(см. текст в предыдущей редакции)

Открыть полный текст документа

Оформляем прием на работу в 2021 году

Переход на электронные трудовые книжки начался в 2020 году. Работники писали заявления, выбирая форму ведения трудовой книжки. На тех, кто не подал соответствующее заявление, в 2021 году работодатели продолжают вести бумажные трудовые[1], а на работников, выбравших электронный вариант или впервые устраивающихся на работу, бумажную трудовую работодатели уже не заполняют.

Принимаем работника на работу в 2021 году

С января 2021 года несколько изменился алгоритм приема на работу.

Работники, которые выбрали предоставление сведений о трудовой деятельности (далее — СТД), при трудоустройстве, чтобы подтвердить свой стаж, кроме бумажной трудовой книжки должны будут предъявлять справку по форме СТД-ПФР или СТД-Р.

 Таким образом, в 2021 году оформление работника на работу должно начинаться с проверки способа ведения его трудовой книжки. Трудоустраиваясь, новый работник предоставляет работодателю следующие документы:

• только трудовую книжку — если он ранее не отказался от ее ведения, либо
• трудовую книжку и СТД.

Необходимо проверить последнюю запись в трудовой книжке работника. Она может быть:

• об увольнении с работы либо
• о подаче заявление на СТД.

В предоставляемой работником справке по форме СТД-ПФР надо проверить отметку об отказе от ведения бумажной трудовой книжки:

• если она есть — СТД ведутся только в электронном виде;
• если отметки нет — работодатель продолжает вести и СТД, и бумажную трудовую книжку.

Далее прием на работу оформляется, как и прежде: заключается трудовой договор с работником и издается приказ о приеме на работу. Но перед этим работник под роспись должен быть ознакомлен с Правилами внутреннего трудового распорядка и другими локальными нормативными актами работодателя, касающимися выполнения его должностных обязанностей.

Не позднее рабочего дня, следующего за днем издания приказа о принятии нового работника, работодатель обязан предоставить по нему отчет по форме СЗВ-ТД в Пенсионный фонд РФ.

Назначаем ответственного за ведение трудовых книжек в электронном и бумажном виде

С 2020 года в связи с введением электронной трудовой книжки у кадровиков появилась дополнительная работа: им нужно не только вести бумажные трудовые книжки работников, но и сдавать отчетность в Пенсионный фонд РФ.

Ответственного за ведение электронных и бумажных трудовых книжек назначает руководитель организации. Согласно Правилам ведения и хранения трудовых книжек, изготовления бланков трудовой книжки и обеспечения ими работодателей[2] ответственных за ведение и хранение бумажных трудовых книжек работодатель назначает соответствующим приказом. Тот же работник (или другой) аналогичным приказом может быть назначен ответственным и за передачу СТД в ПФР (пример 1).

Как заверить копию бумажной трудовой книжки в 2021 году

Правила заверения копии трудовой книжки в 2021 году не изменились. Напомним, что необходимо сделать, чтобы верно заверить копию трудовой книжки:

1. Отсканировать и распечатать (либо сделать ксерокопии) страницы трудовой книжки.

2. Пронумеровать страницы и сшить их.

3. Проставить на каждой странице штамп или сделать соответствующие записи вручную.

4. Заверить каждую страницу не только подписью ответственного работника, но и печатью организации (при наличии) (пример 2).

Категории работников, которые могут перейти на электронную трудовую книжку в 2021 году

Работники, у которых по объективным причинам не было возможности подать заявление о переходе на СТД до 31 декабря 2020 года включительно[3], вправе сделать это в любое время, подав работодателю по основному месту работы, в т. ч. при трудоустройстве, соответствующее письменное заявление[4].

К числу таких работников относятся:

• лица, которые не были трудоустроены в 2020 году;
• были на больничном, в отпуске по беременности и родам, отпуске по уходу за ребенком, т. е. не исполняли свои трудовые обязанности, но за ними было сохранено место работы.

 Обратите внимание, что данный список является открытым.

[1] Письмо Минтруда России от 10.02.2020 № 14-2/В-136.

[2] Утверждены Постановлением Правительства РФ от 16.04.2003 № 225 «О трудовых книжках» (в ред. от 25.03.2013).

[3] Пункт 6 ст. 2 Федерального закона от 16.12.2019 № 439-ФЗ «О внесении изменений в Трудовой кодекс Российской Федерации в части формирования сведений о трудовой деятельности в электронном виде» (далее — Федеральный закон № 439-ФЗ).

[4] Письмо Минтруда России от 12.08.2020 № 14-2/ООГ-12933.

И. И. Наделяева,
заместитель директора по управлению персоналом

Порядок приема на работу сотрудника и его оформление

Автор статьи: Судаков А.П.

Многие предприниматели нанимают на работу сотрудников, но не все знают, как эта процедура делается правильно. В этой статье мы детально распишем порядок приема на работу персонала и разберем все необходимые нюансы.

Введение

Все особенности приема на работу максимально корректно и точно описаны в ТКРФ. Мы рекомендуем вам изучить 10 и 11 главу кодекса, чтобы понимать все нюансы составления трудового договора. Также ознакомьтесь со статьей 66 ТК и постановлением Правительства РФ №225 “О Трудовых книжках”.

Первым делом проводится собеседование и отбор соискателей

Это позволит вам разобраться в процессе оформления сотрудников и оформлении первичной документации при приеме на работу.

Обратите внимание: правила и нормы трудового кодекса РФ действуют во всех федеральных образованиях. Все сотрудники оформляются одинаково: сезонные, временные, совместители, постоянные.

Прием на работу осуществляется по следующей схеме:

1. Соискатель проходит собеседование, вы определяете его компетенцию и изучаете резюме.
2. Если соискатель вам подходит, то он приносит все нужные документы для рассмотрения.
3. Соискатель пишет заявление о приеме на работу, указывая в нем соответствующую должность.
4. Проводится ознакомление сотрудника с нормативными документами, распорядком работы, внутренним уставом, рабочим местом, коллективом. В некоторых случаях ознакомление делается под роспись.
5. Составляется трудовой договор, он подписывается двумя сторонами. Трудовой договор может быть типовым или измененным под реалии предприятия.
6. Издается приказ о приеме нового работника. Приказ делается обязательно, поскольку его номер записывается в трудовую книжку.
7. Работник отдела кадров или сам предприниматель заполняет карточку на сотрудника. Она составляется по классической форме №2.
8. После заполнения карточки ОК составляет личное дело на сотрудника и делают запись в его трудовую. Все документы сотрудника хранятся в отделе кадров — они должны быть надежно защищены от потери.

Какие документы входят в личное дело

Теперь, когда вы знаете порядок оформления приема на работу, разберем как создается личное дело сотрудника. Сформировать его работник отдела кадров обязан сразу после приема соискателя на работу. В него входит:

1. Копии всех заполненных страниц паспорта соискателя.
2. Копия свидетельства о государственном пенсионном страховании.
3. Трудовая книжка.
4. Приписное свидетельство из военкомата или военный билет.
5. Диплом или другое свидетельство о полученном образовании (копии).

Обратите внимание: если вы оформляете сотрудника на первое место работы, то заполнять трудовую и свидетельство о страховании нужно будет именно вам.

Рабочая деятельность сотрудника начинается после подписания трудового договора

При устройстве на некоторые предприятия или специфические должности с сотрудника могут потребовать дополнительные документы. К примеру, для шоферов обязательной считается медицинская справка. При найме на госслужбу соискатель дополнительно должен заполнить анкету, в которой указываются данные о родственниках и прочие специфические моменты. Собирать личное дело сотрудник отдела кадров начинает сразу после написания заявления о приеме на работу — в него сразу же входят копии паспорта, диплома, трудовая и пр.

Знакомство работника с нормативными актами

После того как заявление от работника принято, а его кандидатура утверждена, необходимо ознакомить его с имеющимися нормативными актами и трудовыми обязанностями. Согласно ТКРФ, делать это необходимо до подписания обеими сторонами трудового договора. Мы рекомендуем делать это под роспись, а документ об ознакомлении приложить к личному делу. Почему именно так? Если в будущем у вас возникнут какие-то проблемы с сотрудником, то он уже не заявит, что “не знал” об определенных правилах, действующих на предприятии.

С чем должен быть ознакомлен новый сотрудник? В обязательном порядке с:

1. Расписанием режима работы, внутренним распорядком.
2. Всеми пунктами коллективного договора.
3. Должностными обязанностями и инструкциями.
4. Инструкциями по охране труда.

Если у вас на предприятии действуют другие акты и распорядки, то обязательно ознакомьте с ними рабочего. Его подпись может ставиться либо в журнале (который оформлен соответствующим образом) либо на отдельных листах.

Обратите внимание: в некоторых случаях акты могут являться приложениями к действующему трудовому договору. Когда работник подписывает его, он соглашается со всеми нормативами.

Ознакомление с документами должно проходить под подпись

Составление договора

Официально прием работника на работу оформляется посредством подписания договора. Он может быть:

1. Гражданско-правовым.
2. Трудовым.

Человек, который отвечает за найм сотрудников и их оформление, должен понимать отличия между этими понятиями. Гражданско-правовой договор позволяет нанять человека для решения определенных задач за конкретную заработную плату, никак не соотносящуюся с зарплатами и способом их выплаты в компании. Трудовой договор оформляется с работниками, которые оформляются на постоянную занятость.

Чтобы понять отличие этих двух договоров, разберем простой пример. У вас есть компания, в которой работает 10 человек. Вы решили расшириться и взять на производство еще двоих сотрудников, которые будут работать точно также, как и остальной коллектив. В этом случае оформляется трудовой договор. Но для того чтобы расшириться, вам нужно построить новый цех. Вы не хотите нанимать для этого стороннюю бригаду, а трудоустраиваете еще четверых сотрудников, которые будут работать именно над постройкой нового помещения. Вы платите им по сдельно-премиальной схеме в зависимости от проделанной работы.

Примечательно, что при приеме подобных сотрудников нет нужды составлять приказ и проводить их по всем документам. Также на сотрудников, подписавших гражданско-правовой договор, не распространяются многие социальные гарантии. Подобное оформление возможно только в некоторых случаях — набирать по нему основной персонал не рекомендуется.

Оформление трудового договора

Теперь давайте более детально разберем основные правила приема на работу и документальное оформление сотрудника. Итак, он уже написал заявление и ознакомился с действующими на предприятии нормативами. Теперь пришло время подписать трудовой договор. Он распечатывается в двух экземплярах — один остается у сотрудника, второй находится в отделе кадров. После этого работник может приступать к исполнению своих обязанностей. Если же необходимо, чтобы он вышел на работу прямо сегодня, то подписание соглашения можно отложить на срок до 3 дней.

Трудовой договор может иметь вложения с нормативными актами

В данном документе в обязательном порядке указываются следующие данные:

1. Полное название предприятия.
2. Название документа, дата его подписания, печать предприятия.
3. Дата вступления сотрудника в должность, дата начала действия документа.
4. Если сотрудник принимается на испытательный срок или по совместительству, то данные пункты должны быть прописаны в договоре.
5. Права сотрудника.
6. Обязанности сотрудника.
7. Права работодателя.
8. Обязанности работодателя.
9. Порядок оплаты труда, ключевая ставка.
10. Гарантии, которые обеспечиваются предприятием.
11. Распорядок работы, длительность отпуска.
12. Ответственность обеих сторон.
13. Условия, при которых договор может быть расторгнут.
14. Условия по страхованию сотрудника.
15. Решение спорных вопросов.

Обратите внимание: именно трудовой договор является ключевым документом, регулирующий отношения сотрудника и работодателя. Вы должны максимально подробно и четко прописывать в нем все требования и различные нюансы, касающиеся рабочих моментов.

Оформление приказа и личной карточки

После подписания ТД происходит официальное оформление на работу сотрудника путем издания соответствующего приказа. Форма приказа свободная. Этот документ печатается в трех экземплярах — один передается соискателю, второй подшивается в папку с приказами по предприятию, третий отправляется в отдел кадров. Помните, что приказ издается в день заключения трудового договора — разницы в датах быть не должно.

После приказа необходимо заполнить личную карточку на сотрудника. Для этого имеется установленная государственная форма №2. Она заполняется сотрудником отдела кадров на основании уже сформированного пакета документов. После этого работник обязан расписаться на ней, подтвердив, таким образом, правильность ее составления.

Последний этап оформления работника — внесение данных в его трудовую

Последним оформляется личное дело работника. В него вносится вся необходимая информация: ФИО, место жительства, место рождения, должность, контактные данные, образование, семейное положение. Впоследствии в личном деле указываются все необходимые дополнительные данные: повышение, выдача поощрений, выдача взысканий и пр.

После оформления сотрудник отдела кадров вносит изменения в трудовую книжку. В ней ставят дату приема на работу, должность и название компании. Книга хранится в отделе кадров и не выдается работнику на руки (при необходимости с нее делаются выписки). Ее выдают сотруднику только при увольнении, сделав соответствующую запись.

Частные случаи

Давайте разберем частные случаи трудоустройства, чтобы у вас не возникало с ними никаких проблем.

1. Трудоустройство на полставки. При этом трудовая книжка сотрудника остается на постоянном месте работы, а в трудовом договоре вы указываете количество часов, которое должен отработать соискатель и режим его работы. Все остальное делается точно так же, как и при оформлении обычного исполнителя.
2. Трудоустройство для студента или несовершеннолетнего. В этом случае оформление делается классическим способом, единственное, что при устройстве несовершеннолетних рекомендуется обзавестись разрешением от родителей. Обычно эти люди устраиваются на неполный рабочий день, к примеру, для студентов очной формы обучения нормой является 18-часовая занятость в неделю. Также студентам предоставляется 15 дней для сдачи сессии и 120 дней для сдачи госэкзаменов и написания диплома. В это время заработная плата сотрудникам не платится.
3. Трудоустройство людей с ограниченными возможностями делается на общих основаниях. В обязанности работодателя входит предоставление таким людям дополнительных отпусков: 60 календарных дней для 1 и 2 группы, 30 дней для всех остальных. Инвалид может работать не более 35 часов в неделю, причем его нельзя привлекать к физически сложной и ответственной работе.

Теперь вы знаете как принять на работу сотрудника и как его правильно оформить. Строго соблюдайте требования законодательства, обеспечьте безопасность хранения документов работника (особенно трудовых книжек) и следите за соблюдением всех пунктов трудового договора.

Facebook

Twitter

Вконтакте

Одноклассники

Google+

Все алгоритмы найма могут вызвать предвзятость

Предотвращают ли алгоритмы найма предвзятость или усиливают ее? Этот фундаментальный вопрос возник как точка напряжения между сторонниками технологии и ее скептиками, но найти ответ сложнее, чем кажется.

Наем редко является единичным решением, а скорее является кульминацией серии более мелких, последовательных решений. На протяжении этого процесса алгоритмы играют разные роли: одни направляют объявления о вакансиях определенным кандидатам, а другие помечают пассивных кандидатов для приема на работу.Инструменты прогнозирования анализируют и оценивают резюме, а также помогают менеджерам по найму по-новому оценивать компетенции кандидатов, используя как традиционные, так и новые данные.

Многие надеются, что алгоритмы помогут людям, принимающим решения, избежать собственных предрассудков, добавив последовательности в процесс найма. Но алгоритмы сами по себе создают новые риски. Они могут воспроизводить институциональные и исторические предубеждения, усиливая недостатки, скрывающиеся в таких точках данных, как посещаемость университета или оценки успеваемости.Даже если алгоритмы устраняют некоторую субъективность процесса найма, люди по-прежнему очень активно участвуют в принятии окончательных решений о найме. Аргументы, в соответствии с которыми «объективные» алгоритмы считаются более справедливыми и точными, чем люди, подверженные ошибкам, не в полной мере признают, что в большинстве случаев оба играют роль.

Понимание предвзятости в алгоритмах найма и способов его смягчения требует от нас изучения того, как работают прогностические технологии на каждом этапе процесса найма. Хотя они обычно разделяют основу машинного обучения, инструменты, которые использовались ранее в этом процессе, могут существенно отличаться от тех, которые использовались позже.Даже инструменты, которые кажутся выполняющими одну и ту же задачу, могут полагаться на совершенно разные типы данных или представлять прогнозы существенно разными способами.

Наш анализ инструментов прогнозирования в процессе найма помогает прояснить, что именно делают «алгоритмы найма», и где и как предвзятость может повлиять на этот процесс. К сожалению, мы обнаружили, что большинство алгоритмов найма по умолчанию смещаются в сторону предвзятости. Хотя их потенциал по снижению межличностной предвзятости не следует сбрасывать со счетов, только инструменты, которые проактивно устраняют более глубокие диспропорции, вселяют надежду на то, что технологии прогнозирования могут способствовать обеспечению справедливости, а не разрушать ее.

Формирование кадрового резерва

Процесс приема на работу начинается задолго до того, как соискатель подаст заявку. На этапе «поиска» или приема на работу технологии прогнозирования помогают рекламировать вакансии, уведомлять соискателей о потенциально привлекательных вакансиях и выявлять потенциальных кандидатов для рекрутеров для проактивного охвата.

Чтобы привлечь соискателей, многие работодатели используют алгоритмические рекламные платформы и доски объявлений о вакансиях, чтобы охватить наиболее «подходящих» соискателей.Эти системы, которые обещают работодателям более эффективное использование бюджетов найма, часто делают весьма поверхностные прогнозы: они предсказывают не то, кто добьется успеха на этой должности, а то, кто, скорее всего, нажмет на это объявление о вакансии.

Эти прогнозы могут привести к тому, что объявления о вакансиях будут размещаться таким образом, чтобы укреплять гендерные и расовые стереотипы, даже если работодатели не имеют таких намерений. В недавнем исследовании, которое мы провели вместе с коллегами из Северо-Восточного университета и Университета Южной Калифорнии, мы обнаружили, среди прочего, что объявления с широким таргетингом на Facebook о позициях кассиров в супермаркетах показывались аудитории из 85% женщин, в то время как вакансии в таксомоторных компаниях оставляли желать лучшего. аудитория, которая составляла примерно 75% чернокожих.Это типичный случай алгоритма, воспроизводящего систематическую ошибку из реального мира без вмешательства человека.

Между тем, персонализированные доски объявлений, такие как ZipRecruiter, нацелены на автоматическое изучение предпочтений рекрутеров и использование этих прогнозов для поиска похожих кандидатов. Как и Facebook, такие системы рекомендаций созданы специально для поиска и воспроизведения шаблонов в поведении пользователей, динамически обновляя прогнозы по мере взаимодействия работодателей и соискателей. Если система замечает, что рекрутеры чаще взаимодействуют с белыми мужчинами, она вполне может найти прокси для этих характеристик (например, называться Джаредом или играть в лакросс в старшей школе) и воспроизвести эту закономерность.Такого рода неблагоприятное воздействие может произойти без явных инструкций или, что еще хуже, без ведома кого-либо.

Алгоритмы поиска поставщиков вряд ли являются главной заботой большинства людей, когда они думают об «алгоритме найма». Но автоматизированные решения на этой ранней стадии воронки приема на работу широко распространены. Например, инструмент, который Amazon забраковал из-за того, что женщины находятся в неблагоприятном положении, был не инструментом отбора для оценки реальных кандидатов, а инструментом, который помогал выявлять пассивных кандидатов, к которым рекрутеры обращались.

Алгоритмы поиска могут не отклонять открыто кандидатов, но, как утверждала правовед Полин Ким, «не информирование людей о возможности трудоустройства является очень эффективным препятствием» для людей, ищущих работу. Эти инструменты не всегда могут вызывать антиутопические заголовки, но они играют решающую роль в определении того, кто вообще имеет доступ к процессу найма.

Сужение воронки

Когда начинают поступать заявки, работодатели стремятся сосредоточить внимание на самых сильных кандидатах. Хотя алгоритмы, используемые на этом этапе, часто представляют собой вспомогательные средства для принятия решений менеджерами по найму, в действительности они могут автоматически отклонять значительную часть кандидатов.

Некоторые из этих алгоритмов скрининга – это просто старые методы, одетые в новые технологии.Работодатели давно задают «нокаутные вопросы», чтобы установить, обладают ли кандидаты минимальной квалификацией; Теперь эту задачу выполняют чат-боты и инструменты анализа резюме. Другие инструменты идут дальше, используя машинное обучение для прогнозирования на основе прошлых проверочных решений, экономя время работодателей и, как утверждается, сводя к минимуму влияние человеческих предрассудков. На первый взгляд может показаться естественным, что инструменты скрининга моделируют прошлые решения о найме. Но эти решения часто отражают те самые модели, которые многие работодатели активно пытаются изменить с помощью инициатив разнообразия и интеграции.

Другие инструменты отбора включают машинное обучение, чтобы предсказать, какие кандидаты будут «успешными» на работе, что часто измеряется сигналами, связанными с сроком полномочий, производительностью или производительностью (или отсутствием сигналов, таких как опоздания или дисциплинарные меры). Новые инструменты в этой области утверждают, что помогают работодателям использовать более тонкие сигналы для своих прогнозов, такие как игровой процесс или видеоанализ.

Примечательно, что в Соединенных Штатах такие процедуры отбора подпадают под традиционные правила.Работодатели обязаны проверять свои инструменты оценки на предмет неблагоприятного воздействия на демографические подгруппы и могут нести ответственность за использование процедур, которые чрезмерно благоприятствуют определенной группе соискателей. Некоторые поставщики услуг по оценке подробно описывают шаги, которые они предпринимают для «снижения предвзятости» своих алгоритмов – шаги, которые также необходимы для обеспечения соответствия их клиентов закону.

Но сам процесс дифференциации высокоэффективных сотрудников от низкоэффективных часто отражает субъективные оценки, которые являются печально известным источником дискриминации на рабочих местах.Если лежащие в основе данные о производительности загрязнены сохраняющимися эффектами сексизма, расизма или других форм структурной предвзятости, устранение предвзятости в алгоритме найма, построенном на этих данных, является просто пластырем на гнойной ране. И если работодатель может доказать, что его инструмент выбора служит конкретным бизнес-интересам – относительно низкая планка – он может легко оправдать использование алгоритма выбора, который приводит к несправедливым результатам. Некоторые промышленно-организационные психологи, которые часто участвуют в разработке процедур найма, скептически относятся к тому, чтобы полагаться исключительно на теоретические корреляции в качестве основы для новых инструментов отбора, но ничто в текущих нормативных положениях не требует от работодателей делать намного больше.

Наконец, как только работодатель выбирает кандидата для приема на работу, другие инструменты прогнозирования стремятся помочь работодателю сделать предложение, которое кандидат, скорее всего, примет. Такие инструменты могут подорвать законы, запрещающие работодателям напрямую спрашивать об истории заработной платы, зафиксировать – или, по крайней мере, затруднить исправление – давнишние модели неравенства в оплате труда.

Изменение алгоритмов найма в сторону капитала

Несмотря на то, что действующее законодательство США накладывает некоторые ограничения на работодателей, использующих инструменты прогнозирования приема на работу, оно плохо приспособлено для устранения растущих рисков, связанных с инструментами найма, усовершенствованными с помощью машинного обучения.

Итак, как мы можем гарантировать, что алгоритмы найма действительно способствуют справедливости? Регулирование (которое происходит медленно) и передовые отраслевые практики (которые только зарождаются), безусловно, должны сыграть свою роль. Между тем, поставщики, создающие инструменты для прогнозирования найма, и работодатели, использующие их, должны думать на больше, чем минимальные требования соответствия . Они должны четко обдумать, действительно ли их алгоритмы приводят к более справедливым результатам найма. Прежде чем использовать какой-либо инструмент прогнозирования, они должны оценить, как субъективные критерии успеха могут отрицательно повлиять на прогнозы инструмента с течением времени.И помимо простой проверки на предмет неблагоприятных воздействий на этапе отбора, работодатели должны отслеживать свой конвейер от начала до конца, чтобы выявлять места, где скрытая предвзятость скрывается или возникает вновь.

Если те, кто рекламирует возможности алгоритмов для снижения предвзятости при найме на работу, не решат проактивно создавать и тестировать свои инструменты с этой целью, технология в лучшем случае будет изо всех сил пытаться выполнить это обещание – а в худшем – подорвать его.

Как работают алгоритмы рекрутинга?

Когда возникает тема искусственного интеллекта (ИИ), возникают две разные стороны. Одна сторона считает, что эти технологии нужно развивать осторожно, чтобы мы не оказались в каком-то неминуемом апокалипсисе а-ля Матрица или Терминатор. Другой не верит в эту точку зрения и считает, что нам нечего бояться новейших технологий, которые позволяют нам делегировать самые рутинные задачи машинам. И последняя точка зрения, кажется, касается всех секторов бизнеса .

Как и все остальное, область цифрового рекрутинга расширяется, несмотря на то, что процесс найма в значительной степени связан с эмоциональными навыками через людей, а не с прагматизмом через роботов.Фактически, несколько компаний сделали своим основным бизнесом продвижение эффективных технологических решений для найма, поиска идеального человека для заполнения вакансии или помощи сужению выбора на основе резюме.

Эти решения заманчивы для HR-отделов, потому что плохо рассчитанный прием на работу может дорого обойтись компаниям. Согласно последнему изданию Tilkee своего барометра привычек рекрутеров, рекрутер в настоящее время тратит в среднем 34 секунды на чтение резюме – на 21% меньше времени, чем в 2017 году, – что заставляет нас задаться вопросом, что алгоритм может сделать за 34 секунды.

Как работает технология?

Merriam-Webster определяет алгоритм как – процедуру решения математической задачи за конечное число шагов, которая часто включает повторение операции . Другими словами, мы должны представить маленького виртуального робота , который может применять с феноменальной скоростью правила, запрограммированные одним человеком, для выполнения задачи, выполнение которой у другого человека заняло бы гораздо больше времени. Затем мы добавляем измерение «машинное обучение» к этому определению и, в более широком смысле, к измерению ИИ.С этого момента наш маленький робот может теперь опираться на опыт своей работы, чтобы создавать новые правила для дальнейшего и более быстрого продвижения, как это делают люди, только на гораздо более эффективном уровне. Здесь мы будем говорить о прогнозной аналитике , используемой при найме на работу, где алгоритмы используются для прогнозирования будущей производительности сотрудников в их новых компаниях , и мы также будем различать поиск, фильтрацию и сопоставление алгоритмы.

Алгоритмы поиска

Они настроены для поиска в Интернете идеальных кандидатов на любую заданную работу.Они работают так же, как приложения для знакомств: компания перечисляет навыки, которые они ищут, а затем программное обеспечение использует алгоритм для анализа тысяч онлайн-резюме через LinkedIn или общедоступные базы данных. Выделяют наиболее совместимые и отправляют в отдел кадров. Все, что нужно сделать HR, – это связаться с людьми из списка. На рынке появляется все больше и больше подобных решений, таких как Yatedo Talent, которая позиционирует себя как « Google по подбору персонала. ”

Алгоритмы фильтрации

После того, как максимальное количество резюме собрано (алгоритмом поиска или HR), пора алгоритму фильтрации выполнить свою работу. Как следует из названия, они действуют как начальный фильтр . Они используют гипотезу соответствия в качестве первого фильтра и отправляют только наиболее квалифицированные профили лицу, отвечающему за набор. В этих обстоятельствах алгоритм не только анализирует информацию о резюме, но и расшифровывает используемую семантику путем экстраполяции оборотов фраз и слов, цель состоит в том, чтобы глубже изучить анализ кандидатов.

AssessFirst, компания, предлагающая решения для прогнозирующего найма, делает шаг вперед: на основе трех определяемых ими поведенческих критериев система ИИ может определить степень совместимости между кандидатом и будущим руководителем .

Алгоритмы сопоставления

Алгоритмы поиска и фильтрации были созданы, чтобы помочь службам набора персонала выполнять свою работу, но платформы алгоритмов сопоставления, такие как ZipRecruiter, функционируют как поисковая машина для людей, ищущих работу .Кандидаты публикуют свое резюме, которое затем анализируется с помощью прогнозного анализа, чтобы найти вакансии, которые лучше всего соответствуют навыкам, указанным в их резюме.

ZipRecruiter предлагает открытые вакансии с помощью алгоритма, и кандидат может выбирать из различных компаний. Но компании также участвуют, поскольку они будут получать отобранных кандидатов по тому же алгоритму, что улучшает классический процесс найма.

Преимущества использования AI

Лучшее реагирование для соискателей

Барометр Тилки также утверждает, что в среднем рекрутеру требуется 44 часа, чтобы связаться с кандидатом – довольно простой рекорд для программного обеспечения, которое может обрабатывать данные с феноменальной скоростью .Это более быстрое средство реагирования – ключевая добавленная стоимость для компаний – по крайней мере, когда речь идет о первоначальном контакте. С помощью этой технологии стопку резюме можно обработать до совершенства всего за несколько секунд, одновременно уменьшая вероятность ошибки.

Диапазон возможностей

На этапе поиска работы часто трудно представить себе настоящую работу. Проще выбрать легкий выход и ограничиться позициями, которые, по нашему мнению, больше соответствуют нашим желаниям и нашим навыкам.Алгоритм сопоставления может быть полезным для соискателей, поскольку, анализируя их резюме на более глубоком уровне, ИИ может предлагать вакансии, которые они не рассматривали бы, и, таким образом, открывает ряд возможностей. В конечном итоге в предложениях о работе выбираются лучшие профили, а не наоборот.

Интервью более высокого качества

Для предприятий алгоритмы могут предоставить информацию, выходящую за рамки того, что кто-то написал в своем резюме. Ранее мы говорили о семантическом анализе, который является сложной задачей для человека, если он не обучен, и даже если он обучен, вероятность ошибки будет слишком велика.Напротив, алгоритм становится более быстрым и эффективным после анализа каждого резюме.

Данные, которые можно извлечь с помощью семантических инструментов, могут предоставить больше информации о личности кандидата и его опыте, в зависимости от использования формулировок и технических терминов. На той же основе ИИ может легко выявлять проблемы с датами или местоположениями, которые человек может не обнаружить. Это облегчает компании организацию личного собеседования и подготовку более конкретных вопросов для соискателя.В целом, первый контакт будет проходить более плавно .

Ответ на дискриминацию?

На первый взгляд, доверие машине выполнять первоначальную сортировку кандидатов кажется обнадеживающим: машина не является расистской по своей природе. Он анализирует данные в чистом виде. Он устанавливает флажки и отправляет положительный или отрицательный ответ. Этого должно быть достаточно, чтобы успокоить всех, кто занимается наймом, не так ли? На самом деле все не так просто, и не все хорошо в мире предиктивной аналитики.

Почему алгоритмы все еще далеки от безошибочности

Дискриминационный алгоритм Amazon

Дискриминация при приеме на работу, даже когда машины выполняют важную работу по фильтрации, все еще присутствует. Хотя алгоритм по своей природе лишен мыслей, стереотипов и предрассудков, факт остается фактом: его конфигурация выполняется руками человека. В 2014 году Amazon начала изучать, может ли ИИ помочь отсортировать людей, претендующих на работу в компании. К следующему году стало ясно, что алгоритм одобряет только резюме, присланное мужчинами.Этот неожиданный результат позже был объяснен тем фактом, что система рассматривала заявки за предыдущие 10 лет, период, в течение которого мужчины доминировали в технологической индустрии, поэтому математические расчеты сделали вывод, что мужчины были более подходящими для этого типа. позиции.

Ошибка не имела ничего общего с каким-либо злым умыслом со стороны человека, настроившего алгоритм, но подчеркнула сложность построения идеального алгоритма (и слепого доверия к нему).В 2017 году Amazon свернула проект и вернулась к традиционным методам найма, отложив использование прогнозной аналитики для найма на более позднее время.

Эффект имитации

Прогнозная аналитика, дискриминирующая кандидатов на вакансию по их полу, не является повсеместной проблемой; это было специфично для Amazon и алгоритма, который они построили. Самая распространенная ошибка в ИИ, которая не уникальна для мира вербовки, – это эффект имитации .

Обычно для настройки алгоритма набора кадров отдел кадров вводит текущую информацию о сотрудниках, чтобы алгоритм мог построить профили идеальных кандидатов, которые соответствуют ценностям и духу компании.Это используется в надежде уменьшить количество ошибок при приеме на работу кого-то, чей профиль не соответствует идеалу компании. В результате алгоритм будет отдавать предпочтение кандидатам, которые ближе к тому, что он считает лучшими профилями, и, следовательно, значительно сокращает разнообразие соискателей . Естественно, это повлияет на разнообразие кандидатов с точки зрения опыта, навыков и личности.

Риск не увидеть целевые профили

Этот феномен «точной копии» не только снижает разнообразие внутри компании, но также имеет тенденцию игнорировать нетипичные профили, чьи резюме не отмечены правильно.Кандидату, выбравшему необычный карьерный путь, не повезет с первоначальной фильтрацией, если алгоритм основывает свои расчеты только на негибких параметрах, что потенциально лишает компанию высокопотенциального человека. С наибольшей вероятностью это испытают те, кто меняет карьеру. Может произойти и обратное: профиль, в котором отмечены все флажки, может помочь, но ценности кандидата могут не совпадать с ценностями компании.

Алгоритмы, хотя и многообещающие, далеки от того, чтобы полностью заменить кадровых агентов. Даже с точки зрения искусственного интеллекта, прогнозная аналитика остается всего лишь инструментом, запрограммированным и настроенным человеком . Если этому человеку не хватает доброй воли или предусмотрительности, алгоритм может легко различать на многих различных уровнях. С другой стороны, если алгоритм создан правильно, он может оказаться бесценным на первых этапах процесса подачи заявки.

Хотя алгоритмы приема на работу в настоящее время используются предприятиями в качестве «самонаводящихся устройств» для нахождения идеального профиля среди большого объема полученных резюме, они имеют ограничения при попытке количественно оценить личность человека.Когда встает вопрос об оценке личных навыков квалифицированного специалиста, который хочет, чтобы его наняли на ключевую работу с очень высокой заработной платой, люди, вероятно, всегда должны участвовать. На самом деле, когда дело доходит до выявления мягких навыков любого кандидата, нет ничего лучше эмоционального интеллекта, который технология искусственного интеллекта в настоящее время не может реализовать.

Рекрутинг уже перевернулся с помощью прогнозной аналитики, но определенные человеческие качества остаются лучшим средством оценки социальных и эмоциональных качеств других .Алгоритмы остаются на уровне помощников, выполняющих скучные и трудоемкие задачи, но может случиться так, что мы не видели последний из них, и однажды они будут использоваться для сбора информации из наших социальных сетей для формирования более сложный взгляд на наши личности. Кто знает…?

Иллюстрация MarcelSinge

Перевод Мэри Вагоннер-Мориц

Подпишитесь на «Добро пожаловать в джунгли» на Facebook, чтобы каждый день видеть наши статьи в своей ленте!

Рекрутеры используют ИИ при приеме на работу

С родителями, использующими искусственный интеллект для сканирования социальных сетей потенциальных нянь, и бесконечным множеством статей, объясняющих, как ваше резюме может «побить ботов», вы можете задаться вопросом, предложит ли вам робот вашу следующую работу.

Мы еще не достигли этого, но рекрутеры все чаще используют ИИ, чтобы сделать первый раунд сокращений и определить, рекламируется ли вам объявление о вакансии. Эти инструменты, которые часто обучаются на данных, собранных о предыдущих или аналогичных соискателях, могут сократить усилия, которые рекрутеры должны затратить для найма. В прошлом году 67 процентов менеджеров по найму и рекрутеров, опрошенных LinkedIn, заявили, что ИИ экономит им время.

Но критики утверждают, что такие системы могут вносить предвзятость, отсутствие подотчетности и прозрачности и их точность не гарантируется.Возьмем, к примеру, компанию HireVue из Юты, которая продает видео платформу для собеседований, которая может использовать искусственный интеллект для оценки кандидатов и, как утверждается, прогнозирования их шансов на успех на должности. Компания заявляет, что использует штатных психологов, чтобы помочь разработать индивидуальные алгоритмы оценки, которые отражают идеальные черты характера для конкретной роли, которую клиент (обычно компания) надеется нанять, например, торговый представитель или компьютерный инженер.

Затем этот алгоритм используется для анализа того, как отдельные кандидаты отвечают на заранее выбранные вопросы в записанном видеоинтервью, оценивая их вербальные ответы и, в некоторых случаях, движения лица. HireVue утверждает, что этот инструмент, которым пользуются около 100 клиентов, включая Hilton и Unilever, позволяет лучше прогнозировать эффективность работы, чем интервьюеры, проводящие такие же структурированные интервью.

Но в прошлом месяце юристы из Electronic Privacy Information Center (EPIC), некоммерческой организации по защите конфиденциальности, подали жалобу в Федеральную торговую комиссию, вынудив агентство расследовать деятельность компании на предмет возможной предвзятости, неточности и отсутствия прозрачности.Он также обвинил HireVue в «обмане», поскольку компания утверждает, что не использует распознавание лиц. (EPIC утверждает, что анализ лиц HireVue квалифицируется как распознавание лиц.)

Судебный процесс последовал за введением в Конгресс в начале этого года Закона об алгоритмической подотчетности, который предоставит Федеральной торговой комиссии право создавать правила для проверки так называемых «автоматизированных систем принятия решений» на предмет предвзятости. Между тем, согласно закону Bloomberg, Комиссия по равным возможностям при трудоустройстве (EEOC) – федеральное агентство, занимающееся проблемами дискриминации при приеме на работу – в настоящее время расследует как минимум два случая дискриминации, связанных с алгоритмами принятия решения о приеме на работу.

AI может появляться в процессе набора и приема на работу

Рекрутеры могут использовать искусственный интеллект на протяжении всего процесса приема на работу, от рекламы и привлечения потенциальных кандидатов до прогнозирования результатов работы кандидатов. «Как и в случае с цифровой рекламой в остальном мире, ИИ помогает ориентироваться на тех, кто видит, какие должностные инструкции [и] кто видит, какой маркетинг вакансий», – объясняет Аарон Рике, управляющий директор Upturn, некоммерческой исследовательской группы цифровых технологий из Вашингтона. .

И не только несколько отстающих компаний, например HireVue, используют интеллектуальный ИИ. Персонал отдела кадров Vox использует LinkedIn Recruiter, популярный инструмент, который использует искусственный интеллект для ранжирования кандидатов. Точно так же платформа вакансий ZipRecruiter использует ИИ для сопоставления кандидатов с соседними вакансиями, которые потенциально подходят, на основе черт, которыми соискатели поделились с платформой, таких как их перечисленные навыки, опыт и местоположение, и предыдущее взаимодействие между похожими кандидатами. и потенциальные работодатели.Например, поскольку в прошлом году я подал заявку на несколько репетиторских выступлений на ZipRecruiter в Сан-Франциско, я продолжал получать электронные письма с платформы, рекламирующие аналогичные вакансии в этом районе.

В целом компания заявляет, что ее искусственный интеллект обучен более чем 1,5 миллиардам взаимодействий между работодателями и кандидатами.

, такие как Arya, которые, как утверждают, использовались Home Depot и Dyson, пошли еще дальше, используя машинное обучение для поиска кандидатов на основе данных, которые могут быть доступны во внутренней базе данных компании, общедоступных досках вакансий, социальных платформах, таких как Facebook и LinkedIn и другие профили, доступные в открытой сети, например профили на сайтах профессиональных участников.

Arya утверждает, что она даже может предсказать, может ли сотрудник бросить старую работу и перейдет на новую, на основе собранных данных о кандидате, таких как их продвижение по службе, переход между предыдущими ролями и отраслями, а также прогнозируемая пригодность. новой должности, а также данные о роли и отрасли в целом.

Еще одно применение ИИ – просмотр материалов заявки, таких как резюме и оценки, чтобы рекомендовать, с какими кандидатами рекрутеры должны связаться в первую очередь.Сомен Мондал, генеральный директор и соучредитель одной из таких служб отбора и сопоставления, Ideal, говорит, что эти системы делают больше, чем просто автоматический поиск резюме по релевантным ключевым словам.

Например, Ideal может научиться понимать и сравнивать опыт резюме кандидатов, а затем ранжировать кандидатов по тому, насколько близко они соответствуют вакансии. «Это похоже на то, как рекрутер ищет в Google компанию [указанную в заявке] и узнает о ней», – объясняет Мондал, который говорит, что его платформа используется для отбора 5 миллионов кандидатов в месяц.

Но ИИ действует не только за кулисами. Если вы когда-либо подавали заявку на работу, а затем были вовлечены в текстовую беседу, есть вероятность, что вы разговариваете с ботом по подбору персонала . Чат-боты, использующие понимание естественного языка, созданные такими компаниями, как Mya, могут помочь автоматизировать процесс обращения к предыдущим кандидатам о новом открытии в компании или выяснения того, соответствует ли кандидат основным требованиям должности, таким как доступность, тем самым устраняя потребность в телефонных собеседованиях с людьми.Mya, например, может общаться с помощью текстовых сообщений и электронной почты, а также через приложения для обмена сообщениями, такие как Facebook и WhatsApp.

Еще одним быстрорастущим применением искусственного интеллекта при выборе работы является оценка талантов и личности. Одна из компаний, отстаивающих это приложение, – это Pymetrics, которая продает кандидатам компьютерные игры по нейробиологии (одна из таких игр включает нажатие клавиши пробела, когда на экране мигает красный кружок, а не зеленый).

Эти игры предназначены для прогнозирования «когнитивных и личностных качеств кандидатов».«Pymetrics сообщает на своем веб-сайте, что система изучает« миллионы точек данных », собранных в играх, чтобы сопоставить кандидатов с должностями, признанными подходящими, на основе алгоритмов прогнозирования Pymetrics.

говорят, что системы искусственного интеллекта быстрее и могут учитывать информацию, которую рекрутеры не могут быстро вычислить

Эти инструменты помогают отделам кадров быстрее работать с большим количеством кандидатов и, в конечном итоге, удешевляют найм. Сторонники говорят, что они могут быть более честными и тщательными, чем переутомленные рекрутеры, просматривающие сотни резюме и сопроводительных писем.

«Компании просто не могут пройти через приложения. И если они это сделают, они тратят в среднем три секунды », – говорит Мондал. «Есть целая проблема с эффективностью». Он утверждает, что использование системы искусственного интеллекта может гарантировать, что каждое резюме, по крайней мере, проверено. В конце концов, одно объявление о вакансии может привлечь тысячи заявок, причем огромная доля поступает от людей, которые совершенно не подходят для этой должности.

Такие инструменты могут автоматически распознавать черты в материалах заявки от предыдущих успешных приемов на работу и искать признаки этой черты среди материалов, представленных новыми кандидатами.Мондал говорит, что такие системы, как Ideal, могут учитывать от 16 до 25 факторов (или элементов) в каждом приложении, указывая на то, что, в отличие от людей, они могут рассчитывать что-то вроде расстояния до коммуны в миллисекундах.

«Вы можете начать настройку системы не только с людьми, которых вы пригласили на собеседование, или не только с людьми, которых вы наняли, но и с теми, кто в итоге преуспел на этой должности. Итак, это полный цикл, – объясняет Мондал. «Человеку очень сложно просматривать все эти данные на протяжении жизненного цикла кандидата.И [с AI] это делается за секунды ».

Эти системы обычно работают в масштабах выше, чем кадровый агент. Например, HireVue утверждает, что искусственный интеллект, используемый в ее видеоплатформе, оценивает «десятки тысяч факторов». Даже если компании используют один и тот же инструмент найма на основе искусственного интеллекта, они, скорее всего, используют систему, оптимизированную с учетом их собственных предпочтений при приеме на работу. Кроме того, алгоритм, вероятно, изменится, если его постоянно обучают на новых данных.

Другой сервис, Humantic, утверждает, что может получить представление о психологии кандидатов на основе их резюме, профилей LinkedIn и других текстовых данных, которые кандидат может добровольно предоставить, путем анализа и изучения их использования языка (продукт является вдохновлен областью психолингвистики).Идея состоит в том, чтобы исключить необходимость в дополнительных оценках личности. «Мы стараемся переработать уже имеющуюся информацию», – объясняет Амарприт Калкат, соучредитель компании. По его словам, сервисом пользуются более 100 компаний.

Сторонники этих инструментов набора также утверждают, что искусственный интеллект можно использовать, чтобы избежать человеческих предубеждений, таких как бессознательное предпочтение выпускников определенного университета или предубеждение против женщин или расового меньшинства. (Но ИИ часто усиливает предвзятость; подробнее об этом позже.Они утверждают, что ИИ может помочь вырезать – или абстрагироваться – информацию, относящуюся к личности кандидата, например, его имя, возраст, пол или школу, и более справедливо рассматривать кандидатов.

Мысль о том, что ИИ может подавить предвзятых людей – или, по крайней мере, добиться большего успеха, – вдохновила законодателей Калифорнии в начале этого года на внесение законопроекта, призывающего коллег-политиков изучить использование новых технологий, включая «искусственный интеллект и технологии на основе алгоритмов, », Чтобы« уменьшить предвзятость и дискриминацию при приеме на работу.”

Инструменты искусственного интеллекта отражают, кто их создает и обучает

Эти системы искусственного интеллекта хороши ровно настолько, насколько хороши данные, на которых они обучены, и люди, которые их создают. Если инструмент машинного обучения для проверки резюме обучен на исторических данных, таких как резюме, собранные у ранее нанятых компанией кандидатов, система унаследует как сознательные, так и неосознанные предпочтения менеджеров по найму, сделавших этот выбор. Такой подход может помочь найти звездных, высококвалифицированных кандидатов.Но Рике предупреждает, что метод также может обнаруживать «глупые закономерности, которые, тем не менее, являются реальными и заметными в наборе данных».

Один из таких инструментов для проверки резюме определил, что имя Джареда и игра в лакросс в старшей школе являются лучшими показателями эффективности работы, как сообщает Quartz.

Если вы бывший школьный игрок в лакросс по имени Джаред, этот инструмент может показаться не таким уж плохим. Но системы также могут научиться быть расистскими, сексистскими, эйджистскими и предвзятыми в других формах.Например, агентство Reuters сообщило в прошлом году, что Amazon создала алгоритм приема на работу, который непреднамеренно имел тенденцию отдавать предпочтение кандидатам-мужчинам, а не кандидатам-женщинам на определенные должности. Система была обучена на десятилетних резюме, представленных в компанию, которые, по сообщению Рейтер, были в основном от мужчин.

(Представитель Amazon сообщил Recode, что система никогда не использовалась и была заброшена по нескольким причинам, в том числе потому, что алгоритмы были примитивными и что модели случайным образом возвращали неквалифицированных кандидатов.)

Mondal говорит, что невозможно использовать эти системы без регулярного всестороннего аудита. Это потому, что даже если вы прямо проинструктируете инструмент машинного обучения не дискриминировать женщин, он может непреднамеренно научиться дискриминировать других доверенных лиц, связанных с женской принадлежностью, например, окончивших женский колледж.

«У вас должен быть способ убедиться, что вы не выбираете людей, которые сгруппированы определенным образом, и что вы нанимаете только эти типы людей», – говорит он. Обеспечение того, чтобы эти системы не вносили несправедливых предубеждений, означает частую проверку того, что новые сотрудники не представляют непропорционально одну демографическую группу.

Но есть скептицизм по поводу того, что усилия по устранению предвзятости алгоритмов и ИИ являются законченным решением. В отчете Upturn о справедливости и алгоритмах найма отмечается, что «лучшие практики [устранения предвзятости] еще не выкристаллизовались [и] [м] какие-либо методы фокусируются на индивидуальных защищаемых характеристиках, таких как пол или раса, и редко решают перекрестные проблемы, когда несколько защищенных черт производят сложные разнородные эффекты.”

А если вакансия рекламируется на такой онлайн-платформе, как Facebook, возможно, вы даже не увидите публикацию из-за предвзятости, создаваемой алгоритмами этой платформы . Также есть опасения, что системы, подобные HireVue, могут быть изначально построены так, чтобы дискриминировать людей с определенными ограниченными возможностями.

Критики также скептически относятся к тому, делают ли эти инструменты то, что они говорят, особенно когда они делают широкие заявления о «прогнозируемой» психологии, эмоциях и пригодности кандидата для должности.Адина Стерлинг, профессор организационного поведения в Стэнфорде, также отмечает, что алгоритм, если не разработать его тщательно, может привести его предпочтения к одному типу кандидатов. Такая система может упустить более нестандартного соискателя, который, тем не менее, может преуспеть, например, актера, ищущего работу в сфере продаж.

«Алгоритмы хороши для экономии на масштабе. Они плохо разбираются в нюансах », – объясняет она, добавляя, что не верит, что компании проявляют достаточную бдительность при изучении инструментов ИИ для найма, которые они используют, и проверке того, для чего эти системы фактически оптимизируют.

Кто регулирует эти инструменты?

Марк Жируар говорит, что системы искусственного интеллекта и алгоритмического отбора подпадают под Единое руководство по процедурам отбора сотрудников, руководство, установленное в 1978 году федеральными агентствами, которые определяют стандарты отбора компаний и оценки занятости.

Многие из этих инструментов искусственного интеллекта говорят, что они следуют правилу четырех пятых, статистическому «эмпирическому правилу», установленному в соответствии с этими руководящими принципами отбора сотрудников. Правило используется для сравнения показателей отбора демографических групп заявителей и исследования того, могли ли критерии отбора оказать неблагоприятное влияние на защищенную группу меньшинств.

Но эксперты отметили, что правило – это всего лишь один тест, и Рике подчеркивает, что его прохождение не означает, что эти инструменты ИИ будут делать то, что они утверждают. По его словам, система, которая выбирает кандидатов случайным образом, может пройти тест. Жируар объясняет, что до тех пор, пока инструмент не оказывает разрозненного влияния на расу или пол, на федеральном уровне не существует закона, требующего , чтобы такие инструменты ИИ работали должным образом.

В своем иске против HireVue EPIC утверждает, что компания не выполнила установленные руководящие принципы прозрачности ИИ, включая принципы искусственного интеллекта, изложенные Организацией экономического сотрудничества и развития, которые были одобрены U.S и 41 другая страна. HireVue сообщил Recode, что он следует стандартам, установленным Uniform Guidelines, а также руководящим принципам, установленным другими профессиональными организациями. Компания также заявляет, что ее системы обучены на разнообразном наборе данных, и что ее инструменты помогли клиентам увеличить разнообразие их сотрудников.

На уровне штата Иллинойс сделал первые шаги в продвижении прозрачного использования этих инструментов. В январе вступит в силу Закон о видеоинтервью с искусственным интеллектом, который требует, чтобы работодатели, использующие технологию видеоанализа на основе искусственного интеллекта, уведомляли, объясняли и получали согласие соискателей.

Тем не менее, Рике говорит, что немногие компании публикуют методологии, используемые в их аудитах предвзятости, в «значимых деталях». Он не знает ни одной компании, которая опубликовала бы результаты аудита, проведенного третьей стороной.

Тем временем сенаторы подтолкнули EEOC к расследованию, могут ли алгоритмы предвзятого анализа лица нарушать законы о борьбе с дискриминацией, а эксперты ранее предупреждали агентство о риске алгоритмической предвзятости. Но EEOC еще не выпустил никаких конкретных указаний относительно алгоритмического принятия решений или инструментов на основе искусственного интеллекта и не ответил на запрос Recode о комментариях.

Риеке действительно указал на один потенциальный потенциал роста для соискателей. Если однажды законодатели вынудят компании опубликовать результаты своих систем отбора персонала с использованием ИИ, кандидаты на работу смогут по-новому взглянуть на то, как улучшить свои приложения. Но что касается того, сделает ли ИИ окончательный выбор, Стерлинг говорит, что до этого еще далеко.

«Найм – это чрезвычайно социальный процесс», – объясняет она. «Компании не хотят отказываться от технологий».

Открытый исходный код стал возможным благодаря Omidyar Network.Все материалы с открытым исходным кодом редакционно независимы и созданы нашими журналистами.

Правда об алгоритмах отбора талантов

Что такое алгоритм отбора талантов?

Алгоритм отбора талантов – это сложный набор инструкций, который сообщает компьютерной программе, что именно следует искать в заявлении кандидата о приеме на работу и как решить, какие кандидаты наиболее перспективны, а какие должны быть исключены из поиска.

Алгоритм устраняет всю субъективную предвзятость на ранних этапах процесса приема на работу – только после того, как кандидат прошел первоначальный отбор, настоящий человек выполняет более глубокую оценку.К этому моменту вероятность проиграть качественным кандидатам из-за какой-либо формы предвзятости рекрутера резко снизилась.

Жестче, лучше, быстрее, сильнее

Алгоритмы рекрутинга уже были протестированы в большом масштабе с одной важной демографической группой: выпускниками университетов. Стандартная процедура приема на работу выпускников давно назрела для серьезных улучшений, что сделало ее желанным полем для новаторских экспериментов.

Этот процесс изобилует предвзятостью при приеме на работу, поскольку крупные корпорации традиционно нацелены на «лучшие» университеты при поиске выпускников.Такая практика не только несправедлива по своей сути, но и является неэффективным способом поиска наиболее качественных кандидатов.

Согласно ERE, немецкая компания-разработчик программного обеспечения SAP недавно провела полевые испытания алгоритма отбора талантов, разработанного для выявления более широкого круга кандидатов на должность продавца. В рамках этого процесса выпускники университетов со всего мира прошли тестирование с помощью недавно разработанного онлайн-тестирования SAP.

SAP искала приложения с помощью цифрового маркетинга и кампаний в социальных сетях, но вместо того, чтобы поручать сотрудникам вручную отсеивать и исключать резюме из рассмотрения, заявки обрабатывались с помощью онлайн-инструмента оценки.

В то время как руководство SAP было в восторге от способности алгоритма сузить область поиска для поиска очень специфических характеристик, кандидатам понравилась его почти мгновенная обратная связь, позволяющая им более эффективно использовать дни или недели, которые в противном случае они могли бы потратить в тревожном ожидании отклик.

Процесс состоял из двух двоичных тестов «годен / не годен», каждый из которых длился от десяти до двадцати минут. Первая оценка проверяла культурную пригодность – если кандидат сдавал экзамен, он получал доступ к тесту на ситуационную осведомленность.А если они пройдут второй тест, им позвонит рекрутер, чтобы устроить углубленную оценку (проводимую, конечно, человеком).

Результаты

Хотя все это может показаться невероятно простым и оптимизированным, реальность такова, что создание онлайн-теста потребовало серьезного исследования, поскольку компания особо подчеркнула важность точного определения того, «что« отлично »выглядит в SAP. . »

Тем не менее, результаты говорят сами за себя:

1.Было получено и рассмотрено более 50 000 заявок, в результате чего компания наняла 500 человек по всему миру.

2. Процент отклоненных заявок снизился с 93% до 25%, что означает, что гораздо большее количество ценных кандидатов продолжили процесс подачи заявок и в конечном итоге были приняты на работу.

3. Экономия затрат компании только на набор персонала прогнозировалась на уровне более 250 000 фунтов стерлингов в первый же год после внедрения алгоритма.

4. В SAP не поступало претензий к процессу.Напротив, выпускники в целом высоко оценили онлайн-инструменты: 75% заявили, что они повысили мотивацию к подаче заявки, а 88% заявили, что были более вовлечены в процесс, чем с другими, с которыми они сталкивались.

Будущее найма

Нет сомнений в том, что алгоритмический отбор кандидатов представляет будущее найма, обещая более эффективный и увлекательный процесс найма как для кандидатов, так и для рекрутеров.

Если вас привлекает идея алгоритма отбора талантов и вы хотите наладить современный процесс найма, разработка процесса набора по видео с помощью LaunchPad может быть решением для вашего бизнеса.Сервис видео-интервью LaunchPad оптимизирует и сокращает время приема на работу, а также улучшает качество приема на работу, облегчая эффективный процесс отбора.

Разве это реальность любого бизнеса?

Хотя за этим подходом может быть будущее, мы считаем, что последовательный подход к проверке пригодности кандидата не подлежит обсуждению прямо сейчас. Технологии могут гарантировать, что у вас будет последовательный, этичный и строгий процесс. А для LaunchPad движение к подходу, устраняющему предвзятость при найме на работу, является истинным стремлением.

Смотрите это пространство!

Алгоритмы, основанные на исследованиях, могут улучшить качество найма и разнообразие

Массачусетского технологического института разработали новый подход к использованию алгоритмов в процессе найма, который может помочь компаниям привлекать таланты из более разнообразного пула соискателей. Такой подход дает более чем в три раза больше кандидатов темнокожего и латиноамериканского происхождения, чем компании, возможно, рассматривали, используя традиционные алгоритмы проверки резюме.Алгоритм также генерирует набор респондентов, которые с большей вероятностью получат и примут предложение о работе, что может помочь компаниям упростить процесс найма. В новом рабочем документе «Наем как разведка» подробно описаны результаты.

Фирмы все чаще обращаются к алгоритмам, которые помогают им принимать решения о приеме на работу. Алгоритмы обещают сэкономить время фирм – они могут обрабатывать тысячи заявок намного быстрее, чем кадровый агент, – а также потенциально улучшить решения по проверке, обнаруживая предикторы эффективности кандидатов, которые люди могут пропустить.

Традиционные алгоритмы найма ищут характеристики соискателя, которые предсказывают будущий успех, на основе набора исторических данных обучения кандидатов, которые были проинтервьюированы или наняты в прошлом. Этот тип подхода, известный как контролируемое обучение, хорошо работает, когда фирмы имеют много данных о прошлых кандидатах, и когда качества, которые предсказывают прошлый успех, продолжают предсказывать будущий успех. Тем не менее, есть много случаев, когда оба эти предположения могут не соответствовать действительности. Например, кандидаты из нетрадиционных источников могут быть недостаточно представлены в наборе обучающих данных, что затрудняет точное прогнозирование результатов деятельности фирм.Более того, со временем требования к навыкам могут измениться: фирмы, нанимающие работников в 2020 году, могут уделять больше внимания способности сотрудника эффективно работать в удаленной среде.

«Статические подходы к обучению с учителем могут подтолкнуть компании к повторению того, что было успешным в прошлом, и это может уменьшить возможности для людей с нетрадиционным происхождением», – сказала доцент Слоан Массачусетского технологического института Даниэль Ли, которая проводила исследование с кандидатом наук Линдси Р. Раймонд и доцент Колумбийского университета Питер Бергман.«Вам нужно рассматривать прием на работу как динамическую проблему обучения, чтобы узнать больше о качестве кандидатов, о которых вы меньше знаете, чтобы принимать более обоснованные решения о найме в будущем».

Некоторые исследования показали, что более разнообразные команды лучше для бизнеса. Когда руководящие группы имеют разное происхождение – не только пол и расу, но и карьерный рост и образование, – компании сообщают о большей вероятности инноваций (согласно опросу Boston Consulting Group), доходам выше среднего (заключение исследования McKinsey & Company ), а также рост цен на их акции (согласно исследованиям Стэнфордского университета).

Кроме того, исследование Weber Shandwick показало, что молодые работники все чаще рассматривают разнообразие и открытость как важный фактор при поиске работы. Это говорит о том, что фирмы, которые не стремятся к увеличению разнообразия, могут иметь проблемы с привлечением талантливых специалистов, говорится в исследовании.

Нам было интересно посмотреть, как дизайн алгоритма влияет на доступ к возможностям.

Попытки увеличить разнообразие при приеме на работу сталкиваются с проблемами, когда фирмы используют традиционные методы машинного обучения для отбора кандидатов на работу.Эти алгоритмы сосредоточены на отборе лучших сотрудников на основе того, что фирма знает прямо сейчас, а не на рассмотрении возможности того, что это может привести к отказу от квалифицированных кандидатов из нетрадиционных источников, которые недостаточно представлены в ее исторических данных. Ли и соавторы считают, что компаниям следует найти лучший баланс между наймом из групп с подтвержденным послужным списком и шансом на кандидатов из менее представленных групп, чтобы узнать об их способностях.

«Машинное обучение все чаще используется для принятия решений – для оценки кредитоспособности, получения медицинской помощи и приема на работу», – сказал Ли. «Нам было интересно посмотреть, как разработка алгоритмов влияет на доступ к возможностям».

Чтобы решить эту проблему, Ли рассматривал прием на работу как динамическую проблему обучения, анализируя кандидатов на основе их потенциала роста или стоимости опционов. Алгоритм команды назначает так называемый «бонус за разведку» для выявления кандидатов, о качестве которых фирма знает меньше всего (с учетом имеющихся данных).Эти кандидаты могут быть редкими из-за их образования, опыта работы или демографии, но всех их объединяет одна общая черта: поскольку компания так мало знает о них, можно извлечь максимальную пользу, дав им шанс. Это называется «наем как исследование», поскольку, как выразился Ли, «никогда не знаешь, если не попробуешь».

Ли, Раймонд и Бергман затем применили алгоритм динамического обучения к выборке данных из почти 90 000 заявлений о приеме на работу, которые одна компания из списка Fortune 500 получила в течение 40 месяцев.Исследователи сравнили свои результаты («модель, ориентированная на исследования») с результатами двух типов алгоритмов статического обучения – одного, который никогда не изменялся, а другого, который был обновлен после приема 100 кандидатов («модели контролируемого обучения»), – и с окончательные решения фирмы по собеседованию и найму. Фирма была очень разборчивой; она отклонила примерно 95% кандидатов на основе первоначального экрана резюме, и только 10% кандидатов, прошедших проверку, приняли предложение о работе.

Согласно алгоритму, основанному на исследовании, 25% кандидатов, отобранных для собеседования, были наняты, по сравнению с 10% с использованием кадровых агентов.

При использовании моделей обучения с учителем примерно 2% кандидатов, прошедших первоначальную проверку резюме, были чернокожими, а менее 5% – латиноамериканцами. В рамках модели, ориентированной на геологоразведку, акции выросли до 14% и 10% соответственно.

«Это не потому, что алгоритмы ищут их, а потому, что кандидаты более редки, а алгоритмы их больше исследуют», – сказал Ли, отметив, что алгоритм предназначен только для максимального качества, без каких-либо предпочтений по признаку пола или этнической принадлежности. разнообразие.

«Компании и рекрутеры не должны ничего говорить о своих предпочтениях в отношении демографии или истории работы», – сказала она. «Алгоритмы позволяют решить, какие виды разнообразия исследовать».

Модель динамического обучения продемонстрировала еще одно преимущество. Уровень найма среди кандидатов, отобранных с помощью алгоритмов, составлял 25% по сравнению с 10% для кандидатов, выбранных рекрутерами. Такой результат позволил бы фирмам назначать меньше собеседований для заполнения вакансии.Ли сказал, что это также может увести фирму от продолжения отбора большого числа кандидатов на работу, которые вряд ли согласятся принять должность, потому что у них есть конкурирующие предложения о работе на столе – например, практика набора выпускников MBA из высококлассных программ для консультирования или роли финансовых служб.

«Никто не думает, что вне Лиги плюща нет талантливых людей. Вопрос в том, как их найти? » – сказал Ли. «Мы создали инструмент, который позволяет нам идентифицировать людей из групп, которые, возможно, традиционно игнорировались.”

Amazon отказывается от секретного инструмента рекрутинга AI, который показал предвзятое отношение к женщинам

САН-ФРАНЦИСКО (Рейтер) – Специалисты по машинному обучению AMZN.O Amazon.com Inc. обнаружили большую проблему: их новая система набора не нравилась женщинам.

Команда разрабатывала компьютерные программы с 2014 года для проверки резюме соискателей с целью механизации поиска лучших талантов, сообщили Reuters пять человек, знакомых с этой работой.

Автоматизация сыграла ключевую роль в доминировании Amazon в сфере электронной коммерции, будь то складские помещения или принятие решений о ценообразовании.Экспериментальный инструмент для найма компании использовал искусственный интеллект, чтобы дать кандидатам на работу оценку от одной до пяти звезд – так же, как покупатели оценивают товары на Amazon, говорят некоторые люди.

«Все хотели этот Святой Грааль», – сказал один из людей. «Они буквально хотели, чтобы это был двигатель, в котором я дам вам 100 резюме, он выдаст пятерку лучших, и мы их возьмем на работу».

Но к 2015 году компания осознала, что ее новая система не оценивает кандидатов на должности разработчиков программного обеспечения и другие технические должности нейтрально с гендерной точки зрения.

Это связано с тем, что компьютерные модели Amazon были обучены проверять соискателей путем наблюдения закономерностей в резюме, представленных компании за 10-летний период. Большинство из них исходили от мужчин, что является отражением мужского доминирования в технологической индустрии.

По сути, система Amazon научилась тому, что кандидаты-мужчины предпочтительнее. Он наказывал резюме, которое содержало слово «женское», например, «капитан женского шахматного клуба». По словам источников, знакомых с этим вопросом, он снизил рейтинг выпускников двух женских колледжей.Названия школ не уточняли.

Amazon отредактировал программы, чтобы сделать их нейтральными по отношению к этим конкретным условиям. Но это не было гарантией того, что машины не разработают другие способы сортировки кандидатов, которые могут оказаться дискриминационными, сказали люди.

Сиэтлская компания в конце концов распустила команду к началу прошлого года, потому что руководители потеряли надежду на проект, по словам людей, которые говорили на условиях анонимности. Рекрутеры Amazon смотрели на рекомендации, генерируемые инструментом при поиске новых сотрудников, но никогда не полагались только на эти рейтинги, сказали они.

Amazon отказалась комментировать проблемы технологии, но сказала, что этот инструмент «никогда не использовался рекрутерами Amazon для оценки кандидатов». Компания не стала вдаваться в подробности. Он не оспаривает, что рекрутеры смотрели на рекомендации, выдаваемые механизмом найма.

Эксперимент компании, о котором первым сообщило Рейтер, предлагает тематическое исследование ограничений машинного обучения. Он также служит уроком для растущего списка крупных компаний, включая Hilton Worldwide Holdings Inc HLT.N и Goldman Sachs Group Inc. GS.N, которые стремятся автоматизировать часть процесса найма.

Согласно опросу, проведенному компанией CareerBuilder в 2017 году, около 55% менеджеров отдела кадров США заявили, что искусственный интеллект или ИИ станет регулярной частью их работы в течение следующих пяти лет.

Работодатели давно мечтают об использовании технологий для расширения сети приема на работу и уменьшения зависимости от субъективного мнения кадровых агентств. Но компьютерные ученые, такие как Нихар Шах, преподающий машинное обучение в Университете Карнеги-Меллона, говорят, что предстоит еще много работы.

«Как обеспечить справедливость алгоритма, как убедиться, что алгоритм действительно интерпретируем и объясним – это еще далеко», – сказал он.

МУЖСКОЙ ЯЗЫК

Эксперимент Amazon начался в поворотный момент для крупнейшего в мире интернет-магазина розничной торговли. Машинное обучение набирало обороты в мире технологий благодаря резкому росту недорогих вычислительных мощностей. И отдел кадров Amazon собирался приступить к набору сотрудников: с июня 2015 года глобальная численность сотрудников компании увеличилась более чем втрое и составила 575 700 человек, согласно нормативным документам.

Таким образом, они создали команду в инженерном центре Amazon в Эдинбурге, которая выросла примерно до дюжины человек. По словам людей, знакомых с этим вопросом, их целью было разработать ИИ, который мог бы быстро сканировать Интернет и находить достойных кандидатов на работу.

Группа создала 500 компьютерных моделей, ориентированных на конкретные функции и места работы. Они научили каждого распознавать около 50 000 терминов, которые использовались в резюме прошлых кандидатов. По словам людей, алгоритмы научились придавать мало значения навыкам, которые были общими для всех соискателей ИТ, например, умению писать различные компьютерные коды.

Вместо этого технология отдавала предпочтение кандидатам, которые описывали себя с помощью глаголов, которые чаще встречаются в резюме мужчин-инженеров, таких как «казнен» и «схвачен», – сказал один человек.

Гендерная предвзятость была не единственной проблемой. По словам людей, проблемы с данными, которые лежали в основе суждений моделей, означают, что неквалифицированных кандидатов часто рекомендовали на любую работу. По их словам, из-за того, что технология возвращала результаты почти наугад, Amazon закрыла проект.

ПРОБЛЕМА ИЛИ ЛЕЧЕНИЕ?

Другие компании продвигаются вперед, подчеркивая стремление работодателей использовать ИИ для найма на работу.

Кевин Паркер, исполнительный директор HireVue, стартапа недалеко от Солт-Лейк-Сити, сказал, что автоматизация помогает компаниям выходить за рамки тех же рекрутинговых сетей, на которые они долгое время полагались. Его фирма анализирует речь кандидатов и выражения лиц в видео-интервью, чтобы не полагаться на резюме.

«Вы не вернулись в прежние места; вы не вернулись только в школы Лиги плюща», – сказал Паркер. Среди клиентов его компании Unilever PLC ULVR.L и Hilton.

Goldman Sachs создал собственный инструмент анализа резюме, который пытается сопоставить кандидатов с тем подразделением, в котором они будут «лучше всего», – заявили в компании.

Microsoft Corp. MSFT.O LinkedIn, крупнейшая в мире профессиональная сеть, пошла дальше. Он предлагает работодателям алгоритмическое ранжирование кандидатов на основе их соответствия вакансиям на своем сайте.

Тем не менее, Джон Джерсин, вице-президент LinkedIn Talent Solutions, сказал, что эта служба не заменяет традиционных рекрутеров.

«Я бы определенно не стал доверять сегодняшней системе искусственного интеллекта самостоятельно принимать решение о приеме на работу», – сказал он. «Технология еще не готова.

Некоторые активисты говорят, что их беспокоит прозрачность ИИ. Американский союз гражданских свобод в настоящее время оспаривает закон, разрешающий уголовное преследование исследователей и журналистов, которые тестируют алгоритмы найма веб-сайтов на предмет дискриминации.

«Мы все больше сосредотачиваемся на алгоритмической справедливости как на проблеме», – сказала Рейчел Гудман, штатный поверенный Программы расовой справедливости в ACLU.

Тем не менее, Гудман и другие критики ИИ признали, что подать в суд на работодателя из-за автоматического найма может быть чрезвычайно сложно: кандидаты на вакансии могли никогда не узнать, что это использовалось.

Что касается Amazon, компании удалось спасти кое-что из того, что она извлекла из неудачного эксперимента с ИИ. Теперь он использует «сильно разбавленную версию» механизма набора персонала, чтобы помочь с некоторыми рудиментарными рутинными делами, включая удаление дубликатов профилей кандидатов из баз данных, сказал один из людей, знакомых с проектом.

Другой сообщил, что в Эдинбурге сформирована новая команда, чтобы еще раз попробовать автоматизированный скрининг занятости, на этот раз с акцентом на разнообразие.

Отчетность Джеффри Дастин из Сан-Франциско; Редакция Джонатана Вебера и Марлы Дикерсон

На каком этапе алгоритмы найма должны входить в процесс найма?

От поиска и проверки до собеседований и отбора – алгоритмы найма могут трансформировать каждый этап вашего процесса найма.Однако эксперты сходятся во мнении, что это может внести некоторую степень предвзятости, увековечивая предпочтения определенных демографических характеристик рабочей силы. Мы поговорили с Вивеком Рависанкаром, генеральным директором HackerRank, чтобы понять:

• Четыре рычага воронки приема на работу, где алгоритмы ИИ действительно определяют ценность
• Почему алгоритмы искусственного интеллекта могут негативно повлиять на ваши планы разнообразия и инклюзивности (D&I)
• Два ключевых улова для устранения этого критического пробела в дорожной карте набора персонала с использованием искусственного интеллекта

Автоматический найм обещает преобразовать каждый этап воронки набора, от поиска и проверки до собеседования и, наконец, отбора.Тем не менее, сохраняется озабоченность по поводу возможности предвзятости при автоматическом найме на основе алгоритмов, при этом ведутся дебаты по таким вопросам, как, например, почему искусственный интеллект (ИИ) предвзято относится к женщинам и другим группам.

Пакеты управления человеческим капиталом (HCM) для быстрорастущих предприятий: полное руководство [Руководство для покупателей]

Ваша система HCM контролирует триединство привлечения талантов, управления и оптимизации – и, в конечном итоге, несколько критически важных результатов производительности.Выбор подходящего решения для вашей организации ….

Итак, как рекрутеры могут сбалансировать эффективность, обеспечиваемую алгоритмами найма, с потенциальными рисками? Возможно ли институционализировать гарантии, способствующие разнообразию и основанные на талантах, даже без вмешательства человека на каждом этапе?

Мы поговорили с Вивеком Рависанкаром, генеральным директором платформы оценки навыков HackerRank, чтобы выяснить, где алгоритмы должны входить в процесс набора.

Подробнее: Упрощенный технический рекрутинг: в разговоре с Вивеком Рависанкаром, HackerRank

Рекрутерам теперь необходимо автоматизировать процессы до определенного уровня. Поскольку рынок труда становится все более конкурентным, алгоритмы найма могут помочь обработать большой объем резюме за очень короткое время. Они также могут обеспечить лучшее соотношение между требованиями к должности и личностью кандидата, не требуя, чтобы кадровый агент рассматривал каждого кандидата индивидуально.

На этапе поиска поставщиков можно различными способами включать алгоритмы найма. Должностные инструкции могут быть грамотно настроены для ориентации на определенную демографическую группу, а программная реклама найма может автоматически подбирать каждое объявление для нужной аудитории. Даже традиционные методы, такие как хедхантинг, можно оптимизировать с помощью ИИ для поиска наиболее перспективных кандидатов.

Именно на этом этапе алгоритмы найма находят самую широкую область применения, сканируя первичные данные, чтобы составить короткий список наиболее подходящих кандидатов.

Здесь алгоритмы найма AI могут использоваться для проверки и проверки квалификации кандидатов, проверки сертификатов, опыта, истории работы и прошлых моделей занятости. Их также можно использовать для автоматической оценки кандидатов путем предоставления онлайн-тестов, особенно для технических должностей.

На этапе собеседования работодатели напрямую связываются с соискателем, чтобы получить четкое индивидуальное представление о его подходе к работе и культуре.Интересно, что именно на этом этапе принимается большинство решений о найме. Алгоритмы искусственного интеллекта могут использоваться для проведения автоматизированных видеоинтервью в сочетании с такими технологиями, как распознавание лиц и аналитика настроений.

На данном этапе кандидат находится всего в одном шаге от получения предложения. Здесь можно использовать алгоритмы найма для проведения проверок биографических данных, сканирования различных общедоступных и частных баз данных для обеспечения соответствия.

AI способен преобразовать каждый этап процесса найма в том виде, в каком мы его знаем.Однако, учитывая, что он направлен на оптимизацию набора персонала для поиска лучших кандидатов, шансы пренебречь целями D&I очень высоки.

Подробнее: 10 лучших инструментов аналитики найма на 2020 год

AI могут основывать свои решения только на имеющихся данных. Если исходный набор данных был искажен в сторону определенного пола, расы или категории сотрудников, есть вероятность, что это предубеждение будет и дальше сохраняться.Фактически, входящие потоки данных, отражающие те же выводы, будут подаваться в систему через машинное обучение, продолжая цикл.

«Если вы склонны нанимать кандидатов с определенным опытом и тренировать свою модель на основе этих данных, ИИ просто поможет вам повторить ту же схему», – объяснил Рависанкар.

Недавнее исследование показало, как алгоритмы найма могут повлиять на охват объявления о вакансиях на этапе поиска поставщиков. Без вмешательства человека искусственный интеллект Facebook Advertising показал позиции кассиров в супермаркетах 85% женской аудитории и работу в таксопарках аудитории, состоящей из 75% расовых меньшинств.

Для всех этих сценариев важно точно определить, где применять алгоритмы ИИ при автоматизации найма. Рависанкар рекомендовал сосредоточиться на оценке навыков (на этапе отбора) вместо того, чтобы рассматривать только ранние этапы. «Если ваш процесс найма сосредоточен на навыках, применение ИИ может сделать его более эффективным и выявить кандидатов, которые обладают необходимыми вам навыками», – отметил он.

Давайте теперь посмотрим на превентивные меры, которые организации могут предпринять для беспристрастного найма, не теряя при этом эффективности, которую предлагает ИИ.

Подробнее: 5 советов по устранению предвзятости на рабочем месте

Как упоминалось ранее, при полном отсутствии вмешательства человека алгоритмы найма примут наиболее очевидное решение. Это решение не обязательно может быть этически правильным, ориентированным на навыки или дружественным к D&I. Это делает критически важным использование следующих сдержек и противовесов, чтобы добиться успеха с помощью ИИ при найме:

Если в движок ИИ поступают данные, основанные исключительно на навыках кандидата, независимо от возраста, пола, этнической принадлежности или происхождения, он будет продолжать принимать решения на основе этих данных.

На этом этапе специалисты по персоналу могут внести свой вклад в разработку алгоритма, оценив введенные в него данные. «Специалисты по персоналу могут и должны играть важную роль в создании объективных алгоритмов приема на работу. Чтобы предложить поддержку, очень важно, чтобы они сначала осознали, что процесс найма должен основываться на навыках кандидата », – предлагает Рависанкар.

В настоящее время доступно несколько инструментов, которые помогут HR отслеживать тенденции и шаблоны найма. Например, LinkedIn отслеживает процессы найма с точки зрения гендерного состава, создавая отчеты, которые позволяют проводить сравнения между коллегами по отрасли. Платформа также показывает справедливую гендерную разбивку при отображении доступных кандидатов рекрутерам.

Стратегии, подобные этой, помогут позитивно перестроить автоматизацию найма на результат, ориентированный на людей.Как упоминалось в Harvard Business Review, работодатели в США уже имеют законное право оценивать свои алгоритмы на предмет предвзятости наравне с другими инструментами найма.

Но это только первый шаг. Проактивно отдавая приоритет навыкам и возможностям над другими параметрами, компании могут определить прочную основу для объективного беспристрастного найма. И за этим может последовать специальная техническая реализация. Это обеспечит саморегуляцию и устранит любые негативные последствия, одновременно усилив преимущества алгоритмов найма ИИ.

Подробнее: Рост корпоративного рекрутера: описание должности, ожидания в отношении заработной платы и ключевые навыки на 2020 год

Отвечает ли стек ваших алгоритмов найма необходимым целям D&I? Расскажите нам об этом на Facebook , LinkedIn или Twitter .