Не проходит и дня, чтобы кто-нибудь не спросил: «Значит, Shortlist в основном использует искусственный интеллект для более быстрой проверки резюме?» Мой ответ: «Ну, не совсем…»
Нет никаких сомнений в том, что ИИ, нейронные сети, обработка естественного языка и машинное обучение переживают момент. Сейчас это блестящие новые игрушки в Силиконовой долине, и на то есть веские причины — их возможности огромны, и если видение будет реализовано, мир сильно изменится. И, без сомнения, есть ряд компаний, которые ищут способы применения ИИ, машинного обучения и связанных с ними концепций в рекрутинге.
Это правда, что мы включаем сложный анализ данных в наш скрининг. Мы собираем сотни точек данных от каждого кандидата и начинаем разрабатывать еще больше функций или переменных, которые могут предсказать, кто будет принят на работу, кто хорошо работает, а кто останется. Эти циклы обратной связи данных могут стать еще более мощными, поскольку мы нанимаем все больше и больше сотрудников у одного работодателя, узнавая, что им нравится и кто преуспевает в их компании.
Тем не менее, мы видим явные ограничения в применении машинного обучения и искусственного интеллекта для отбора кандидатов только на основе их резюме и профилей в социальных сетях, что резюмируется в старой пословице в области информатики: «мусор в мусоре». GIGO — это концепция, согласно которой любой результат может быть настолько хорош, насколько хороши входные данные, и, в конечном счете, любой алгоритм прогнозирования хорош настолько, насколько хороши входящие данные и результаты, которые вы прогнозируете. В этом случае самые причудливые новые решения на основе машинного обучения в рекрутинговой сфере используют данные резюме в качестве основного ввода и «сходство с другими кандидатами/сотрудниками» или с описанием работы в качестве прогнозируемого результата.
Но это недальновидно: показано, что резюме имеют лишь скромную прогностическую значимость для производительности на работе, если рассматривать их сами по себе. Конечно, предыдущий опыт может иметь значение, но само по себе резюме не может отразить индивидуальную производительность и вклад, необработанный талант, фактическую компетентность, мотивацию и множество других факторов, важных для оценки качества.
Существует также надоедливая реальность, заключающаяся в том, что они часто приукрашиваются и пишутся для того, чтобы их подхватывали механизмы скрининга, основанные на ключевых словах, что искажает анализ и результаты. Вспомните свой собственный опыт найма; сколько раз тот кандидат, который так хорошо выглядел на бумаге, разочаровывался в реальности? А были ли у вас когда-нибудь замечательные коллеги, которые не учились в хороших школах и не работали в модных корпорациях, но блистали в реальном мире? Так что не игнорируйте резюме, но и не полагайтесь исключительно на него!
И существуют ограничения на доступность «данных о результатах» — т. е. о том, как люди на самом деле эффективны после того, как приступили к работе? В конечном счете, вам нужны хорошие «обучающие данные» и время для создания хорошего алгоритма, а это значит, что вам нужен набор данных с интересующими вас результатами — т. е. какова была продуктивность человека на работе, оставался ли он на месте, был ли он отличным культура подходит? К сожалению, эти данные редко доступны при обучении алгоритма в контекстах рекрутинга.
Если вы не прогнозируете реальную производительность, фактическое удержание и фактические результаты, которые имеют значение, то вы сильно рискуете, что вы просто соответствуете статус-кво шаблону, который может закрепить те же ошибки найма, те же предубеждения, те же самые. отсутствие разнообразия, которое мы уже видим.
Но если данные резюме — это все, что у нас есть, что делать рекрутеру? Итак, мы можем начать генерировать новые данные и новые сигналы. Наша технология автоматизирует сбор десятков новых данных, созданных пользователями, — необработанных данных об опыте и ожидаемой заработной плате, данных о производительности, полученных в результате когнитивных тестов и тестов на компетентность, а также метаданных о как работает кандидат. через процесс, который можно добывать для мотивации, скорости, любопытства. По мере того, как мы используем эту сокровищницу новых данных в дополнение к традиционным данным резюме, мы еще больше воодушевлены обещаниями подходов машинного обучения, позволяющих понять их смысл, обеспечивая более точное соответствие как компаниям, так и кандидатам.
Итак, это захватывающее время для ИИ (особенно с учетом того, что мой блестящий брат присоединяется к одной из самых крутых ИИ-компаний — поздравляю, Том!), но я не думаю, что это будет самостоятельная серебряная пуля в рекрутинге в течение некоторого времени. . Люди слишком чертовски сложны.
