Перевод статьи AI in HR: A Real Killer App нашего проекта переводы статей по hr-аналитике на английском. Автор статьи Josh Bersin - и если Вы еще не знаете этого имени, это ваш большой пробел. Проходите по ссылке с имени автора и читайте его статьи.
Перевод выполнила Ольга Смирнова (по ссылке профиль на Линкедине - рекомендую френдиться с профи), менеджер по компенсациям и льготам с 6-летним опытом в международных холдингах, г. Москва. Это за последние две недели это уже третий перевод Ольги. Читайте также
- Лидеры в HR аналитике: совместный подход к исследованиям в Microsoft (интервью с руководителем HR-аналитики в компании)
- Как удостовериться, что гибкие команды могут работать вместе
Итак,
Искусственный интеллект в HR: прорывное приложение
Шумиха и ожидания в отношении искусственного интеллекта (ИИ) сейчас заоблачно высоки. Скоро мы будем разговаривать с нашими компьютерами; дроны будут доставлять нам продукты; наши машины будут ездить сами; и большинство белых воротничков будут следить за машинами. Правда ли все это и действительно ли это произойдет?Будучи отраслевым аналитиком и инженером, который десятилетиями следит за технологиями, я бы сказал, что мы находимся в интересной фазе: с одной стороны, шумиха намного опережает реальность; с другой стороны, потенциал роста может быть намного больше, чем мы думаем. И в HR возможности для развития огромны.
В то время как почти каждый поставщик HR услуг выстраивает команду ИИ, и все мы хотим, чтобы наши системы были более интеллектуальными и полезными, я считаю, что этот рынок все еще очень молод, поэтому я хочу указать на некоторые вещи, которые следует учитывать.На прошлой неделе я посетил конференцию по автоматизации подбора персонала, и мы слушали Billy Beane, General Manager в Oakland A, рассказывающего про Moneyball (Вы смотрели фильм Человек, который изменил все?). После прекрасного обсуждения истории саберметрики и того, как данные изменили игру в бейсбол, он рассказал нам, что среди его работников есть шесть инженеров-докторов философии по машинному обучению, и «команду, где большинство - доктора философии, действительно трудно победить». Вот что происходит в бизнесе.
Роль ИИ в HR и управлении
Давайте определим, что ИИ - это не волшебная компьютеризированная персона; это широкий спектр алгоритмов и инструментов машинного обучения, которые могут быстро загрузить данные, определить шаблоны, а также оптимизировать и предсказать тенденции. Системы могут понимать речь, идентифицировать фотографии и использовать сопоставление образцов, чтобы понять сигналы о настроении, честности и даже личности. Эти алгоритмы не являются «интуитивными», как у людей, но они быстры, поэтому они могут анализировать миллионы информационных сообщений за считанные секунды и быстро коррелировать их с шаблонами.Статистически, системы ИИ могут «предсказывать» и «учиться», строя графики возможных результатов, а затем оптимизируя решения, основанные на многих критериях. Таким образом, вы можете представить себе систему ИИ, которая рассматривает всевозможные демографические данные, опыт работы, интервьюирует кандидата, а затем «предсказывает», насколько эффективно он будет выполнять свою работу. (HiredScore, Pymetrics, HireVue, IBM и другие работают над этим.)
Хотя это сложнее, чем кажется, это важная и благородная работа. Когда меня спросили об этом несколько недель назад, я ответил: «Большинство управленческих решений, которые мы принимаем сегодня, основаны на интуиции. Если эти системы сделают нас немного умнее, мы сможем значительно улучшить нашу деятельность».
Да, существует много рисков и препятствий, но потенциал очень велик.
Каковы некоторые из прорывных приложений, которые мы можем ожидать?
Позвольте мне перечислить лишь некоторые из многих областей, в которых мы могли бы увидеть прорывные результаты.
В рекрутменте мы принимаем много решений интуитивно. Одно из исследований показало, что большинство рекрутеров принимают решение о кандидате в течение первых 60 секунд встречи, часто основываясь на взгляде, рукопожатии, одежде или речи. Знаем ли мы в действительности, какие характеристики, опыт, образование и личностные качества гарантируют успех в данной роли? Нет, не знаем. Руководители и HR специалисты тратят миллиарды долларов на оценку, тесты, симуляции и игры для найма людей, но многие говорят, что они все же ошибаются в 30-40% своих кандидатов.
Алгоритмы, основанные на ИИ, могут отбирать резюме, находить хороших внутренних кандидатов, составлять профиль высокоэффективных сотрудников и даже расшифровывать видео-интервью и давать нам сигналы о том, кто, вероятно, преуспеет. Один из наших клиентов сейчас использует основанную на ИИ геймифицированную оценку Pymetrics для подбора кандидатов в маркетинг и продажи, и их уровень эффективности вырос более чем на 30%, при этом устраняя «предвзятое интервью» и «предвзятое отношение к образованию», присущее этому процессу. Роль ИИ в рекрутменте будет огромной.
Кстати, пока мы все обеспокоены навыками работы (навыки работы с программным обеспечением, навыки продаж, математические навыки и т. д.), большинство исследований показывают, что технические навыки составляют лишь малую часть успеха человека. В нашем последнем исследовании, посвященном высокоэффективному подбору персонала (High-Impact Talent Acquisition), мы обнаружили, что компании, достигшие 4 уровня зрелости, получающие наивысшую финансовую отдачу от найма, относят почти 40% критериев найма на эмоциональные и психологические черты, такие как амбиции, умение учиться, страсть и понимание цели. Будет ли ИИ раскрывать и это тоже? Возможно.
(Разработчики в этой области рынка - LinkedIn, Pymetrics, Entelo, HiredScore, IBM, Textio, Talview, Unitive, PredictiveHire, и многие другие.)
В развитии и обучении сотрудников мы в действительности не знаем, как «обучать» людей идеально. Глобально на индустрию обучения и развития тратится более 200 миллиардов долларов, но большинство специалистов по обучению говорят нам, что, по крайней мере, половина из этого потеряна (забыта, неправильно применена или просто растрачивает время людей). Но мы не знаем, какая именно половина!
Вы лично знаете, чему вам нужно «обучиться», чтобы быть лучше на своей работе? У всех нас есть примерное представление, но что, если бы у нас были алгоритмы, которые контролировали и изучали бы навыки, поведение и активность лучших сотрудников в наших командах, а затем просто рассказали нам, как быть более похожими на них? Эти алгоритмы а-ля «Netflix» теперь входят в мир обучающих платформ, что делает обучение удобным и веселым, как просмотр кабельного телевидения. Опять же рынок молод, но возможности огромны. Наше исследование показывают, что у среднего работника есть менее 25 минут в неделю для обучения; если мы будем использовать это время более продуктивно, все будут работать лучше.
(Разработчики в этой области рынка - Degreed, EdCast, Filtered, Volley, Axonify, BetterUp, Clustree, Workday, и многие другие.)
В управлении и лидерстве мы работаем как мастера дзэн. Мы читаем книги, ходим на мастер-классы, копируем боссов, которые нас восхищают, и прославляем успешных лидеров дня. Действительно ли мы знаем науку о лидерстве? Я бы предположил, что это поверхностный подход. В этом году мы сосредоточены на цели, миссии и приверженности. Лишь несколько лет назад это было «служение слуг», а когда я был молодым, это была «исполнительность и финансовая хватка». Большинство исследований показывают, что существуют десятки управленческих и лидерских качеств, которые определяют успех, и в каждом из нас сочетается немного разная и уникальная их комбинация.
Теперь ИИ может помочь расшифровать это. Я знаю трех разработчиков, которые на основе ИИ создали инструменты для коучинга, системы, которые запрашивают обратную связь, читают комментарии и интуитивно определяют настроение сотрудников и команд. Они используют данные для противопоставления этих личных и командных особенностей более эффективным командам, а также для того, чтобы дать менеджерам и руководителям «толчок» о том, как работать лучше. Один из клиентов сказал мне, что всего за 3 месяца использования этого инструмента их команды-лидеры продемонстрировали 25% улучшение корпоративных показателей только на основе небольших корректировок в поведении.
(Разработчики в этой области рынка - Reflektiv, BetterWorks, Ultimate Software, Zugata, Humanyze, ADP, Impraise, и многие другие.)
В области защиты от мошенничества и соблюдении норм, возможности огромны. В одном из исследований было установлено, что сотрудники, которые крадут или совершают преступления, являются «заразными» для своих коллег (люди, которые работают с ними, перенимают вредные привычки). ИИ может просмотреть данные сети организации (почтовый трафик, тон комментариев) и выявить области стресса, области возможных этических ошибок и многие другие формы риска несоблюдения норм, а также указать сотрудникам HR или специалистам по внутреннему контролю на «красные зоны», чтобы они могли вмешаться до того, как ненадлежащее поведение будет иметь место.
(Разработчики в этой области рынка - TrustSphere, Keencorp, Volley, Cornerstone, и многие другие.)
В области благополучия и вовлеченности сотрудников ИИ теперь используется для определения поведения, которое приводит к ненадлежащему исполнению обязанностей. ИИ может безопасно определять поведение и опыт, которые приводят к несчастным случаям. Новое поколение инструментов исследования может выявлять модели стресса и ненадлежащего поведения, а также информировать HR или линейных менеджеров.
(Разработчики в этой области - Limeaid, VirginPulse, Glint, Ultimate Software, CultureAmp, TinyPulse, Peakon, и многие другие.)
В системе самообслуживания сотрудников и управления кандидатами новое поколение интеллектуальных чатботов может сделать взаимодействие понятным и легким.
(Разработчики в этой области - IBM, ServiceNow, Xor, Mya, Ideal, Paradox, и многие другие.)
Список можно продолжать бесконечно.
Есть ли риски? Что происходит с HR аналитикой?
Все эти приложения являются новыми и кажутся захватывающими, однако есть много рисков, которые нужно учитывать. Самым большим является то, что ИИ не может работать без «данных для обучения». Иными словами, алгоритмы учатся основываясь на данных из прошлого. Если ваши текущие методы управления являются предвзятыми, дискриминационными, карательными или чрезмерно иерархическими, вы можете только усилить закрепление всех моментов, которые вы ненавидите. Нам нужен ИИ, который является прозрачным и «настраиваемым», чтобы мы могли проверить алгоритмы и убедиться, что они работают правильно. Так же, как ранние автомобили не всегда двигались прямо, нашим ранним алгоритмам понадобятся «бамперы» и «кнопки настройки», чтобы мы научились делать их более точными.Системы могут усиливать предвзятость. Предположим, ваша компания никогда не нанимала женщин-инженеров и в ней работает очень мало инженеров - афроамериканцев. Система подбора ИИ естественным образом предполагает, что женщины и чернокожие инженеры с меньшей вероятностью перейдут в управление. Этот тип предвзятости должен быть тщательно удален из алгоритмов, и для этого потребуется время.
Существует риск уязвимости данных и их непреднамеренного неправильного использования. Рассмотрим обычное использование аналитики, когда мы пытаемся предсказать вероятность ухода высокоэффективного сотрудника из компании. Если мы говорим менеджерам, что «высока вероятность ухода этого человека», фактически мы можем вызвать неправильное поведение - менеджер может игнорировать этого человека или относиться к нему/ней по-другому. Нам нужно научиться корректно применять поведенческую экономику, чтобы случайно не превратить ИИ в «HAL» (фильм 2000). ИИ сегодня - это «инструмент» для предложения и улучшения, а не независимая система принятия решений.
На этой неделе я разговаривал с одним из лидеров ИИ в Entelo, и мы обсудили необходимость создания «интерпретируемых» и «прозрачных» систем ИИ. Другими словами, всякий раз, когда система принимает решение, она должна сказать нам, почему она приняла это решение, чтобы мы, люди, могли решить, правильные ли критерии она выбрала. Он сказал мне, что это один из самых важных критериев для новых инструментов, и, к сожалению, сегодня большинство систем ИИ - это настоящий черный ящик.
Подумайте, что произойдет, когда беспилотный автомобиль попадет в аварию. Мы потратим много времени на диагностику того, как это произошло, какие визуальные или алгоритмические системы не сработали, и какие условия могли привести к аварии. Что если ИИ дает неправильную рекомендацию по кандидату, или по повышению зарплаты, или по необходимости вмешательства руководства? Выясним ли мы? Сможем ли мы продиагностировать? Заметим ли мы, пока не станет слишком поздно? У нас еще много работы по настройке и пониманию, как «обучать» наши системы управления ИИ для корректной работы.
Будет ли ИИ отличительной особенностью в решениях HR?
Сейчас шумиха вокруг ИИ находится на рекордно высоком уровне. Каждый поставщик программного обеспечения для HR хочет, чтобы вы поверили, что у него есть команда машинного обучения и лучшее решение для ИИ. Да, эти возможности чрезвычайно важны для этой отрасли, но не верьте в шумиху.Успех инструмента HR будет зависеть от многих факторов: точности и полноты его алгоритмов, простоты использования его систем, но что важнее всего остального - его способность обеспечивать так называемый «узкий ИИ (Narrow AI)» - то есть конкретные пути решения ваших проблем. Это может быть сделано только тогда, когда у разработчика есть огромное количество данных (для обучения его системы), и он получает много отзывов о том, насколько хорошо система работает. Поэтому я считаю, что барьерами для входа станут фокус, бизнес-стратегия и доверительные отношения с клиентом, а не просто отличные инженеры.
И не покупайте систему, которая является черным ящиком, если вы не сможете доказать ее необходимость в своей компании. Решения руководства и людей в каждой компании часто основаны на культуре, поэтому нам нужно будет потратить время, чтобы опробовать эти системы в реальном мире и настроить их для наилучшего использования. Например, IBM потратила годы на оптимизацию своих компенсационных и карьерных решений на основе ИИ для своей компании, культуры и бизнес-модели. Теперь они внедряют эти инструменты корпоративным клиентам и понимают, что каждое новое внедрение учит IBM новым об алгоритмам, чтобы сделать их лучше для этой отрасли, культуры или организационных потребностей.
Несмотря на эти проблемы, потенциал огромен.
Несмотря на проблемы и риски, потенциал огромен. Компании тратят 40-60% своего дохода на фонд оплаты труда, и большая часть этих огромных расходов зависит от управленческих решений, которые мы принимаем интуитивно. Поскольку системы ИИ в сфере HR становятся более умными, проверенными и сосредоточенными на конкретных проблемах, я считаю, что мы увидим значительные улучшения в продуктивности, производительности и благосостоянии сотрудников. Мы просто должны быть терпеливыми, бдительными и готовыми инвестировать.__________________________________________________________
На этом все, читайте нас в фейсбуке, телеграмме и вконтакте
Комментариев нет:
Отправить комментарий