— это (1) набор алгоритмов, который (2) обучается на данных и далее (3) имитирует человека в решении конкретных задач. Набор алгоритмов — сейчас это практически только машинное обучение Данные — HR-метрики или оценочные критерии Решаемые задачи Решение рекрутёра (нанять / нет) Результативность Текучесть Уровень должности Компетенции Ценности Результаты тестов Повышение точности традиционных инструментов Разработка моделей компетенций и ценностей Автоматизация рутинных операций в рекрутменте: Поиск кандидатов Скрининг по телефону / в чатах Отсмотр видеоинтервью Выявление hipo / выгоревших Регрессия, кластеризация и классификация Random forest Бустинг Нейросети и глубокое обучение Генетические алгоритмы
личностных опросников) Традиционные опросники Опросники и технологиями машинного обучения (на примере delta.ai ЭКОПСИ) Человек отвечает, что он любит общаться с другими людьми Он получает балл к шкале «Экстраверсия» Человек в вопросе 1 отвечает, что он любит общаться с другими людьми + Человек в вопросе 32 отвечает, что он не любит достигать идеального результата Человек в вопросе 41 отвечает, что он помогает другим «на среднем уровне» + Он получает балл к шкале «Экстраверсия» Корреляция с оценками по компетенциям: 0,24 Корреляция с оценками по компетенциям: 0,38
Подход, основанный на данных (на примере DEEP от ЭКОПСИ) Группа менеджеров и HR’ов с помощью критических инцидентов и интервью формирует образ «идеального сотрудника» 1. Менеджеры оценивают компетенции сотрудников (именно в рамках исследования) 2. Менеджеры рейтингуют сотрудников по эффективности 3. ML отбирает компетенции, которые лучше всего различают эффективных и низкоэффективных Используются: регуляризованная регрессия, случайные леса, кластеризация нечётких множеств
в РФ Личностные опросники с ИИ Разработка моделей компетенций и предиктивных моделей Оценка по видео, голосу, в чатах Прогноз рисков, увольнений Большая тройка Большая четвёрка
данных Точность принятых решений Скорость принятия решений Но только 8% компаний используют ИИ в HR (Oracle, 2018). Причины: Мало данных или они низкого качества (нет возможности обучить модель) Необходимость адаптации ИИ-решений к конкретной компании (дороговизна и трудоёмкость) Недостаток экспертизы в аналитике данных и цифровизации у HR Неприятие сотрудниками Неприятие HR’ми (нас заменят) Но все эти проблемы можно в той или иной мере разрешить Точность традиционных моделей компетенций – до 65% Точность компетенций, разработанных с ИИ – до 80% Точность традиционных опросников в оценке компетенций – 0,24 Точность опросников с ИИ – 0,38 Снижается время выполнения рутинных операций в рекрутменте на 35-85%
гг. разрабатывал предиктивную модель для автоматизированной оценки резюме. Оценивались разработчики. С релизом модели и началом пользования выяснилось, что она дискриминирует женщин — даёт стабильно более высокие оценки мужчинам. Причина — данные, на которых обучалась модель, содержали в себе дискриминационные паттерны (мужчины разработчики получали более высокие оценки эффективности). Amazon изменил модель, чтобы сделать её более гендерно нейтральной. Но сотрудники и рынок уже были слишком негативно настроены против модели.
искажены Мужчины ставят более высокие оценки по эффективности другим мужчинам (Koch, D'Mello, & Sackett, 2015). Кандидаты с привлекательной внешностью имеют в два раза выше шанс получить работу (Hirevue, 2018). Женщины зарабатывают на 20% меньше мужчин на аналогичных должностях (Hegewisch & Liepmann, 2010). Оценщик составляет первое впечатление об участнике оценки в первую минуту (Kleinmann et al, 2018).
магазинов. Согласно результатам анализа данных, на данной должности более эффективны и дольше работают женщины старше 35 лет. Рекрутёры также чаще показывают руководителям «кустов» таких кандидатов. У компании есть возможность автоматизировать оценку резюме. Робот будет отправлять приглашения на собеседование людям с лучшими резюме. Компания сократит издержки на этот этап подбора. Женщины от 35 лет получат в этой оценке, в среднем, более высокие баллы. Вопрос – автоматизировать ли данную оценку? Да. Мы просто оцифруем то, что и так происходит в реальности. В потенциале это повысит эффективность организации, т.к. будут наняты более эффективные люди. Нет, пусть этот приоритет женщинам остаётся на уровне «человечной» оценки. Автоматизировать такое не стоит. Нет, пусть компания меняет свои бизнес-процессы, чтобы мужчины имели одинаковые с женщинами возможности. Автоматизация возможна только после этого.
паттерны даже если они связаны с эффективностью или текучестью. Есть существенные юридические риски (ТК, статья 3). Подобные модели лучше связывать с оценками по компетенциям, ценностям, способностям, чертам. Точность модели упадёт (т.к. появится «слой» между кандидатами и прогнозом их эффективности и текучести). Но зато снизится явная дискриминирующая направленность оценки.
автоматически оценивает кандидата по профилю его социальных сетей (по лайкам и текстам публичных сообщений VK / ОК / FB). Точность этой оценки – немного выше тестов и опросников. Можно быстро оценить личностные черты кандидата. При этом кандидат даёт согласие на такую оценку (доступ сервиса к его странице). Вопрос – стали бы вы использовать этот продукт в оценке кандидатов? Не для автоматического отсева, а для получения дополнительной информации (как личностные опросники). Да. Кандидат сам даёт согласие. К тому же, рекрутёры часто оценивают кандидатов по профилям его социальных сетей. Нет, это проникновение в частную жизнь человека. На есть продукт, который автоматически оценивает кандидата по фото его лица. Точность этой оценки – немного выше тестов и опросников. Можно быстро оценить личностные черты кандидата. При этом кандидат даёт согласие на такую оценку (отправляет своё фото). Вопрос – стали бы вы использовать этот продукт в оценке кандидатов? Не для автоматического отсева, а для получения дополнительной информации (как личностные опросники). Да. Мы и так бессознательно оцениваем человека по его лицу. Нет, это какая-то физиогномика.
для участника управляемой. Участник должен совершить действия для получения оценки (продемонстрировать свои силы). В этом смысле «оценка без оценки» – по цифровому следу, нейроактивности, фото – невозможна. Оценка должна проводится в профессиональном контексте. В этом смысле оценка по цифровому следу – невозможна.
провайдером модель для предсказания ухода сотрудников. Модель учитывает данные деловой переписки, время прихода и ухода на работу, количество отгулов. Результат – модель показывает, кто из сотрудников имеет самый высокий риск самостоятельного ухода в течение ближайших 6 месяцев. Точности модели можно доверять. Вопрос – что делать с сотрудниками, которые имеют очень высокий риск ухода (согласно данным модели)? Множественный выбор Оставить на усмотрение руководителя: он может провести встречу с сотрудником, чтобы узнать, что сейчас с ним происходит. Параллельно запустить поиск замены данному сотруднику. Организовать встречу с HRBP или другим представителем HR, для обсуждения текущей ситуации. Ничего не делать.
Blackbox – настолько сложные модели ИИ, которые невозможно расшифровать и понять, как они работают. Blackbox точнее т.н. whitebox’вых моделей (за счёт сложности). Например, в первой версии Echo (ЭКОПСИ) использовались 3 000 параметров для оценки видео. Результат – одна оценка по 100-балльной шкале (прогноз эффективности человека).
видеоинтервью кандидатов. Оцениваемая категория персонала – специалисты колл-центра. Процесс, к которому хочет прийти компания: Кандидат записывает видеоинтервью. Машина выделяет признаки на видеоинтервью, которые различают высокоэффективных и низкоэффективных сотрудников. Эти признаки – особенности речи и эмоций при ответе на вопросы про профессиональный опыт и ожидания. Каждый кандидат получает трёхбалльную оценку, отражающую прогноз его эффективности на позиции специалиста колл-центра. Кандидаты с низкой оценкой отсеваются из воронки. Остальные – остаются на усмотрение рекрутёра. У специалистов HR-департамента есть на выбор две модели: Точность 80%, «нерасшитый» блекбокс. Результат – только трёхбаллка для каждого кандидата, без расшифровки. Точность 65%, «расшитый» блекбокс. Результат – трёхбаллка для каждого кандидата + расшифровка по четырём оцениваемым качествам.
подробную обратную связь кандидату (именно по видеоинтервью): В оценке массовых специальной возможен блекбок. В оценке специалистов и менеджеров – только расшифровка.
оценке персонала 1. Номер HRTimes про ИИ в HR: https://www.ecopsy.ru/about/library/iskusstvennyy-intellekt-v-hr/ 2. Статья «3 тренда в оценке персонала, не оправдавших ожидания рынка: нейро-ассессмент, VR, цифровой след»: https://pif.ecopsy.ru/overhyped_trends 3. Статья «Building Ethical AI for Talent Management»: https://hbr.org/2019/11/building-ethical-ai-for-talent- management#comment-section 4. Статья «People Analytics and AI in the Workplace: Four Dimensions of Trust»: https://joshbersin.com/2019/05/the-ethics- of-ai-and-people-analytics-four-dimensions-of-trust/ 5. Научный обзор «Artificial Intelligence in Human Resources Management: Challenges and a Path Forward»: https://sci- hub.tw/https://doi.org/10.1177%2F0008125619867910
judithwg
daisan123
.jpg){kind=avatar}
ikuodanaka
shakupan
noritaka88tax
hirokiyamamoto14
fullkaiten
miraif
tomomasa
c0rp_mdm
xinghr
persolcareer
gatechnologies
dugsong
mfonobong
skipperchong
tapps
jlugia
techseoconnect
.jpg){kind=avatar}
cargoodrich
ks91
jeffersonlam
codingconduct
pwiseman
twada
