Ни для кого не секрет, что найти хороших работников нелегко, особенно в конкурентном технологическом мире.
Менеджеры по найму могут тратить часы на просмотр множества резюме, используя примитивные инструменты поиска по ключевым словам, а работники с особо востребованными навыками завалены письмами от рекрутеров, предлагающих не интересную им работу, говорит Эд Доннер, один из основателей и генеральный директор нью-йоркского стартапа Untapt.
«Найти инженеров — невероятная головная боль, — говорит Доннер, который ранее возглавлял технологическую команду с сотнями сотрудников в JPMorgan Chase. — Найти талант все еще невыносимо трудно».
Untapt — одна из тех компаний, которые хотят упростить процесс отбора резюме. Используя методы машинного обучения, они разрабатывают алгоритмы, которые могут предсказать, насколько хорошо кандидат подходит для конкретной работы. Сторонники и эксперты отрасли говорят, что автоматизация рекрутинга может сэкономить время и деньги, а также помочь hr-менеджерам находить и рассматривать более разнообразный набор претендентов.
Помогая преодолеть предрассудки
«Люди очень подвержены предрассудкам, а с помощью машины вы сможете преодолеть эту предвзятость, — говорит Том Хаак, директор HR Trend Institute. — Если машина узнает, что вы ищете, она сообщит, когда найдется подходящий кандидат».
Untapt, который был запущен в начале 2015 года, ориентирован на заполнение позиций в финансово-технологическом секторе. Его софт помогает искать кандидатов с определенными техническими навыками эффективнее, чем это можно было бы сделать с помощью традиционного текстового поиска в резюме и сопроводительных письмах. Если компания ищет разработчиков с большим опытом в функциональном программировании — методике разработки софта, популярной в финансово-технологическом мире, — инструмент Untapt может научиться распознавать, что знание определенных языков программирования — хороший знак, говорит Доннер.
«Вы имеете дело с этим очень «шумным» набором данных с большим количеством информации, — говорит он. — Такого рода задачи идеально подходят для искусственного интеллекта и машинного обучения».
Компания следит за тем, какие кандидаты, выбранные ее софтом, были приглашены на интервью и на какие позиции, и использует эту информацию, чтобы постоянно совершенствовать свои алгоритмы. Они, как говорит Доннер, часто уже опережают людей-рекрутеров по проценту кандидатов, приглашенных на собеседование.
Untapt также рассматривает кандидатов из недостаточно представленных групп — женщин, ветеранов и цветных, — чтобы дать шанс тем, кого традиционные рекрутеры могут проигнорировать.
«У нас также есть функции в Untapt, [где] клиенты могут выбрать, чтобы имена и фотографии в их резюме были скрыты, и решения принимались вслепую», — говорит Доннер.
По его словам, компания привлекает соискателей, используя различные методы, в том числе интернет-рекламу, блоги и выступления на отраслевых мероприятиях, а затем просто распространяет резюме среди тех компаний, с которыми кандидаты согласны сотрудничать. Это помогает привлечь клиентов, которые, возможно, не хотят активно участвовать в более традиционном поиске работы, но заинтересованы в изучении различных вариантов.
Машинное обучение также может помочь компаниям находить хороших кандидатов, обращаясь к имеющимся резюме, говорит Стив Гудман, один из основателей и генеральный директор Restless Bandit из Сан-Франциско. Компания специализируется на «перепроверке таланта» — она ищет среди ранее поданных резюме те, которые могут оказаться подходящими для новой вакансии. Программа изучает записи претендентов и оцифрованные данные о найме, указывающие, преуспели ли предыдущие претенденты на подобные роли. Со временем она учится понимать, какие резюме подходят для конкретных вакансий. «Мы изучаем шаблоны найма компании», — говорит Гудман.
В будущем компания, вероятно, получит больше данных о том, как успешные кандидаты преуспевают на своих новых рабочих местах и как они продвигаются по карьерной лестнице. Restless Bandit также собирает общедоступные данные о соискателях, поэтому компании могут поддерживать свои базы в актуальном состоянии и просматривать их с точки зрения новых позиций.
«Одна из вещей, которые мы делаем для компаний, это поиск данных в открытой сети, — говорит Гудман. — Мы пытаемся найти нужного человека и дополнить резюме последними данными».
Заменитель «седьмого чувства»?
Что системы машинного обучения пока не могут сделать, так это устранить необходимость собеседования, говорит Гудман. Они не могут оценить язык тела и разговорные навыки соискателей, предсказать, как они впишутся в существующую культуру этой команды. То есть еще существует определенная потребность участия человека в процессе приема на работу.
«Мы можем выбрать вам для собеседования 15 или 20 человек, — говорит он. — Но мы не можем сказать вам, кого нанять».
Тем не менее, некоторые компании даже разрабатывают инструменты, которые используют машинное обучение для оценки личностных качеств и способностей соискателей. В идеале искусственный интеллект может помочь компаниям выйти за рамки базовых личностных тестов, которыми, как давно говорят критики, соискатели могут легко манипулировать, угадывая «правильные ответы» для конкретной работы.
Cognisess, основанная в английском городе Бат, предлагает программную платформу с примерно 40 различными игровыми методами анализа, измеряющими такие факторы, как рабочая память, сопереживание, умение разделить внимание между несколькими задачами. На основе оценки существующих успешных работников платформа разрабатывает профили тех, кто хорошо подойдет для конкретной позиции, и указывает, насколько кандидаты соответствуют ей, говорит один из основателей и генеральный директор Крис Батт. Поскольку оптимальные результаты по различным тестам варьируются от позиции к позиции, соискателям трудно сфальсифицировать результаты.
В целом применение искусственного интеллекта для найма может означать переход от интуитивных решений к процессам, в большей степени основанных на данных, говорит Дэн Райан, директор Ryan Search and Consulting и член Общества управления людскими ресурсами.
«Часть проблем с трудоустройством, а также с процессом поиска работы, связана с тем, что существует зависимость от интуитивных решений в противовес решениям, основанных на данных, — говорит он. — Если мы получим подтверждения, что использование аналитического подхода дает более эффективный результат, чем опора на интуицию, то появятся и реальные результаты».