Будь то интервьюер или интервьюируемый, общеизвестно, что процесс найма чреват непоследовательностью и врожденной человеческой предвзятостью.

Тот факт, что мы не развили этот процесс, усиливается тремя ключевыми сдвигами:

  • Учитывая объем соискателей на мировом рынке, компании не могут должным образом оценить всех поступающих кандидатов на работу, что приводит к предвзятым и/или случайным процессам фильтрации.
  • Большинству американских компаний требуется несколько месяцев, чтобы нанять лучших специалистов, которые исчезают с рынка в течение нескольких дней или недель.
  • Мир работы стал более изменчивым и сложным, в результате чего резюме, дипломы и средний балл намного меньше предсказывают производительность на динамичных рабочих местах сегодня.

Финансы и маркетинг входят в число отраслей, использующих огромные массивы данных для принятия более предсказуемых решений. Таким образом, при сборе данных на беспрецедентном в истории уровне пришло время трансформировать также процесс найма и оценки кандидатов.

Рассмотрим классическую оценку перед приемом на работу: более 100 вопросов, которые кажутся тестируемому повторяющимися. Тем не менее, для создателя оценки это минимум, необходимый для точного прогнозирования будущей эффективности, поскольку каждая новая точка данных снижает вероятность ошибки и увеличивает прогностическую силу оценки.

Введите ИИ.

Машинное обучение меняет способ использования данных в этой области, изменяя возможности компании по найму, а также опыт кандидата. В отличие от тестов с множественным выбором, большие объемы ценных данных можно собрать из таких источников, как видеоинтервью, задачи по программированию и игры. Четыре основных преимущества использования ИИ для поиска закономерностей в этих данных:

  • Консистенция. Приблизительно 93 % американцев считают, что они входят в число 50 % лучших водителей[1]. Точно так же люди думают, что они отличные интервьюеры, хотя на самом деле они очень непоследовательны и предвзяты. С помощью машинного обучения на структурированных собеседованиях или задачах кандидаты оцениваются по согласованному набору критериев. Это также устраняет тонкие бессознательные предубеждения, которые возникают в неструктурированных интервью, такие как предубеждение из-за сходства — если вы и кандидат учились в одной школе или имеете одинаковые хобби и т. д., вы с гораздо большей вероятностью порекомендуете их.
  • Справедливость. Алгоритмы машинного обучения позволяют систематически устранять предвзятость в отношении защищенных классов (возраст, раса, пол), что невозможно сделать с помощью оценщиков-людей. Если обнаруживается, что модель отрицательно влияет на определенные группы статистически значимым образом, любые признаки, связанные с идентификацией этой группы, могут быть удалены из модели.
  • Более точное прогнозирование эффективности. В отличие от традиционных оценок, которые часто предсказывают личностные качества, которые считаются необходимыми для данной роли, эта новая парадигма опирается на прямое предсказание производительности труда. Компании могут найти кандидатов, обладающих теми же навыками и характеристиками, что и их лучшие исполнители на определенную должность.
  • Эффективность. Помимо точности найма, использование ИИ ускоряет процесс найма для компаний, а также делает его более удобным и доступным для кандидатов. Например, одна международная гостиничная сеть сообщает, что их процесс найма сократился с 45 до 5 дней с момента внедрения видеоинтервью с ИИ, а Unilever сократила время найма с более чем одного месяца до двух недель с помощью игр и видеоинтервью.[2 ]

Прогностическая сила ИИ обещает сделать процесс найма более приятным и эффективным. Но в отличие от финансовой и маркетинговой отраслей, привлечение талантов должно гарантировать, что результаты их анализа не окажут неблагоприятного воздействия на защищенные группы.

Понимание того, почему и как алгоритм приходит к своим выводам, необходимо для внесения изменений, смягчающих такое неблагоприятное воздействие.

ИИ уже работает в компаниях по всему миру и меняет традиционный процесс найма. Огромный прирост эффективности и опыта кандидатов ставит компании, которые не адаптируются, в невыгодное положение, когда дело доходит до поиска лучших талантов.

Присоединяйтесь к более чем 25 000 человек, которые читают еженедельную рассылку 🤖Machine Learnings🤖, чтобы узнать, как ИИ повлияет на их работу.

Линдси Зулоага, доктор наук, специалист по данным в HireVue, ведущем поставщике программных решений для видеоаналитики, меняющих методы поиска, найма и развития талантов в компаниях.