Редакция Finparty

Все статьи автора

Как искусственный интеллект мешает нанимать нужные кадры

Цифровые платформы для собеседований избавляют рекрутеров от рутины. Но они же иногда мешают компаниям находить будущих звезд. Портал Efinancialcareers рассказывает о выходе, который предлагают ученые.

Сегодня, если вы хотите получить работу в инвестиционном банке, вам наверняка придется иметь дело с алгоритмами найма. Например, JP Morgan и Goldman Sachs используют Hirevue, цифровую платформу для проведения первичных интервью. 

Теоретически алгоритмы таких платформ должны быть предельно объективными. Но на практике они, как и люди, могут демонстрировать предвзятость, если проработаны недостаточно хорошо. Как показало новое исследование Массачусетского технологического института и Колумбийского университета, в большинстве случаев искусственный интеллект склонен выбирать кандидатов одного типа в ущерб остальным.

Обычно алгоритмы действуют по принципу контролируемого самообучения. Они обрабатывают информацию о лучших соискателях в прошлом и выявляют их типичные черты. Предполагается, что такими же качествами должны обладать новые сотрудники компании. Поэтому задача — находить тех, кто вписывается в получившиеся модели. 

Аналогичные подходы используются платформой Hirevue. По словам ее главного психолога Натана Мондрагона, система выявляет компетенции, характеристики и особенности поведения самых сильных специалистов, нанятых на ту или иную должность. Так формируется профиль идеального кандидата — собственный для каждой позиции. 

Во время цифровых интервью платформа фиксирует более 15 000 параметров. Например, это язык собеседования, словарный запас соискателя, движения его глаз, уровень стресса в голосе, способность запоминать информацию. По этим и другим пунктам претенденты на вакансию сравниваются с профилем идеального кандидата.

Авторы исследования не упоминают Hirevue напрямую, но отмечают, что именно алгоритмы описанного типа ведут к неприятию риска работодателями. «Полагаясь на контролируемое обучение, компании склонны выбирать из групп с проверенными характеристиками, а не рисковать с нетипичными соискателями», — пишут ученые.

И это создает определенные проблемы. С одной стороны, по мере развития бизнеса важно иногда пополнять команды теми, кто не вписывается в стандартные рамки, пробовать их потенциал. С другой — большинство западных банков стремятся к увеличению доли меньшинств среди успешных кандидатов. 

В качестве альтернативы обычному контролируемому обучению ученые рассмотрели алгоритм, известный как «контекстный бандит». Он позволяет оценивать соискателей с учетом дополнительного параметра — «исследовательского бонуса». Более высокие его значения присваиваются «редким» претендентам. Например, это могут быть люди определенного пола или расы, с тем или иным образованием или опытом. 

Система сама определяет степень редкости кандидата. А уже имеющиеся результаты найма используются для самообучения алгоритма в том числе по этому параметру. 

Анализ показал, что такой подход кардинально улучшает качество отбора с точки зрения охвата нетипичных аудиторий. В частности, среди успешных кандидатов доля латиноамериканцев и людей с черным цветом кожи увеличилась с 10% до 23%. Однако доля женщин, наоборот, уменьшилась с 50% до 39%. Мужчины «демонстрируют большую разнородность в таких аспектах, как география, образование или раса, поэтому у них выше средний уровень исследовательского бонуса», объясняют исследователи.

В любом случае «контекстный бандит» позволяет компаниям выявлять лучших соискателей в традиционно недопредставленных группах. С этой точки зрения он эффективнее как обычных алгоритмов, так и рекрутеров-людей.

Последние, как показывают наблюдения, склонны выбирать слабых кандидатов из числа меньшинств вместо сильных. А обычные алгоритмы на базе контролируемого обучения, в свою очередь, не учитывают потребности компаний в разнообразии команд.

Источник: Efinancialcareers