한 회사가 머신러닝을 사용해 채용 과정에서 편견을 제거하는 방법
게시 날짜:편집자 주: Stuart Nisbet은 Raleigh에 본사를 둔 인재 확보 회사인 Cadient Talent의 수석 데이터 과학자입니다.
롤리 — Cadient Talent에서 우리가 매일 씨름하는 질문은 바로 채용 과정에서 편견을 어떻게 제거할 것인가입니다.
문제나 편견을 해결하는 유일한 방법은 과학적 조사를 통해 이를 정면으로 인정하는 것입니다. 기계 학습의 적용을 통해 우리는 과거에 어디에서 실수를 했는지 학습할 수 있으므로 앞으로는 편견이 덜한 채용 결정을 내릴 수 있습니다. 무의식적인 편견, 심지어는 의식적인 편견을 발견하고 편견 없는 기계 학습을 기반으로 더 나은 결과를 얻을 수 있도록 교육할 때 식별된 문제를 해결하기 위한 첫 번째 단계를 밟을 수 있습니다.
편견이란 무엇입니까?
편견은 일반적으로 불공평하다고 간주되는 방식으로 한 사물, 사람 또는 집단을 다른 사물, 사람 또는 집단에 대해 찬성하거나 반대하는 선입견 또는 편견으로 정의됩니다. 편견을 세 가지 사실 집합으로 생각하십시오. 첫 번째는 보편적으로 인정되는 객관적인 사실 집합입니다. 두 번째는 개인이 진실이라고 믿는 것과 일치하여 믿음을 확인하는 일련의 사실입니다. 편견이 개입하는 곳은 객관적인 사실과 개인의 신념을 확인하는 사실 사이의 교차점입니다.
특정 신념을 확인하는 사실을 선택적으로 선택하고 그러한 신념을 확인하는 것에 집중함으로써 편견이 발생합니다. 그러한 관점에서 채용을 바라보고 채용 과정에서 편견을 제거하는 것이 우리의 목표라면 어떤 데이터 포인트가 프로세스에 포함될지에 대한 개인적인 선택을 제거해야 합니다. 긍정적인 선택(지원자 채용) 또는 부정적인 선택(지원자 거부)에 기여하는 모든 데이터 포인트가 프로세스에 포함되며 데이터 포인트 선택과 그 가중치는 인간의 선택을 통해 주관적으로 수행되는 것이 아니라 통계를 통해 객관적으로 수행됩니다.
컴퓨터 알고리즘이 이를 수행하는 데 어떻게 도움이 될 수 있습니까? 우리의 목표는 특히 과거 채용 결정에 대한 경험과 사전 판단을 사용하여 좋은 채용 결정을 내린 경험과 사전 판단을 강조함으로써 인간의 지능을 강화할 수 있는 것입니다. "좋은 채용"은 직원의 수명과 같은 부적절한 편견을 구현하지 않는 다양한 방법으로 측정할 수 있습니다. 신규 채용자가 오랫동안 근무하지 않는다면 채용 노력이 제대로 이루어지지 않았을 수 있으며, 돌이켜보면 해당 지원자를 선택하지 않았을 것입니다. 하지만 생산력이 뛰어나고 오래 일하는 사람을 채용한다면 그 사람은 좋은 채용으로 간주될 것입니다.
채용 결정에서 편견을 제거하려는 이유는 무엇입니까?
우리는 그것이 의도하지 않았거나 직원이 만족스러운 방식으로 업무를 수행할 수 있는지 여부와 아무런 관련이 없는 경우 편견을 제거하고 싶습니다. 그렇다면 채용 관리자의 전적인 책임이 자신의 지식과 경험을 적용하여 가장 적합한 사람을 결정하는 것이라면 왜 편견을 제거하기 위해 기계 학습을 사용합니까? 왜냐하면 인공 지능은 업무와 관련이 없는 후보자 속성에 대한 편견만 제거하고 적절한 편견이 있는 경우 관련 업무 특성을 기반으로 결정을 강화하기 때문입니다.
우리의 목표는 채용 과정을 최대한 투명하게 만들고 채용 결정에 사용되는 모든 변수를 고려하는 것입니다. 채용 관리자의 의사 결정은 기계 학습 알고리즘의 의사 결정보다 훨씬 더 복잡하고 이해하기 어렵기 때문에 인간 기반 접근 방식 외에는 아무것도 없다면 불가능하지는 않더라도 매우 복잡합니다. 따라서 우리는 기계 학습 알고리즘의 단순성의 강점에 초점을 맞추고 싶습니다. 이는 채용 프로세스와 관련된 알고리즘의 변수, 열 및 데이터 조각만 보고 성과와 관련되지 않은 데이터 포인트는 포함하지 않는다는 의미입니다.
예를 들어, 인지 기반이든 성격 기반이든 평가 결과는 평가되는 특성이 직무와 관련이 있는지 고려할 수 있는 매우 유효한 데이터 포인트가 될 수 있습니다. 유사한 역할을 수행한 경력과 입증된 성취도를 고려하는 것이 매우 중요할 수 있습니다. 그 반대도 매우 분명합니다. 성별, 민족, 연령은 누군가의 업무 성과에 정당한 영향을 미쳐서는 안 됩니다. 이 다음 사항이 중요합니다. 채용 관리자는 인터뷰에서 지원자를 만날 수 없으며 맞은편에 앉은 사람의 성별, 민족 또는 일반적인 연령 범주를 인식하지 못한다고 믿을만하게 말할 수 없습니다. 우리의 의도와 상관없이, 이것은 믿기 어려울 만큼 어려운 일입니다. 반대로, 이는 알고리즘이 수행하는 가장 쉬운 작업입니다.
알고리즘에 성별, 민족, 연령이 제공되지 않으면 해당 변수가 채용 결정에 반영될 가능성이 없습니다. 여기에는 관련 있는 데이터를 가져오고, 과거에 어떤 채용 결정이 내려져 장기 직원의 성과가 높았는지 컴퓨터가 살펴보고, 좋은 채용 관리 관행의 과거 성과를 기반으로 향후 결정을 강화하는 작업이 포함됩니다. . 이는 궁극적으로 채용에 대한 편견을 제거할 것입니다.
고려해야 할 것 중 하나는 편향될 수 있는 과거 관행을 영속시키는 아이디어입니다. 우리가 하는 일이 과거에 채용했던 것처럼 채용하는 것뿐이고 편견적이거나 편향된 채용 관행이 있었다면 이는 제도적 편견을 조장할 수 있습니다. 시간이 지나면서 우리는 편향된 관리자가 과거에 했을 일을 정확하게 수행하도록 컴퓨터를 훈련시켰습니다. 채용에 사용되는("훈련된") 유일한 데이터가 과거의 편견에 의해 선택된 것과 동일한 데이터라면, 편향되지 않은 데이터로 훈련하기가 어렵습니다. 예를 들어, 채용 과정에서 성별을 편견으로 식별하고 알고리즘에서 성별 변수를 제외하면 성별은 고려되지 않습니다. 이전 편견을 표시하면 미래의 편견을 최소화할 수 있습니다.
우리는 과거에 편견이 있었을 수 있는 채용 관행을 식별하고 배울 수 있는지 당당하게 살펴봐야 합니다. 이는 시간제 채용 분야에서 매우 간단한 머신러닝 알고리즘을 적용하는 것의 가장 큰 장점 중 하나입니다.
명시적인 목표가 다양성이라면 어떨까요? 여전히 최고의 인재를 채용할 수 있나요?
인공 지능 및 기계 학습 분야에서 많은 기회를 열어주는 채용 프로세스의 한 측면은 다양성을 구현하는 것입니다.
인공지능은 여기서 정말로 차별화될 수 있습니다. 기계 학습은 제공된 데이터를 기반으로 최상의 채용 결정을 내릴 수 있습니다. 다양성 목표가 있고 다양한 직장 인구를 장려하기 위한 채용 관행을 원한다면 기업 목표에 중요한 인구 집단 중에서 가장 적합한 후보자를 선택하는 것은 매우 간단합니다. 이는 투명하고 간단하게 이루어질 수 있습니다. 한 사람을 다른 사람보다 우선시하지 않습니다. 이를 통해 회사를 대표하는 데 관심이 있는 각 모집단에서 최고의 후보자를 채용할 수 있습니다.
면밀한 조사와 과학적 조사를 통해 머신러닝은 관리자가 매일 내리는 채용 결정을 강화하는 데 매우 귀중한 도구가 될 수 있으며, 편견이 우리의 결정에 개입하여 집단 최고 수준보다 훨씬 낮은 결과를 낳은 시기를 이해하는 데 도움이 됩니다.
원본 기사 출처: WRAL TechWire