Применение машинного обучения к найму и продвижению сотрудников обещает устранить некоторые предубеждения, создаваемые современными методами, которые больше полагаются на человеческую интуицию. Какие предубеждения в процессе найма и продвижения кадров пытаются устранить системы HR-аналитики и как они это делают?
В процессе найма HR, как люди, может привнести множество предубеждений. Лежащие в основе нашего подсознания, эти предубеждения иногда могут приводить к недобросовестному трудоустройству. Согласно статье «Они наблюдают за вами на работе»: привлекательные работники имеют больше шансов получить работу и продвижение по службе, люди с большим ростом предпочтительнее, чем люди с низким ростом, ошибочно считается, что работники старшего возраста менее склонны к новым вещам, чем молодое поколение, и миллениалы часто воспринимаются как «имеющие право и неспособные мыслить нестандартно», что, как показывают исследования, противоположно. Все эти примеры показывают, что процесс найма полон предвзятости, потому что люди склонны использовать свой собственный опыт и сходство соискателя с ними в качестве критерия суждения.
Чтобы устранить эти предубеждения, система кадровой аналитики ввела в процесс алгоритмы машинного обучения: алгоритмы оценивают всех сотрудников и алгоритмы дадут более объективный результат. Электронный бейдж, упомянутый в статье, например, может сканировать движения сотрудника и предоставлять информацию об его навыках разговорной речи, степени увлеченности и экстраверсии, даже лидерских возможностях.
Какие новые предубеждения могут внести эти алгоритмы?
Однако этот новый метод не идеален. Способы реализации алгоритмов могут легко привести к новым искажениям в процессе управления человеческими ресурсами, потому что определенные типы данных по своей сути предвзяты. Например, Evolv, компания, занимающаяся разработкой алгоритмов для оценки сотрудников, решила не указывать расстояние от дома сотрудника до работы, «поскольку разные районы и города могут иметь разный расовый профиль, а это означает, что оценка расстояния от работы может нарушать равенство». стандарты возможностей трудоустройства». Аналогичные типы данных, такие как семейное положение, материнство и членство в церкви, также могут привести к новым искажениям.
Учитывая, что большинство из вас скоро будут проходить собеседование при приеме на работу, кажется ли вам справедливым такое применение машинного обучения к человеческим ресурсам? Какова ваша реакция?
Лично я считаю, что алгоритмы лучше судят, чем люди. Будучи иностранным студентом, я довольно много ощутил культурные различия в своей жизни. При нынешнем процессе найма эти культурные различия могут легко превратиться в предубеждения против меня. Если машинное обучение может помочь устранить потенциальные предубеждения и нанимать людей, основываясь на таких «истинных» достоинствах, как уровень интеллекта или способность быстро приспосабливаться, я бы принял это изменение. Хотя все еще находится в стадии разработки и имеет некоторые проблемы, такие как данные, которые создают предвзятость, которые нужно улучшить, я считаю, что машинное обучение справедливо.
использованная литература
Домингос, П. (2015). Мастер-алгоритм: как поиски совершенной обучающейся машины изменят наш мир. [PDF]. Получено с https://faculty.washington.edu/dlsinfo/info200/readings/master-algorithm-01.pdf
Пек, Д. (декабрь 2013 г.). Они наблюдают за вами на работе. [Веб-сайт]. Получено с http://www.theatlantic.com/magazine/archive/2013/12/theyre-watching-you-at-work/354681/
