Como a inteligência artificial funciona no recrutamento

O objetivo final da Inteligencia Artificial no recrutamento e permitir um tratamento tao objetivo e eficiente quanto possivel de dezenas, centenas ou ate milhares de candidaturas:

• apoiando-se em um determinado numero de dados,
• aplicando a esses dados um tratamento consistente de uma candidatura para outra,
• libertando-se de todas as representacoes/estereotipos e vieses cognitivos.

A formalizacao desse tratamento sistematico aplicado aos dados e o que chamamos de algoritmo.Os algoritmos em questao...Um algoritmo e (segundo a Wikipedia): "Uma sequencia finita e nao ambigua de operacoes ou instrucoes que permite resolver uma classe de problemas."A primeira vista, pode parecer algo um pouco "mecanico" ou ate primario como forma de funcionamento, especialmente quando se trata de processar candidaturas (com "pessoas reais" por tras de cada uma delas)...De fato, podemos facilmente imaginar um algoritmo um tanto simplista do tipo:

• Se o candidato apresenta a caracteristica A (por ex. Formacao = Escola de negocios), entao adicionamos 20 pontos a sua candidatura.
• Se em seguida ele tem a caracteristica B (por ex. Experiencia no mesmo setor da empresa que quer contratar), entao adicionamos 40 pontos.
• E assim por diante...

O que e preciso entender e que os algoritmos tambem podem ser extremamente sofisticados e elegantes. Eles podem, por exemplo, conter "logicas encadeadas" do tipo:

• Se A esta entre 70 e 100
• E que B tem um valor entre 40 e 60
• E que C...
• E que D....
• E/OU que...
• E que... Isso praticamente ao infinito.

Mas ai, mesmo que ja ultrapassemos em muito as capacidades de processamento de dados de que seria capaz o cerebro de 100% dos recrutadores (e de qualquer ser humano, aliás), ainda estamos em um nivel bastante basico da algoritmia!De fato, ao parametrizar um algoritmo, podemos facilmente integrar outros tipos de tratamentos que envolvem, em particular, o calculo de correlacoes, regressoes lineares em um conjunto de dados, a fim de extrair valores-limite que podem entao ser aplicados ao tratamento especifico de um conjunto de candidaturas para um determinado cargo.Vale destacar que a inteligencia artificial no recrutamento (recrutamento preditivo) tambem e extremamente util para identificar - antes do lancamento de uma missao - os fatores que condicionam o sucesso e o engajamento para um determinado cargo, em um contexto especifico.Em resumo, a I.A. pode ajudar a elaborar a lista de qualidades necessarias para ter sucesso e estar engajado em um trabalho especifico. Sem parecer muito... essa e a condicao essencial basica para um recrutamento bem-sucedido. Sem isso, boa sorte para encontrar o candidato ideal!

Machine Learning: Como as maquinas podem aprender sozinhas!

O Machine Learning (ou "aprendizado de maquina" em portugues) pode ser definido como: "Um conjunto de abordagens matematicas e estatisticas que permite dar a um sistema informatico a capacidade de aprender a partir de dados."O Machine Learning, mesmo sendo claramente subutilizado (ou nem utilizado) pela maioria dos editores de solucoes de HR Tech hoje, constitui, no entanto, um dos ramos mais promissores da Inteligencia Artificial aplicada ao recrutamento.Em resumo, o Machine Learning no recrutamento e o que permite "aprender com seus recrutamentos anteriores".Aplicado de forma sistematica, o Machine Learning tem o poder de permitir refinar progressivamente seus criterios de selecao - para um determinado cargo - para tender a capacidades cada vez mais poderosas de "prever o sucesso e o engajamento das pessoas" nesse cargo.

Quais fatores impactam a qualidade do Machine Learning?

Os fatores que determinam a qualidade e o carater discriminatorio ou nao de um dispositivo de Machine Learning sao principalmente de 2 ordens:

• O tipo de dados utilizados,
• A representatividade da base de dados sobre a qual e conduzido o aprendizado automatico.

O tipo de dados utilizados no Machine Learning

E evidente que, para nao introduzir efeitos perversos, o Machine Learning deve ser exercido sobre dados que nao carreguem "em potencia" um carater discriminatorio direto (idade, sexo, etc.) ou indireto (endereco, escolas, experiencias, etc.)Os criterios diretos, se definidos como criterios de exclusao, eliminam diretamente certas categorias de individuos, sem que a relacao absoluta com o desempenho real no cargo esteja estabelecida.Os criterios sao ditos "indiretos" porque, mesmo que nao parecam visar uma categoria especifica de pessoas, isso pode ser o caso. Se tomarmos o endereco, por exemplo, e obvio que se eu excluir todas as candidaturas de um determinado bairro periferico, vou afastar majoritariamente as candidaturas de candidatos oriundos de comunidades e/ou da imigracao (seja de 1a, 2a ou 3a geracao).O ideal, quando se trabalha na selecao de pessoas para contratacao, e fazer o sistema de Machine Learning rodar sobre dados que nao sao (ou pouco) impactados por um ou outro dos criterios considerados como fatores de discriminacao na contratacao pela legislacao do pais em que se opera.

O caso especifico das variaveis psicologicas e comportamentais

As caracteristicas psicologicas e comportamentais, por outro lado, constituem uma alternativa particularmente interessante. Isso pela simples razao de que essas caracteristicas se encontram bastante bem distribuidas, independentemente dos criterios utilizados para definir uma populacao.Se eu escolher pre-selecionar meus candidatos com base em suas capacidades cognitivas avaliadas por meio de um teste padronizado, em vez de usar o criterio "frequentou tal ou tal escola", naturalmente vou neutralizar o fator "foi gerado por pais que tiveram sucesso social". O que representa um passo a frente no que diz respeito a equidade no recrutamento.Da mesma forma, se eu fizer o Machine Learning rodar sobre um conjunto de dados que contem essa informacao (a capacidade cognitiva dos individuos) em vez da informacao sobre a escola frequentada, o sistema no final tendera a me propor candidaturas muito mais diversificadas em termos de genero, origem ou ainda idade das pessoas.

A representatividade da base de dados sobre a qual e realizado o aprendizado

Esse criterio e particularmente interessante de estudar. Se na minha empresa, para um cargo especifico, eu tive a tendencia de recrutar essencialmente homens que passaram por uma escola de engenharia e eu lancar um algoritmo de Machine Learning com base em seus CVs... na sua opiniao, o que vai sair?Ha grandes probabilidades de que entre os criterios que surgem esteja o fato de ter passado por tal ou tal escola de engenharia. Ora, os bancos das escolas de engenharia sao majoritariamente compostos por jovens homens brancos oriundos de familias privilegiadas.Se a diversidade e algo importante para mim (alem de ser - diga-se de passagem - uma obrigacao do ponto de vista legal), entao eu certamente tenho mais interesse em integrar outros fatores que - como vimos acima - sao menos suscetíveis de serem impactados pela origem social dos candidatos.Se eu analisar, por outro lado, os dados resultantes de testes cognitivos na minha populacao de engenheiros, provavelmente vou perceber que o algoritmo de Machine Learning vai destacar um criterio do tipo: "Capacidades cognitivas superiores".O que e preciso entender e que se os criterios de analise sao criterios nao impactados por variaveis potencialmente discriminatorias, a representatividade da amostra se torna totalmente secundaria.Por que? Porque, no fundo, pouco importa que eu tenha - no momento em que faco a analise na minha empresa - essencialmente "jovens homens brancos oriundos de familias bem estabelecidas" no meu quadro de funcionarios.Visto que o criterio que surge e "capacidades cognitivas superiores". Visto tambem que a proporcao de pessoas que possuem capacidades cognitivas superiores e tao importante entre homens quanto entre mulheres, entre pessoas que moram em bairros nobres ou em bairros populares...Se eu escolher aplicar esse criterio de "aptidao cognitiva" no futuro, ao mesmo tempo em que abandono o criterio "escola de engenharia", isso nao vai me levar a selecionar apenas "jovens homens brancos cujos pais sao de classes sociais superiores". Pelo contrario, vou mecanicamente aumentar a diversidade dentro das minhas equipes! (Desde que, e claro, eu tambem diversifique minhas fontes de recrutamento).Certamente, a amostra de base (pessoas na minha empresa no inicio) era "fortemente caracterizada", mas permitiu evidenciar uma caracteristica distintiva que nao e "propria dessa populacao em particular". De certa forma, o exercicio permitiu fazer emergir uma caracteristica "Universal".Isso so para entender bem que o argumento de que "e preciso uma base de dados enorme para fazer Machine Learning e que a populacao de base precisa ser suficientemente diversificada, senao nao funciona"... e simplesmente incorreto!