Демістифікація штучного інтелекту для HR-лідерів та екосистема HR/AI

На додаток до більшої технологічної доступності, організації тепер мають більше даних, які можна використовувати в моделях штучного інтелекту (ШІ). Більшість середніх і великих компаній мають сотні тисяч точок даних у своїх HR-інформаційних системах. У той же час, постачальники HR-технологій із платформами для розвідки талантів тепер мають доступ до даних безлічі великих компаній, як і даних, здобутих з інтернету, і налічують понад мільярди таких точок.

Ця революція створила можливості для HR-служб застосовувати ШІ та віднаходити операційні масштаби і стратегічні м’язи, які раніше були недосяжними. На жаль, низка гучних зловживань штучним інтелектом у процесі найму на роботу також отримала багато розголосу. Не заглиблюючись у конкретні питання цих випадків, ця стаття слугує своєрідним невеликим підручником для HR-лідерів і профільних експертів, який допоможе розпізнати та зрозуміти ШІ — що він означає, як розглядати ключові супутні елементи для забезпечення ефективного та етичного використання, а також поміркувати над деякими недооціненими варіантами його застосування.

Що під «капотом»?

Демістифікація штучного інтелекту — це ключ до кращої дискусії у HR-сфері. На жаль, значна частина розмов про ШІ в HR виникає через неповне або неточне розуміння технології. По-перше, навіть сам термін «штучний інтелект» може вводити в оману. Переважна більшість ШІ, що використовується сьогодні, відноситься до підкатегорії, яка називається машинним навчанням. Системи машинного навчання не є інтелектуальними за людськими стандартами, але працюють на основі статистичного процесу пошуку закономірностей (навчання).

Системи машинного навчання, або моделі, мають потенціал допомогти нам робити більш точні прогнози або створювати розумніші інструменти. Наприклад, якщо ви використовуєте пошту Google, електронні листи, які, ймовірно, є спамом, автоматично позначаються як спам. За лаштунками Google створив модель машинного навчання, яка «вчиться» за допомогою розпізнавання шаблонів — знаходить найпоширеніші атрибути електронних листів, які часто класифікуються як спам.

Ви можете уявити собі ситуацію, коли ви навчили модель машинного навчання, але електронні листи (дані), які ви використовували для навчання моделі, призвели до її збою. Можливо, не було достатньої кількості імейлів, щоб алгоритм машинного навчання зміг виявити статистичні закономірності. Ще гірше, можливо, імейли, позначені як спам, насправді не були спамом! Ось так виглядає погана модель штучного інтелекту, і як HR-лідер/професіонал ви, можливо, вже уявляєте собі ситуації в сфері управління персоналом, які можуть мати більш серйозні наслідки для реальних людей.

Екосистема HR/AI

Більшість «штучних інтелектів» насправді не є розумними за людськими мірками, тому нам не потрібно турбуватися про те, що Skynet поневолить людську расу в найближчому майбутньому. Натомість ризики та пастки, пов’язані з ШІ в HR, є більш нюансними та систематичними. Ставлення до ШІ не як до ізольованої технології, а як до ширшої екосистеми дозволяє HR-лідеру ставити кращі запитання щодо ефективності та етичності проєктів зі штучного інтелекту. Деякі ключові компоненти екосистеми HR/AI включають вхідні дані (навчальні дані), бізнес-проблему/питання, моделі, фахівця з даних, користувача і суб’єктів (співробітників/кандидатів).

Будь-яка окрема частина екосистеми HR/AI може працювати як єдина точка відмови. Вже наведений приклад із поганими навчальними даними може бути особливо руйнівним із точки зору різноманітності. Якщо набори даних про кандидатів або працівників, які використовуються для навчання моделей машинного навчання, не є репрезентативними для більш широкої сукупності суб’єктів, то моделі можуть посилити і масштабувати упередженість. Так само, як і в рамках більш широкої HR-аналітики, визначення правильних бізнес-проблем, що підлягають вирішенню, є ключовим для визначення цінності HR в ШІ.

Потенційно найбільш цікавими і малодослідженими компонентами екосистеми штучного інтелекту в HR є моделювальник, користувач і суб’єкти. Ці три складові можна вважати «механізмом прийняття рішень», який переводить ШІ в дію. Унікальність використання ШІ в HR полягає в тому, що, на відміну від багатьох технологій, орієнтованих на споживача, він не зупиняється на користувачеві. Для того щоб отримати користь від прогнозної моделі плинності кадрів, користувачеві необхідно додатково впливати на поведінку працівника або кандидата. Саме тут у гру вступають консультативна кмітливість HR та деякі науки про поведінку.

Деякі недооцінені варіанти використання HR/AI

Більшість ажіотажу навколо HR/AI обмежується невеликою кількістю кейсів використання, таких як автоматизований відбір резюме та моделі прогнозування плинності кадрів. Ці варіанти використання є потужними, але машинне навчання є неймовірно універсальною технологією, яку можна застосовувати для вирішення ширшого спектру проблем. Ось кілька менш відомих варіантів застосування, на які варто звернути увагу HR-практикам:

1. Створення ринків. Ринок талантів є однією з найцікавіших останніх інновацій у сфері HR. Більшість платформ для пошуку талантів працюють на основі даних про навички (тобто ШІ навчається на них), тому дуже важливо мати стратегію для збору, перевірки та управління цими даними. Не думайте про ринок талантів як про платформу для внутрішньої мобільності — штучний інтелект здатен створювати ринки для гіг-працівників, наставників і навіть сервісів команд усередині організації.

2. Сімейства посад і планування робочої сили. У багатьох організаціях назви посад і посадові інструкції є цілковитою плутаниною. Це ускладнює аналіз того, якими талантами володіє організація, і які таланти їй потрібні в майбутньому. Один із видів машинного навчання — неконтрольоване навчання — може бути використаний для зчитування даних з описів посад і їхнього об’єднання в кластери, створюючи таксономії сімейств посад на основі даних, які можуть бути використані для планування кадрового потенціалу.

3. Додавання барв в управління результативністю. У дуже цікавій науковій статті Ендрю Спіра (Andrew Speer) із Wayne State University описано новий метод вимірювання результативності роботи співробітників: більшість організацій мають багато даних у вигляді тексту в оцінках менеджерів, а також у відгуках колег і самооцінках, але це джерело даних не використовується повною мірою. Спір продемонстрував, що числові показники результативності, створені за допомогою обробки природної мови (NLP), мають високу кореляцію з людськими оцінками результативності.

За матеріалами "Demystifying AI for HR Leaders, and the HR / AI Ecosystem", People Analytics Blog.

Ілюстрація: linkedin.com