Cómo funciona la inteligencia artificial en el reclutamiento

En el reclutamiento, el objetivo final de la Inteligencia Artificial es garantizar que decenas, cientos o incluso miles de candidaturas se procesen de la manera más objetiva y eficiente posible:

• basándose en una cierta cantidad de datos,
• aplicando un método de procesamiento de datos consistente de una candidatura a otra,
• liberándose de todas las representaciones/estereotipos y sesgos cognitivos.

La formalización de este procesamiento sistemático aplicado a los datos se denomina algoritmo.Los algoritmos en cuestión...Un algoritmo es (según Wikipedia): "Una secuencia finita e inequívoca de operaciones o instrucciones para resolver una clase de problemas." A primera vista, podría pensarse que esto es algo "mecánico", por no decir básico, como forma de operar, especialmente cuando se trata de procesar candidaturas (con personas reales detrás de cada una)... En efecto, se puede imaginar fácilmente un algoritmo algo simplista del tipo:

• Si el candidato presenta la característica A (ej. Formación = Escuela de Negocios) entonces se añaden 20 puntos a su candidatura.
• Si luego tiene la característica B (ej. Experiencia en el mismo sector que la empresa que quiere contratar) entonces se añaden 40 puntos.
• Y así sucesivamente...

Lo importante es entender que los algoritmos también pueden ser extremadamente sofisticados y elegantes. Por ejemplo, pueden incluir "lógicas anidadas" como:

• Si A está entre 70 y 100
• Y B tiene un valor entre 40 y 60
• Y que C ...
• Y que D...
• Y/O que ...
• Y que ... Esto casi hasta el infinito.

Pero ahí, aunque ya hemos superado con creces las capacidades de procesamiento de datos del cerebro humano (el 100% de nosotros, reclutadores incluidos), seguimos en un nivel de algoritmo bastante básico. En efecto, cuando se parametriza un algoritmo, se pueden integrar fácilmente otros tipos de procesamiento que implican el cálculo de correlaciones, de regresiones lineales sobre un conjunto de datos para extraer valores umbral que luego pueden aplicarse al tratamiento particular de un conjunto de candidatos para un puesto determinado. Cabe señalar que la inteligencia artificial en el reclutamiento (reclutamiento predictivo) también es extremadamente útil para identificar, antes de la fase real de reclutamiento, los factores que contribuyen al éxito y al compromiso en un puesto determinado, en un contexto específico. Básicamente, la IA puede ayudar a listar las cualidades requeridas para estar comprometido y tener éxito en un puesto particular. Puede que no parezca mucho, pero estas son las condiciones básicas esenciales para un reclutamiento exitoso. Sin estos factores, ¡buena suerte encontrando la perla rara!

Machine Learning: ¡Cómo las máquinas pueden aprender por sí solas!

El Machine Learning puede definirse como: "Un conjunto de enfoques matemáticos y estadísticos para un sistema informático que le otorgan la capacidad de aprender a partir de datos." El Machine Learning, aunque claramente está infraexplotado (o no se utiliza en absoluto) por la mayoría de las soluciones de HR Tech hoy en día, constituye sin embargo una de las ramas más prometedoras de la Inteligencia Artificial aplicada al reclutamiento. Básicamente, el Machine Learning en el reclutamiento es lo que permite "aprender de reclutamientos anteriores" de manera objetiva. Aplicado de forma sistemática, el Machine Learning tiene el poder de refinar gradualmente sus criterios de selección, para un puesto determinado, lo que conduce a capacidades predictivas cada vez más potentes sobre el éxito y el compromiso de las personas en un puesto dado.

¿Qué factores impactan en la calidad del Machine Learning?

Existen 2 tipos principales de factores que determinan la calidad y si un dispositivo de Machine Learning es o no discriminatorio:

• El tipo de datos que se utilizan,
• La representatividad de la base de datos sobre la que se realiza el Machine Learning.

El tipo de datos utilizados en el Machine Learning

Es evidente que para evitar introducir efectos negativos, el Machine Learning debe ejercerse sobre datos que no contengan potencialmente información discriminatoria directa (edad, género, etc.) o indirecta (dirección, escuelas, experiencias pasadas, etc.). Los criterios directos, definidos como criterios de exclusión, excluyen directamente ciertas categorías de individuos, sin que se haya establecido un vínculo absoluto con el rendimiento laboral real. Los criterios se denominan "indirectos" porque, aunque no parecen apuntar a una categoría específica de personas, puede que efectivamente sea el caso. Tomemos las direcciones como ejemplo: es evidente que si excluyo todas las candidaturas de un determinado barrio o zona, es posible que esté excluyendo a un grupo de personas (quizás sea una zona de bajos ingresos o con una gran población inmigrante)... Idealmente, cuando se trabaja en la selección de candidatos durante la contratación, se debería ejecutar el sistema de Machine Learning sobre datos que no estén afectados por ninguno de estos tipos de criterios (o lo mínimo posible), que son considerados como factores discriminatorios en la contratación por la legislación nacional o regional.

El caso específico de las variables psicológicas y comportamentales

Por otro lado, las características psicológicas y comportamentales ofrecen una alternativa particularmente interesante. Simplemente, se constata que estas características están bastante bien distribuidas en prácticamente cualquier criterio que se utilice para definir una población. Si elijo preseleccionar a mis candidatos sobre la base de sus capacidades cognitivas y evaluarlas con un test estandarizado en lugar de mediante criterios como "asistió a las mejores X escuelas", inevitablemente neutralizaré el factor "fue criado por padres socialmente exitosos". Esto sigue representando un avance en el contexto de la equidad en el reclutamiento. Del mismo modo, si ejecuto Machine Learning sobre un conjunto de datos que incluye esta información (las capacidades cognitivas de los individuos) en lugar de información sobre las escuelas a las que asistieron, el sistema finalmente tenderá a ofrecerme candidaturas mucho más diversas en términos de género, origen y edad.

La representatividad de la base de datos sobre la que se realiza el aprendizaje

Este criterio es particularmente interesante de estudiar. Si mi empresa ha tendido a reclutar, para un puesto específico, principalmente hombres que han pasado por una escuela de ingeniería, si lanzo un algoritmo de Machine Learning sobre la base de sus CV... ¿cuál cree que será el resultado? Hay una buena probabilidad de que entre los criterios que surjan esté el hecho de haber pasado por tal o cual escuela de ingeniería. Sin embargo, muchas escuelas de ingeniería de élite están compuestas de manera desproporcionada por hombres jóvenes blancos de familias privilegiadas. Si la diversidad es algo importante para mí (además de ser una obligación legal), entonces puede que me interese más integrar otros factores que, como hemos visto anteriormente, tienen menos probabilidades de verse afectados por el origen social de los candidatos. Si, por otro lado, analizo los datos resultantes de las pruebas cognitivas de mis ingenieros actuales, el algoritmo de Machine Learning sin duda sacará a relucir un criterio como: "Capacidades cognitivas superiores". Lo que hay que entender es que si los criterios de análisis no están afectados por variables potencialmente discriminatorias, entonces la representatividad de la muestra se vuelve menos importante. ¿Por qué? Pues básicamente, cuando hago el análisis en mi empresa, no importa si tengo un equipo homogéneo en este momento. Dado que lo que surge como criterio es "capacidades cognitivas superiores". Y considerando que la proporción de personas con capacidades cognitivas superiores es igualmente alta entre hombres y mujeres, entre personas de cualquier etnia/nacionalidad/origen/estatus social/etc. Si elijo aplicar este criterio de "aptitud cognitiva" en el futuro, mientras abandono el criterio de "escuela de ingeniería", no corro el riesgo de inclinarme hacia el mismo grupo que componía mi análisis original. Al contrario, ¡aumentaré mecánicamente la diversidad dentro de mis equipos! (Siempre y cuando, por supuesto, también diversifique mis fuentes de captación). Es cierto que la muestra base (la plantilla de mi empresa) estaba "fuertemente caracterizada", pero permitió destacar una característica distintiva que no es específica de esta población en particular. En cierto modo, el ejercicio permitió la aparición de una característica "Universal". Esto solo para entender que el argumento de "se necesita una base de datos enorme para hacer Machine Learning y la población base tiene que ser suficientemente diversa, de lo contrario no funciona"... ¡es simplemente incorrecto!