Hoe een bedrijf machine learning gebruikt om vooroordelen uit het wervingsproces te verwijderen

Datum gepubliceerd: 31 juli 2020

Noot van de redactie: Stuart Nisbet is hoofddatawetenschapper bij Cadient Talent, een talentacquisitiebedrijf gevestigd in Raleigh.

RALEIGH — Bij Cadient Talent is het een vraag waar we dagelijks mee worstelen: hoe elimineren we vooroordelen uit het wervingsproces?

De enige manier om een probleem of vooroordeel aan te pakken is door het frontaal te erkennen, onder toezicht van wetenschappelijk onderzoek. Door de toepassing van machinaal leren kunnen we leren waar we in het verleden fouten hebben gemaakt, waardoor we in de toekomst minder bevooroordeelde beslissingen kunnen nemen over de aanwerving. Wanneer we onbewuste vooroordelen, of zelfs bewuste vooroordelen, aan het licht brengen en onszelf leren om beter te presteren op basis van onbevooroordeeld machinaal leren, kunnen we de eerste stap zetten in de richting van het corrigeren van een geïdentificeerd probleem.

WAT IS VOORSPAARHEID?

Vooringenomenheid wordt gedefinieerd als een vooroordeel of een vooroordeel ten gunste van of tegen een ding, persoon of groep in vergelijking met een ander ding, meestal op een manier die als oneerlijk wordt beschouwd. Beschouw vooringenomenheid als drie reeksen feiten: de eerste is een reeks objectieve feiten die universeel worden aanvaard. De tweede is een reeks feiten die overtuigingen bevestigt, in overeenstemming met wat een individu gelooft dat waar is. Waar vooringenomenheid in beeld komt, is op het snijvlak van de objectieve feiten en de feiten die persoonlijke overtuigingen bevestigen.

Door selectief de feiten te kiezen die bepaalde overtuigingen bevestigen en je te concentreren op de dingen die die overtuigingen bevestigen, ontstaat er vooroordeel. Als we vanuit dat perspectief naar werving kijken, en als het ons doel is om vooringenomenheid uit het wervingsproces weg te nemen, dan moeten we de persoonlijke keuze verwijderen over welke datapunten in het proces worden opgenomen. Alle datapunten die bijdragen aan een positieve keuze (de sollicitant aannemen) of een negatieve keuze (de sollicitant afwijzen) worden in het proces meegenomen en het kiezen van de datapunten en hun gewichten gebeurt objectief via statistieken, niet subjectief via menselijke keuze.

Hoe kunnen computeralgoritmen ons hierbij helpen? Ons doel is om de intelligentie van mensen te kunnen vergroten, met name door gebruik te maken van de ervaringen en eerdere oordelen bij eerdere aanwervingsbeslissingen, met de nadruk op de beslissingen die hebben geresulteerd in goede aanwervingsbeslissingen. “Goede aanwerving” kan op een aantal manieren worden gemeten, zonder dat er sprake is van ongepaste vooroordelen, zoals de levensduur van werknemers. Als een nieuwe medewerker niet erg lang in functie blijft, is de wervingsinspanning misschien niet goed uitgevoerd en zou u achteraf gezien niet voor die sollicitant hebben gekozen. Maar als u iemand inhuurt die productief is en lang blijft, wordt die persoon als een goede aanwinst beschouwd.

WAAROM willen we vooringenomenheid verwijderen uit aanwervingsbeslissingen?

Wij willen vooringenomenheid wegnemen als deze onbedoeld is of geen invloed heeft op de vraag of een medewerker de functie naar tevredenheid zal kunnen uitoefenen. Dus als het de volledige verantwoordelijkheid van een rekruteringsmanager is om zijn kennis en ervaring toe te passen om de beste match te bepalen, waarom gebruiken we dan machine learning om vooroordelen te elimineren? Omdat kunstmatige intelligentie alleen de voorkeur voor niet-werkgerelateerde kenmerken van kandidaten wegneemt en beslissingen op basis van relevante werkkenmerken vergroot, als er sprake is van passende vooroordelen.

Ons doel is dan om het wervingsproces zo transparant mogelijk te maken en alle variabelen in overweging te nemen die worden gebruikt bij een wervingsbeslissing. Dat is extreem ingewikkeld, zo niet onmogelijk, als je niets anders hebt dan een menselijke aanpak, omdat de besluitvorming van een rekruteringsmanager veel complexer en minder begrepen is dan die van een machine learning-algoritme. We willen ons dus concentreren op de kracht van eenvoud in een machine learning-algoritme; Dit betekent dat we alleen naar variabelen, kolommen en stukjes gegevens in het algoritme willen kijken die relevant zijn voor het wervingsproces en geen gegevenspunten bevatten die niet relevant zijn voor de prestaties.

Een beoordelingsresultaat, bijvoorbeeld, of het nu cognitief of persoonlijkheidsgebaseerd is, kan een zeer geldig datapunt zijn om te overwegen of de beoordeelde eigenschappen relevant zijn voor de baan. Werkgeschiedenis en bewezen prestaties in vergelijkbare rollen kunnen erg belangrijk zijn om te overwegen. Het tegenovergestelde is ook heel duidelijk. Geslacht, etniciteit en leeftijd mogen geen legitieme invloed hebben op iemands werkprestaties. Dit volgende punt is van cruciaal belang. Een rekruteringsmanager kan een sollicitant niet ontmoeten tijdens een sollicitatiegesprek en op geloofwaardige wijze zeggen dat hij het geslacht, de etniciteit of de algemene leeftijdscategorie van de persoon die tegenover hem zit, niet herkent. Wat onze bedoelingen ook zijn, dit is ongelooflijk moeilijk om te doen. Omgekeerd is dit de gemakkelijkste taak die een algoritme kan uitvoeren.

Als het algoritme geen geslacht, etniciteit of leeftijd vermeldt, is er geen kans dat deze variabelen in de aanwervingsbeslissing worden betrokken. Dit omvat het binnenhalen van de relevante gegevens, het laten kijken door een computer naar welke aanwervingsbeslissingen in het verleden zijn genomen en die hebben geresulteerd in goed presterende werknemers voor de lange termijn, en vervolgens het versterken van toekomstige beslissingen op basis van de prestaties uit het verleden van goede aanwervingsmanagementpraktijken. . Dit zal uiteindelijk de vooringenomenheid bij het aannemen van personeel wegnemen.

Een van de dingen die aandacht verdienen is het idee om praktijken uit het verleden, die vooringenomen zouden kunnen zijn, in stand te houden. Als we alleen maar mensen aannemen zoals we dat in het verleden hebben gedaan en er sprake is van vooroordelen of bevooroordeelde wervingspraktijken, zou dat institutionele vooringenomenheid kunnen bevorderen. Door de tijd heen hebben we computers getraind om precies te doen wat een bevooroordeelde manager in het verleden zou hebben gedaan. Als de enige gegevens die worden gebruikt (“getraind”) voor aanwerving dezelfde gegevens zijn die zijn geselecteerd door vooroordelen uit het verleden, dan is het moeilijk om te trainen op gegevens die niet bevooroordeeld zijn. Als we bijvoorbeeld geslacht identificeren als een bias in het wervingsproces, en we de geslachtsvariabele uit het algoritme halen, wordt er geen rekening gehouden met geslacht. Wanneer we eerdere vooroordelen signaleren, kunnen we toekomstige vooroordelen minimaliseren.

We moeten onbeschaamd kijken of we in staat zijn om wervingspraktijken die in het verleden mogelijk vooroordelen hebben gehad, te identificeren en ervan te leren. Dit is een van de sterkste punten van het toepassen van zeer eenvoudige machine learning-algoritmen op het gebied van aanwerving per uur.

WAT ALS DIVERSITEIT EEN EXPLICIET DOEL IS? KUNNEN WE NOG DE BESTE INHUREN?

Een aspect van het wervingsproces dat veel kansen biedt op het gebied van kunstmatige intelligentie en machine learning is het implementeren van diversiteit.

Kunstmatige intelligentie kan zich hier echt onderscheiden. Machine learning kan de allerbeste wervingsbeslissingen nemen op basis van de gegevens die het krijgt; Als u diversiteitsdoelen heeft en wilt dat de aanwervingsprocedures een diverse beroepsbevolking aanmoedigen, is het heel eenvoudig om de beste kandidaten te kiezen uit de populaties die belangrijk zijn voor de bedrijfsdoelstellingen. Dit kan transparant en eenvoudig. Er wordt geen prioriteit gegeven aan de ene persoon boven de andere. Het maakt het mogelijk de allerbeste kandidaten aan te nemen uit elke populatie waarin u geïnteresseerd bent om het bedrijf te vertegenwoordigen.

Na nauwkeurig onderzoek en wetenschappelijk onderzoek kan machinaal leren een zeer waardevol hulpmiddel zijn om de beslissingen die managers elke dag nemen bij het aannemen van personeel te verbeteren en om te helpen begrijpen wanneer er vooringenomenheid in onze beslissingen zit en veel minder heeft opgeleverd dan ons collectieve beste.

Originele artikelbron: WRAL TechWire