiale e dell’apprendimento automatico è l’implementazione della diversità.

L’intelligenza artificiale può davvero differenziarsi qui. L'apprendimento automatico può prendere le migliori decisioni di assunzione in base ai dati forniti; se hai obiettivi di diversità e desideri che le pratiche di assunzione incoraggino una popolazione lavorativa diversificata, è molto semplice scegliere i migliori candidati da qualunque popolazione sia importante per gli obiettivi aziendali. Ciò può essere fatto in modo trasparente e semplice. Non dà priorità a una persona rispetto a un'altra. Consente l'assunzione dei migliori candidati da ciascuna popolazione che sei interessato a rappresentare l'azienda.

Dopo un esame accurato e scientifico, l’apprendimento automatico può essere uno strumento molto prezioso per aumentare le decisioni di assunzione che i manager prendono ogni giorno e aiutare a capire quando i pregiudizi sono entrati nelle nostre decisioni e hanno prodotto molto meno del nostro meglio collettivo.

Fonte articolo originale: WRAL TechWire