Hoe kunstmatige intelligentie werkt in recruitment.

Het ultieme doel van kunstmatige intelligentie in recruitment is ervoor te zorgen dat tientallen, honderden of zelfs duizenden sollicitaties zo objectief en efficiënt mogelijk worden verwerkt:

• op basis van een bepaalde hoeveelheid data,
• door een consistente gegevensverwerkingsmethode toe te passen van de ene sollicitatie op de andere,
• door zich te bevrijden van alle vooroordelen/stereotypen en cognitieve biases.

De formalisering van deze systematische verwerking van gegevens noemen we een algoritme. De algoritmen in kwestie... Een algoritme is (volgens Wikipedia): "Een eindige en ondubbelzinnige reeks van operaties of instructies om een klasse van problemen op te lossen." Op het eerste gezicht lijkt dit misschien wat "mechanisch", zo niet simplistisch als werkwijze — zeker wanneer het gaat om het verwerken van sollicitaties (waarbij achter elke sollicitatie een echte persoon schuilt)... Men kan zich inderdaad gemakkelijk een enigszins vereenvoudigd algoritme voorstellen van het type:

• Als de kandidaat kenmerk A heeft (bijv. opleiding = Handelswetenschappen), worden er 20 punten toegevoegd aan zijn kandidatuur.
• Als hij vervolgens kenmerk B heeft (bijv. ervaring in dezelfde sector als het wervende bedrijf), worden er 40 punten toegevoegd.
• Enzovoort…

Het is belangrijk te begrijpen dat algoritmen ook uiterst verfijnd en elegant kunnen zijn. Ze kunnen bijvoorbeeld "geneste logica" bevatten, zoals:

• Als A tussen 70 en 100 ligt
• EN B een waarde heeft tussen 40 en 60
• EN dat C ...
• EN dat D...
• EN/OF dat ...
• EN dat ... Dit bijna ad infinitum.

Maar zelfs dan, hoewel we de gegevensverwerkingscapaciteit van het menselijk brein al ver hebben overschreden (100% van ons — inclusief recruiters), blijven we nog op een vrij basaal algoritmisch niveau! Men kan immers — bij het parametriseren van een algoritme — gemakkelijk andere soorten verwerking integreren die de berekening van correlaties en lineaire regressies op een gegevenspool omvatten, teneinde drempelwaarden te extraheren die vervolgens kunnen worden toegepast op de specifieke behandeling van een reeks kandidaten voor een bepaalde functie. Merk op dat kunstmatige intelligentie in recruitment (predictief rekruteren) ook uiterst nuttig is voor het identificeren — vóór de eigenlijke wervingsfase — van de factoren die bijdragen aan succes en betrokkenheid in een bepaalde functie, in een specifieke context. Kortom, AI kan helpen de vereiste kwaliteiten op te sommen om betrokken en succesvol te zijn in een bepaalde baan. Dat lijkt misschien niet veel, maar dit vormt nog altijd de essentiële basisvereisten voor een geslaagde werving. Zonder deze factoren: veel succes bij het vinden van uw gouden ei!

Machine Learning: hoe machines op eigen kracht kunnen leren!

Machine Learning kan worden gedefinieerd als: "Een geheel van wiskundige en statistische benaderingen voor een computersysteem die het de capaciteit geven om van data te leren." Machine Learning, ook al wordt het duidelijk onderbenut (of helemaal niet) door de meeste HR Tech-oplossingen van vandaag, vormt toch een van de meest veelbelovende takken van kunstmatige intelligentie zoals die van toepassing is op recruitment. Kortom, Machine Learning in recruitment is wat u toestaat om op een objectieve manier "te leren van eerdere wervingen". Systematisch toegepast heeft Machine Learning de kracht om zijn selectiecriteria — voor een bepaalde functie — geleidelijk te verfijnen, wat leidt tot steeds krachtigere voorspellende capaciteiten over het succes en de betrokkenheid van mensen in een gegeven functie.

Welke factoren beïnvloeden de kwaliteit van machine learning?

Er zijn 2 hoofdtypen van factoren die de kwaliteit bepalen en of een machine learning-apparaat al dan niet discriminerend is:

• Het type data dat wordt gebruikt,
• De representativiteit van de database waarop machine learning wordt uitgevoerd.

Het type data gebruikt in machine learning

Het spreekt voor zich dat Machine Learning, om negatieve effecten te vermijden, moet worden uitgevoerd op data die niet potentieel discriminerende informatie bevat — direct (leeftijd, geslacht, enz.) of indirect (adres, scholen, vroegere ervaringen, enz.). Directe criteria, gedefinieerd als uitsluitingscriteria, sluiten bepaalde categorieën van individuen direct uit, zonder dat er een absoluut verband is aangetoond met daadwerkelijke functiegerelateerde prestaties. Criteria worden "indirect" genoemd omdat ze, hoewel ze niet specifiek een bepaalde categorie mensen lijken te viseren, dit toch zeer wel kunnen doen. Neem adressen als voorbeeld: het spreekt voor zich dat als ik alle sollicitaties uit een bepaalde wijk of regio uitsluit, ik mogelijk een groep mensen uitsluit (misschien is het een lagere-inkomenswijk of is er een grote immigrantenpopulatie)... Idealiter, wanneer u werkt aan kandidaatsselectie bij aanwerving, voert u het machine learning-systeem uit op data die niet wordt beïnvloed door een van deze soorten criteria (of zo min mogelijk), die als discriminerende factoren bij aanwerving worden beschouwd door nationale of regionale wetgeving.

Het specifieke geval van psychologische en gedragsvariabelen

Psychologische en gedragskenmerken bieden daarentegen een bijzonder interessant alternatief. Deze kenmerken blijken immers vrij goed verdeeld te zijn in vrijwel elk criterium dat zou worden gebruikt om een populatie te definiëren. Als ik er voor kies om mijn kandidaten voor te selecteren op basis van hun cognitieve vermogens — en dat te beoordelen met een gestandaardiseerde test in plaats van criteria zoals "heeft topscholen bezocht" — zal ik onvermijdelijk de factor "is opgevoed door sociaal succesvolle ouders" neutraliseren. Dit is nog steeds een stap voorwaarts in het kader van eerlijkheid bij aanwerving. Evenzo, als ik Machine Learning uitvoer op een dataset die deze informatie bevat (cognitieve vermogens van individuen) in plaats van informatie over gevolgde scholen, zal het systeem uiteindelijk de neiging hebben mij sollicitaties voor te stellen die veel diverser zijn qua geslacht, origine en leeftijd.

De representativiteit van de database waarop het leren wordt uitgevoerd

Dit criterium is bijzonder interessant om te bestuderen. Als mijn bedrijf de neiging heeft gehad om voor een specifieke functie voornamelijk mannen te werven die een ingenieursopleiding hebben gevolgd, en ik een Machine Learning-algoritme lanceer op basis van hun cv... wat denkt u dat het resultaat zal zijn? Er is een grote kans dat een van de criteria die naar voren komen, het feit is dat men een bepaalde ingenieursopleiding heeft gevolgd. Veel topingenieursfaculteiten bestaan echter onevenredig veel uit jonge witte mannen uit bevoorrechte gezinnen. Als diversiteit voor mij belangrijk is (naast het simpelweg een wettelijke verplichting zijn), dan heb ik er wellicht meer belang bij andere factoren te integreren die — zoals hierboven beschreven — minder geneigd zijn te worden beïnvloed door de sociale achtergrond van sollicitanten. Als ik daarentegen de gegevens analyseer die voortkomen uit de cognitieve tests van mijn huidige ingenieurs, zal het machine learning-algoritme ongetwijfeld criteria naar voren brengen zoals: "Superieure cognitieve vermogens". Wat begrepen moet worden, is dat als de analysecriteria niet worden beïnvloed door potentieel discriminerende variabelen, de representativiteit van de steekproef minder belangrijk wordt. Waarom? Omdat ik de analyse uitvoer binnen mijn bedrijf, maakt het niet uit of ik momenteel een homogeen team heb. Wat naar voren komt als criterium is immers "superieure cognitieve vermogens". En aangezien de verhouding mensen met superieure cognitieve vermogens even hoog is bij mannen als bij vrouwen, bij mensen van elke etniciteit/nationaliteit/achtergrond/sociale status/enz., zal ik — als ik dit "cognitieve bekwaamheid"-criterium in de toekomst toepas en het "ingenieursopleiding"-criterium laat vallen — niet het risico lopen te worden geduwd in de richting van dezelfde groep die mijn oorspronkelijke analyse heeft bepaald. Integendeel, ik zal mechanisch de diversiteit binnen mijn teams vergroten! (Mits ik ook mijn sourcing diversifieer.) Toegegeven, de basissteekproef (mijn personeelsbestand) was "sterk gekarakteriseerd", maar het liet toe een onderscheidend kenmerk naar voren te brengen dat niet specifiek is voor deze populatie in het bijzonder. De oefening liet op die manier een "universeel" kenmerk naar boven komen. Dit louter om te begrijpen dat het argument "je hebt een enorme database nodig voor machine learning en de basisgroep moet voldoende divers zijn, anders werkt het niet"... gewoonweg onjuist is!