Мы живем в удивительную эпоху, когда автомобили приезжают к вам в любое время и в любом месте по цене чашки кофе; когда продукты и еда доставляются к входной двери. Тем не менее, когда дело доходит до поиска работы, что занимает большую часть нашей жизни и составляет часть нашей идентичности, мы все еще сталкиваемся с долгим, медленным и запутанным процессом, который длится уже несколько десятилетий. Традиционные методы найма устарели, неэффективны, непрозрачны и влияют на эффективность найма, что в конечном итоге влияет на прогресс в профессиональной жизни каждого.
С развитием вычислительных технологий и накоплением данных за десятилетия пришло время индустрии найма пойти по стопам многих предприятий и отраслей, где технологии и наука уже оказали огромное влияние, таких как электронная коммерция, здравоохранение, финансы и социальные сети. .
При найме самая трудная проблема, которую необходимо решить, — это предсказать «соответствие» между компанией, желающей нанять сотрудника, и потенциальным кандидатом. Другими словами, создать идеальное (или, как минимум, очень сильное) совпадение. Затем возникает проблема, как обучать алгоритмы обучения в этом чрезвычайно сложном пространстве, и хотя может показаться невозможным точно определить подходящего человека для конкретной работы, на самом деле даже простое сужение диапазона обнаружения кандидатов дает большой выигрыш в эффективности.
Почему так сложно нанять сотрудников
Существующие платформы машинного обучения стали невероятно искусными в предоставлении людям узконаправленных рекомендаций по продуктам, поскольку существуют хорошо разработанные приложения для захвата относительно статических характеристик продуктов, таких как жанры книг или фильмов, цвет и форма продуктов. Существует также большой объем прошлых покупок или поведения при просмотре, чтобы сформировать вкус и предпочтения каждого человека. При найме тот же тип алгоритма сопоставления гораздо сложнее, когда цель состоит в том, чтобы сопоставить человека с группой людей, каждый из которых имеет бесконечную глубину предпочтений и скрытых факторов принятия решения.
Кандидат на работу — сложный человек, и его трудно описать в пространстве «функций», как физический продукт, в то время как конец найма еще более сложен, потому что он учитывает не только человеческий фактор, но и групповую динамику, и каждый кандидат должен « подходят» как технически, так и культурно.
Вторая сложность связана с динамичным характером кандидатов и рабочих мест. Оба конца уравнения соответствия постоянно развиваются по мере того, как люди развивают навыки и опыт, а компании или предприятия развиваются по мере изменения рынков.
Также стоит отметить, что люди не так часто прыгают с места на место так на работе с полной занятостью (по сравнению, например, с легко доступными данными о закупочной деятельности), что еще больше ограничивает объем данных, доступных для продвинутое машинное обучение. Данные домена поиска работы или найма не только скудны, но и сильно фрагментированы. Люди часто ищут работу в одном месте, отправляют резюме из другого канала, а данные о взаимодействиях в основном хранятся в компаниях по найму, недоступных для платформы для обработки сквозной воронки для создания хороших алгоритмов обучения.
Наем сейчас и в будущем
В сфере найма технологические скачки сложны, но прогресс уже есть. Большая часть этого прогресса связана со способностью алгоритмов обучения выявлять закономерности в данных. Системы могут сканировать большую коллекцию кандидатов и использовать прогностические сигналы для выявления тех, кто подходит. Например, было замечено, что карьерные движения людей очень ритмичны: как будто в каждом из нас есть внутренние лейтмотивы или повторяющееся поведение, которое можно идентифицировать. Некоторые люди склонны прыгать, в то время как другие предпочитают оставаться на одном и том же месте. Эти шаблоны могут информировать рекрутеров о сроках появления кандидатов и предлагать возможности только тем, кто готов. Такой подход к моделированию дает лучший опыт кандидата и эффективность рекрутинга. Кроме того, достижения в технологии обработки естественного языка предоставляют мощный набор инструментов, помогающих компаниям сопоставлять опыт кандидатов с навыками, специальностями и лидерскими областями, чтобы подходящие кандидаты могли быть определены с уверенностью и точностью, сокращая как затраты, так и ресурсы в процессе найма.
Поскольку субъектом рекрутингового рынка является человек, машинное обучение может оказать негативное влияние: оно может повторить или даже усилить человеческие предубеждения в процессе, такие как дискриминация по полу или возрасту. Эти опасения справедливы, потому что машины учатся на данных о поведении и пытаются имитировать практику, однако мы сохраняем оптимизм в отношении того, что с данными машинное обучение также хорошо справляется с анализом условной вероятности, такой как предвзятость. С помощью хорошо структурированных алгоритмов обучения можно не только обнаружить предвзятость, но и настроить процесс на беспристрастный и более точный инструмент поддержки принятия решений.
Если мы посмотрим хотя бы через пять лет, мы увидим большие улучшения, когда компании и потенциальные кандидаты обратятся друг к другу с помощью ИИ или дополненного интеллекта. Мы ожидаем, что технология рекрутинга «человек в курсе» сократит время закрытия позиции. Мы также видим, что взаимодействие между теми, кто нанимает сотрудников, и кандидатами на работу будет дополнено ботами на естественном языке, которые могут обслуживать кандидатов или компании круглосуточно и без выходных, причем самым проницательным образом. Например, машинное обучение может помочь кандидатам анализировать различия между большим количеством потенциальных рабочих мест и прогнозировать результат конкретного выбора. Этот тип прозрачности, особенно в отношении информации, организованной для помощи людям, поможет кандидату принимать более рациональные решения и, таким образом, создать более счастливую рабочую среду.
Если мы заглянем на 10 лет вперед, рабочие места и рынок труда могут иметь для людей совсем другое значение. Кандидаты на работу и компании, желающие нанять сотрудников, смогут легко и интуитивно взаимодействовать друг с другом. Люди смогут найти «лучшую» работу, соответствующую их личному образу жизни, увлечениям и мотивации.
Машинное обучение и искусственный интеллект являются ключом к оптимизации многих отраслей, а не только найма, за счет автоматического извлечения массивных наборов данных, создания предиктивных выводов о поведении и прогнозов отношений. И хотя все это действительно меняет жизнь, есть одна ключевая нить, которая связывает все это вместе, и которую абсолютно невозможно вырвать из ткани — человеческий фактор. Особенно в рекрутинге, независимо от того, на каком этапе развития эти технологии достигнут, человеческий фактор останется важным. Люди всегда будут нести ответственность за понимание эмоций, применение интуиции и здравого смысла и вынесение этических суждений — качества, которыми никогда не будут обладать машины. И наоборот, машины способны выполнять вычисления со скоростью и масштабом, которые человеческий мозг никогда не сможет выполнить, поэтому идея человека плюс машина действительно является тем, как происходит волшебство, поскольку каждая сторона приносит что-то на стол, а другая никогда не будет. в состоянии освоить. Когда человек и машинный интеллект объединятся, именно тогда машинное обучение сможет определить будущее того, как мы нанимаем и как мы работаем.
