Дмитрий Сибиряк – Нейросети для hr подбора персонала и оценки резюме (страница 3)

Вспомните свою первую работу. Попади вы туда через такую систему, которая оценивает вас по шаблонам прошлого, – прошли бы вы отбор? Скорее всего, многие из нас остались бы за бортом только потому, что не вписались в стереотипные рамки, созданные на основе исторических данных. Это и есть предвзятость алгоритмов – неосознанное (а точнее, бездумное) копирование и усиление существующих в обществе или в конкретной компании предубеждений.

Этические дилеммы в действии

Итак, мы сталкиваемся с ситуацией, где нет простого и очевидного решения. С одной стороны, мы хотим автоматизировать процесс, чтобы он был быстрее и дешевле. С другой – мы не хотим превратить отбор в лотерею с нечестными правилами. Этические дилеммы здесь возникают на каждом шагу.

Вот представьте, что вы внедрили систему, которая анализирует не только текст резюме, но и, например, фотографию кандидата. Алгоритм обучен определять "культурное соответствие" команде. Как вы думаете, к чему это может привести? Он может начать отдавать предпочтение людям со "стандартной" внешностью, определенным типом лица или стилем одежды на фото. Формально вы не нарушаете закон – вы же не спрашиваете напрямую про расу или возраст. Но фактически алгоритм сам научился их дискриминировать, потому что в вашей успешной команде большинство выглядело одинаково.

Или другой вопрос: насколько прозрачным должно быть решение алгоритма? Если мы отклонили кандидата, должны ли мы объяснить ему, почему? В классическом рекрутинге мы можем сказать: "Нам показалось, что вам не хватает опыта управления проектами". А что скажет машина? "Ваш индекс соответствия – 47, потому что в вашем резюме слово ‘ответственность’ встретилось всего два раза, а оптимальное количество для этой должности – пять". Звучит нелепо, но именно так и работают многие модели. Объяснить их логику человеческим языком бывает крайне сложно, а порой и невозможно.

Здесь мы подходим к главному парадоксу: мы доверяем алгоритму, но не понимаем, как именно он принимает решения. Это создает огромную этическую проблему. Мы можем отсеять гениального кандидата из-за того, что он использовал не те синонимы в резюме, и никогда об этом не узнаем.

Кто ответит за ошибку?

Представьте, что из-за ошибки в данных или некорректно настроенной модели, система автоматического отбора начала штамповать отказы всем кандидатам старше 45 лет. Произошло это не потому, что кто-то дал такую команду, а потому, что модель "увидела" корреляцию между возрастом и каким-то другим, несущественным признаком.

Кто будет виноват? Разработчик, который писал код? HR-директор, который дал добро на внедрение? Сама нейросеть? Юристы разводят руками, потому что законодательство в этой области пока отстает от технологий. А пострадавший кандидат, который потерял надежду найти работу, просто получит бездушное уведомление: "Мы внимательно изучили ваше резюме, но, к сожалению, на данный момент не готовы продолжить общение".

Это и есть та самая этическая ловушка. Мы создаем систему, которая снимает с нас ответственность. Рекрутер может сказать: "Я здесь ни при чем, это программа так решила". Но программа – это инструмент, и ответственность за его использование всегда лежит на человеке. Игнорировать этот факт – значит, рано или поздно столкнуться с серьезными репутационными и юридическими последствиями.

Как не стать заложником алгоритма

Значит ли все вышесказанное, что автоматизация – это зло, и нужно отказаться от нейросетей в пользу старого доброго ручного просмотра? Конечно, нет. Просто, как и с любым мощным инструментом, обращаться с ним нужно аккуратно и с пониманием его ограничений.

Первый шаг – это признание того факта, что проблема существует. Многие компании внедряют AI в HR, наивно полагая, что машина по определению объективнее человека. Но, как мы уже выяснили, машина объективна ровно настолько, насколько объективны данные, которыми ее кормят. Поэтому начинать внедрение нужно не с поиска самой крутой модели, а с аудита собственных данных. Нет ли в них перекосов? Не учим ли мы алгоритм на примерах, где за успех принимались стереотипы?

Второй шаг – это постоянный контроль и аудит самой модели. Нужно регулярно проверять, кого она отсеивает и кого пропускает. Не появилась ли у нее нездоровая тяга к выпускникам конкретного вуза? Не начала ли она дискриминировать людей по косвенным признакам? Это требует отдельной экспертизы и времени, но это единственный способ обезопасить себя.

И, наконец, самое важное – алгоритм должен быть помощником, а не судьей. Окончательное решение всегда должно оставаться за человеком. Нейросеть может отобрать сотню самых перспективных резюме из тысячи, но финальный выбор, собеседование и оценку личности кандидата должен проводить живой рекрутер. Только так мы сможем сохранить баланс между эффективностью и человечностью, между скоростью и справедливостью.

Так что, настраивая очередной "умный" фильтр, всегда помните о том неловком госте на вечеринке с бейджиком. Хотите ли вы, чтобы ваши кандидаты чувствовали себя так же, глядя на бездушный вердикт алгоритма? Думаю, ответ очевиден.

С чего начать цифровую трансформацию отдела подбора

Мы с вами уже разобрались, что HR-аналитика – это не просто модное слово, а необходимость. Обсудили, как нейросети меняют правила игры, и даже испугались этических дилемм с предвзятостью алгоритмов. Самое время перейти от теории к практике. Ведь одно дело – понимать, что нам нужны нейросети для поиска талантов, и совсем другое – взять и внедрить их в свой отдел подбора. Именно об этом мы и поговорим в этой главе: с чего конкретно начать, чтобы ваша цифровая трансформация не превратилась в бесконечную закупку дорогих, но бесполезных игрушек.

Знаете, в чём главная ловушка цифровой трансформации? В том, что её часто воспринимают как покупку нового чайника в офис. Вот пришёл новый HR-директор, посмотрел на устаревшие процессы, вздохнул и сказал: «Нам нужна автоматизация!». Выделили бюджет, купили самую дорогую и навороченную систему по подбору персонала, а через полгода выясняется, что рекрутеры всё равно ведут кандидатов в Excel, потому что «так привычнее» и «в этой вашей программе ничего не понятно». Знакомо? Чтобы этого не случилось, нужно действовать не как коллекционер дорогих гаджетов, а как садовник, который готовит почву. Потому что цифровая трансформация – это не про технологии, это про людей и процессы.

Оглянитесь вокруг: аудит текущего состояния

Первый шаг на пути к автоматизации подбора – это не поиск идеального программного обеспечения, а честный и даже слегка беспощадный аудит того, что у вас уже есть. Сядьте и представьте, что вы – сторонний наблюдатель, который впервые видит, как работает ваш отдел. Как сейчас выглядит поиск кандидата? Где хранятся резюме? Сколько времени в день рекрутер тратит на то, чтобы вручную разобрать сотню откликов на вакансию? Как долго согласовывается оффер с руководством?

Я предлагаю вам провести небольшой эксперимент. Просто попросите своих рекрутеров в течение недели записывать, на что они тратят своё время. Без осуждения, просто фиксировать факты: «два часа искал в почте письмо с резюме от Иванова», «полдня прозванивал кандидатов, чтобы подтвердить их контактные данные», «весь вечер вбивал данные из бумажных анкет в общую базу». Результаты этого простого эксперимента часто шокируют. Выясняется, что люди, которые должны заниматься сложной и творческой работой – оценкой мотивации кандидата, переговорами, выстраиванием отношений, – на 80% своего времени превращаются в секретарей и операторов ввода данных.

И вот тут важно понять, что цифровая трансформация призвана не заменить человека, а освободить его от этой рутины. Нейросети отлично справятся с парсингом резюме, семантическим поиском пассивных кандидатов и даже с первичным скорингом. Но они никогда не поймут, подходит ли этот «идеальный по резюме» кандидат под специфическую корпоративную культуру вашей компании или есть ли у него «тот самый огонёк в глазах». Поэтому, прежде чем что-то менять, ответьте себе на вопрос: какие именно задачи в вашем отделе подбора максимально рутинны, алгоритмизируемы и отнимают больше всего времени? Именно с них и стоит начать.

Боль начинается с боли: выбираем правильную цель

Итак, вы провели аудит и увидели узкие места. Предположим, выяснилось, что ваши рекрутеры тонут в море откликов на вакансию «менеджер по продажам». Каждый день приходит по 200-300 резюме, и вручную их просматривать просто невозможно. Кажется, что цель очевидна: купить систему, которая будет автоматически фильтровать и ранжировать кандидатов. Но не спешите.

Цифровая трансформация – это всегда про достижение конкретного бизнес-результата, а не про внедрение технологии ради технологии. Спросите себя: зачем нам нужно фильтровать эти 300 резюме? Чтобы сократить время закрытия вакансии. А зачем нам сокращать время закрытия вакансии? Чтобы бизнес быстрее получал продавцов и росла выручка. А вот теперь мы добрались до сути.

Конец ознакомительного фрагмента.

Текст предоставлен ООО «Литрес».

Прочитайте эту книгу целиком, купив полную легальную версию на Литрес.

Безопасно оплатить книгу можно банковской картой Visa, MasterCard, Maestro, со счета мобильного телефона, с платежного терминала, в салоне МТС или Связной, через PayPal, WebMoney, Яндекс.Деньги, QIWI Кошелек, бонусными картами или другим удобным Вам способом.