Jak pewna firma wykorzystuje uczenie maszynowe, aby wyeliminować stronniczość z procesu rekrutacji

Data opublikowania: lipiec 31.2020

Komentarz wydawcy: Stuart Nisbet jest głównym analitykiem danych w Cadient Talent, firmie zajmującej się pozyskiwaniem talentów z siedzibą w Raleigh.

RALEIGH — W Cadient Talent codziennie stajemy przed pytaniem: jak wyeliminować stronniczość z procesu rekrutacji?

Jedynym sposobem poradzenia sobie z problemem lub uprzedzeniami jest przyznanie się do nich bezpośrednio, pod ścisłą kontrolą badań naukowych. Dzięki zastosowaniu uczenia maszynowego możemy dowiedzieć się, gdzie popełniliśmy błąd w przeszłości, co pozwala nam podejmować mniej stronnicze decyzje dotyczące zatrudnienia w przyszłości. Kiedy odkryjemy nieświadome lub nawet świadome uprzedzenia i nauczymy się działać lepiej w oparciu o bezstronne uczenie maszynowe, będziemy w stanie zrobić pierwszy krok w kierunku naprawienia zidentyfikowanego problemu.

CZYM JEST BIAS?

Stronniczość definiuje się jako uprzedzenie lub uprzedzenie na korzyść lub przeciw jednej rzeczy, osobie lub grupie w porównaniu z inną, zwykle w sposób uważany za niesprawiedliwy. Pomyśl o uprzedzeniach jako o trzech zestawach faktów: Pierwszy to zestaw obiektywnych faktów, które są powszechnie akceptowane. Drugi to zbiór faktów potwierdzających przekonania, zgodnie z tym, co dana osoba uważa za prawdę. Uprzedzenia pojawiają się na skrzyżowaniu obiektywnych faktów z faktami potwierdzającymi osobiste przekonania.

Poprzez selektywny wybór faktów potwierdzających określone przekonania i skupianie się na rzeczach, które je potwierdzają, pojawia się uprzedzenie. Jeśli spojrzymy na zatrudnianie z tej perspektywy i jeśli naszym celem jest usunięcie uprzedzeń z procesu rekrutacji, wówczas musimy wyeliminować osobisty wybór punktów danych uwzględnianych w procesie. Wszystkie punkty danych, które przyczyniają się do pozytywnego wyboru (zatrudnienie kandydata) lub negatywnego wyboru (odrzucenie kandydata) są uwzględniane w procesie, a wybór punktów danych i ich wag odbywa się obiektywnie na podstawie statystyk, a nie subiektywnie na podstawie ludzkiego wyboru.

W jaki sposób algorytmy komputerowe mogą nam w tym pomóc? Naszym celem jest zwiększenie inteligencji ludzi, w szczególności poprzez wykorzystanie doświadczeń i wcześniejszych ocen przy podejmowaniu wcześniejszych decyzji o zatrudnieniu, ze szczególnym naciskiem na te, które zakończyły się dobrymi decyzjami o zatrudnieniu. „Dobre zatrudnienie” można mierzyć na wiele sposobów, które nie wprowadzają niewłaściwych uprzedzeń, takich jak długowieczność pracowników. Jeśli nowy pracownik nie pozostanie na stanowisku zbyt długo, być może wysiłki rekrutacyjne nie zostały przeprowadzone dobrze i patrząc z perspektywy czasu, nie wybrałbyś tego kandydata. Jeśli jednak zatrudnisz kogoś, kto jest produktywny i zostanie w firmie na długi czas, taką osobę można uznać za dobrego pracownika.

DLACZEGO CHCEMY USUWAĆ BIZNESTY Z DECYZJI O ZATRUDNIENIU?

Chcemy wyeliminować uprzedzenia, gdy są one niezamierzone lub nie mają wpływu na to, czy pracownik będzie w stanie wykonywać swoją pracę w sposób zadowalający. Jeśli więc całą odpowiedzialnością menedżera ds. rekrutacji jest wykorzystanie swojej wiedzy i doświadczenia w celu określenia najlepszego dopasowania, dlaczego używamy uczenia maszynowego w celu wyeliminowania stronniczości? Ponieważ sztuczna inteligencja jedynie usuwa uprzedzenia w stosunku do cech kandydatów niezwiązanych z pracą i wspomaga decyzje w oparciu o odpowiednie cechy zawodowe, tam gdzie występuje odpowiednie uprzedzenie.

Naszym celem jest zatem uczynienie procesu rekrutacji jak najbardziej przejrzystym i uwzględnienie wszystkich zmiennych branych pod uwagę przy podejmowaniu decyzji o zatrudnieniu. Jest to niezwykle skomplikowane, jeśli nie niemożliwe, jeśli stosuje się wyłącznie podejście oparte na człowieku, ponieważ proces podejmowania decyzji przez menedżera ds. rekrutacji jest znacznie bardziej złożony i mniej zrozumiały niż w przypadku algorytmu uczenia maszynowego. Dlatego chcemy skupić się na sile prostoty algorytmu uczenia maszynowego; co oznacza, że chcemy uwzględnić w algorytmie jedynie zmienne, kolumny i fragmenty danych, które są istotne dla procesu rekrutacji i nie obejmują żadnych punktów danych, które nie są istotne dla wydajności.

Wynik oceny, na przykład poznawczy lub osobowości, może być bardzo ważnym punktem danych do rozważenia, czy oceniane cechy są istotne dla stanowiska. Bardzo ważne do rozważenia może być historia pracy i udokumentowane osiągnięcia na podobnych stanowiskach. Przeciwieństwo też jest bardzo wyraźne. Płeć, pochodzenie etniczne i wiek nie powinny mieć uzasadnionego wpływu na czyjąś pracę. Następny punkt jest krytyczny. Menedżer ds. rekrutacji nie może spotkać się z kandydatem podczas rozmowy kwalifikacyjnej i wiarygodnie stwierdzić, że nie rozpoznaje płci, pochodzenia etnicznego ani ogólnej kategorii wiekowej osoby siedzącej naprzeciwko. Bez względu na nasze intencje, jest to niezwykle trudne. I odwrotnie, jest to najłatwiejsze zadanie do wykonania przez algorytm.

Jeśli algorytm nie określi płci, pochodzenia etnicznego ani wieku, nie ma szans, aby te zmienne zostały uwzględnione przy podejmowaniu decyzji o zatrudnieniu. Obejmuje to zebranie istotnych danych, sprawdzenie komputerowe, jakie decyzje dotyczące zatrudnienia zostały podjęte w przeszłości, które zaowocowały długoterminowymi pracownikami o wysokich wynikach, a następnie wzmocnienie przyszłych decyzji w oparciu o dotychczasowe wyniki dobrych praktyk zarządzania rekrutacją . To ostatecznie wyeliminuje stronniczość w procesie zatrudniania.

Jedną z rzeczy wartych rozważenia jest pomysł utrwalenia praktyk z przeszłości, które mogłyby być stronnicze. Jeśli jedyne, co robimy, to zatrudnianie w taki sam sposób, jak zatrudnialiśmy w przeszłości, i jeśli stosowane były krzywdzące lub stronnicze praktyki zatrudniania, mogłoby to sprzyjać instytucjonalnej stronniczości. Z biegiem czasu wyszkoliliśmy komputery, aby robiły dokładnie to, co zrobiłby w przeszłości stronniczy menedżer. Jeśli jedyne dane wykorzystywane („trenowane”) do zatrudniania to te same dane, które zostały wybrane na podstawie uprzedzeń z przeszłości, trudno jest szkolić na danych, które nie są stronnicze. Na przykład, jeśli zidentyfikujemy płeć jako błąd w procesie rekrutacji i usuniemy zmienną dotyczącą płci z algorytmu, płeć nie będzie brana pod uwagę. Kiedy oznaczymy poprzednie uprzedzenia, jesteśmy w stanie zminimalizować przyszłe uprzedzenia.

Powinniśmy bezwstydnie sprawdzić, czy jesteśmy w stanie zidentyfikować praktyki zatrudniania, które w przeszłości mogły powodować uprzedzenia, i wyciągnąć z nich wnioski. To jeden z największych atutów stosowania bardzo prostych algorytmów uczenia maszynowego w obszarze zatrudniania godzinowego.

A CO JEŚLI WYRAŹNYM CELEM JEST RÓŻNORODNOŚĆ? CZY NADAL MOŻEMY ZATRUDNIĆ NAJLEPSZYCH?

Aspektem procesu rekrutacji, który otwiera wiele możliwości w obszarze sztucznej inteligencji i uczenia maszynowego, jest wdrażanie różnorodności.

Sztuczna inteligencja naprawdę może się tutaj wyróżnić. Uczenie maszynowe może podejmować najlepsze decyzje dotyczące zatrudnienia na podstawie dostarczonych danych; Jeśli Twoim celem jest różnorodność i chcesz, aby praktyki zatrudniania zachęcały zróżnicowaną populację pracowników, bardzo łatwo jest wybrać najlepszych kandydatów spośród populacji, które są ważne dla celów firmy. Można to zrobić w sposób przejrzysty i prosty. Nie stawia jednej osoby ponad drugą. Pozwala na zatrudnienie najlepszych kandydatów z każdej populacji, którą chcesz reprezentować firmę.

Po dokładnej analizie i badaniach naukowych uczenie maszynowe może okazać się bardzo cennym narzędziem ułatwiającym podejmowanie codziennych decyzji o zatrudnieniu przez menedżerów i pomagającym zrozumieć, kiedy w nasze decyzje wkradły się uprzedzenia, które przyniosły znacznie mniej niż nasze wspólne najlepsze wyniki.

Oryginalne źródło artykułu: WRALTechWire