Come funziona l'intelligenza artificiale nel recruiting.

Nel recruiting, l'obiettivo finale dell'intelligenza artificiale è garantire che decine, centinaia o addirittura migliaia di candidature vengano elaborate nel modo più obiettivo ed efficiente possibile:

• sulla base di una certa quantità di dati,
• applicando un metodo coerente di elaborazione dei dati da una candidatura all'altra,
• liberandosi da tutte le rappresentazioni/stereotipi e dai bias cognitivi.

La formalizzazione di questa elaborazione sistematica applicata ai dati si chiama algoritmo.Gli algoritmi in questione...Un algoritmo è (secondo Wikipedia): "Una sequenza finita e non ambigua di operazioni o istruzioni per risolvere una classe di problemi."A prima vista si potrebbe pensare che si tratti di un modo di operare un po' "meccanico", se non addirittura elementare, soprattutto quando si tratta di elaborare candidature (con persone reali dietro ognuna di esse)...Si può infatti immaginare facilmente un algoritmo alquanto semplicistico del tipo:

• Se il candidato presenta la caratteristica A (es. Formazione = Scuola di Business) allora vengono aggiunti 20 punti alla sua candidatura.
• Se poi ha la caratteristica B (es. Esperienza nello stesso settore dell'azienda che vuole assumere) allora vengono aggiunti 40 punti.
• E così via…

La cosa importante da capire è che gli algoritmi possono anche essere estremamente sofisticati ed eleganti. Ad esempio, possono includere "logiche annidate" come:

• Se A è compreso tra 70 e 100
• E B ha un valore compreso tra 40 e 60
• E che C ...
• E che D...
• E/O che ...
• E che ... Questo quasi all'infinito.

Ma anche così, pur avendo già ampiamente superato le capacità di elaborazione dei dati del cervello umano (il 100% di noi - recruiter inclusi), siamo ancora a un livello abbastanza elementare di algoritmo!Si può infatti — quando si parametrizza un algoritmo — integrare facilmente altri tipi di elaborazione che coinvolgono il calcolo di correlazioni, di regressioni lineari su un pool di dati al fine di estrarre valori soglia che possono poi essere applicati al trattamento specifico di un insieme di candidati per un determinato posto.Si noti che l'intelligenza artificiale nel recruiting (recruiting predittivo) è anche estremamente utile per identificare — prima della fase di recruiting vera e propria — i fattori che contribuiscono al successo e all'impegno in una determinata posizione, in un contesto specifico.In sostanza, l'IA può aiutare a elencare le qualità necessarie per essere coinvolti e avere successo in un determinato lavoro. Può sembrare poco, ma queste sono comunque le condizioni di base essenziali per un recruiting di successo. Senza questi fattori, buona fortuna a trovare il vostro uovo d'oro!

Machine Learning: come le macchine possono imparare da sole!

Il Machine Learning può essere definito come: "Un insieme di approcci matematici e statistici per un sistema informatico che gli conferisce la capacità di apprendere dai dati."Il Machine Learning, anche se è chiaramente sottoutilizzato (o per nulla utilizzato) dalla maggior parte delle soluzioni HR Tech oggi, costituisce comunque uno dei rami più promettenti dell'Intelligenza Artificiale applicata al recruiting.Fondamentalmente, il Machine Learning nel recruiting è ciò che permette di "imparare dalle selezioni precedenti" in modo oggettivo.Applicato sistematicamente, il Machine Learning ha il potere di affinare gradualmente i propri criteri di selezione — per una determinata posizione — portando a capacità predittive sempre più potenti sul successo e l'impegno delle persone in un determinato ruolo.

Quali fattori influenzano la qualità del machine learning?

Esistono 2 principali tipi di fattori che determinano la qualità e se un dispositivo di machine learning è o meno discriminatorio:

• Il tipo di dati utilizzati,
• La rappresentatività del database su cui viene condotto il machine learning.

Il tipo di dati utilizzati nel machine learning

È ovvio che per evitare di introdurre effetti negativi, il Machine Learning deve essere esercitato su dati che non portano potenzialmente informazioni discriminatorie dirette (età, genere, ecc.) o indirette (indirizzo, scuole, esperienze passate, ecc.)I criteri diretti, definiti come criteri di esclusione, escludono direttamente alcune categorie di individui, senza che venga stabilito alcun legame assoluto con le effettive prestazioni lavorative.I criteri sono detti "indiretti" perché anche se non sembrano mirare a una categoria specifica di persone, ciò può comunque accadere molto facilmente. Prendiamo ad esempio gli indirizzi: è ovvio che se escludo tutte le candidature provenienti da un determinato quartiere o area, è possibile che io stia escludendo un gruppo di persone (forse è un'area a basso reddito o con una grande popolazione immigrata)…Idealmente, quando si lavora sulla selezione dei candidati durante l'assunzione, il sistema di machine learning dovrebbe essere eseguito su dati non influenzati da nessuno di questi tipi di criteri (o il meno possibile), considerati fattori discriminatori nelle assunzioni dalla legislazione nazionale o regionale.

Il caso specifico delle variabili psicologiche e comportamentali

D'altra parte, le caratteristiche psicologiche e comportamentali offrono un'alternativa particolarmente interessante. Semplicemente, queste caratteristiche risultano essere distribuite piuttosto uniformemente in quasi tutti i criteri che si utilizzerebbero per definire una popolazione.Se scelgo di preselezione i miei candidati sulla base delle loro capacità cognitive e di valutarle con un test standardizzato anziché attraverso criteri come "ha frequentato le migliori scuole", neutralizzerò inevitabilmente il fattore "è stato cresciuto da genitori socialmente di successo". Questo rappresenta comunque un passo avanti nel contesto dell'equità nel recruiting.Allo stesso modo, se eseguo il Machine Learning su un insieme di dati che include queste informazioni (le capacità cognitive degli individui) anziché informazioni sulle scuole frequentate, il sistema tenderà infine a offrirmi candidature molto più diversificate in termini di genere, origine ed età.

La rappresentatività del database su cui viene effettuato l'apprendimento

Questo criterio è particolarmente interessante da studiare. Se la mia azienda ha tendenzialmente selezionato, per una posizione specifica, principalmente uomini che hanno frequentato una scuola di ingegneria, e se vado ad avviare un algoritmo di Machine Learning sulla base dei loro CV... quale pensate sarà il risultato?È molto probabile che tra i criteri che emergono vi sia il fatto di aver frequentato una tale scuola di ingegneria. Tuttavia, molte delle migliori scuole di ingegneria sono composte in modo sproporzionato da giovani uomini bianchi provenienti da famiglie privilegiate.Se la diversità è per me qualcosa di importante (oltre ad essere un obbligo legale), potrei avere più interesse nell'integrare altri fattori che — come visto sopra — hanno meno probabilità di essere influenzati dal contesto sociale dei candidati.Se, d'altra parte, analizzo i dati risultanti dai test cognitivi sui miei attuali ingegneri, l'algoritmo di machine learning porterà indubbiamente alla luce un criterio come: "Capacità cognitive superiori".Ciò che bisogna capire è che se i criteri di analisi non sono influenzati da variabili potenzialmente discriminanti, allora la rappresentatività del campione diventa meno importante.Perché? Fondamentalmente, poiché faccio l'analisi nella mia azienda, non importa se in questo momento ho un team omogeneo.Poiché ciò che emerge come criterio sono le "capacità cognitive superiori". E considerando che la proporzione di persone con capacità cognitive superiori è ugualmente alta tra gli uomini come tra le donne, tra persone di qualsiasi etnia/nazionalità/background/status sociale/ecc.Se scelgo di applicare questo criterio di "attitudine cognitiva" in futuro, abbandonando il criterio della "scuola di ingegneria", non rischio di essere spinto verso lo stesso gruppo che componeva la mia analisi originale. Al contrario, aumenterò meccanicamente la diversità all'interno dei miei team! (A condizione, naturalmente, che diversifichi anche il mio sourcing).Certo, il campione di base (la forza lavoro della mia azienda) era "fortemente caratterizzato" ma ha permesso di evidenziare una caratteristica distintiva che non è specifica di questa popolazione in particolare. In un certo senso, l'esercizio ha permesso l'emergere di una caratteristica "Universale".Tutto questo solo per capire che l'argomento secondo cui "ci vuole un enorme database per fare machine learning e la popolazione di base deve essere sufficientemente diversa, altrimenti non funziona"... è semplicemente sbagliato!