15.09.2020 09:00

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.

Натан Мондрагон

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.