CV sõelumine, kokkuvõte ja eelarvamuste risk

Kasu:

• Võimalus koostada CV-d struktureeritud ja võrreldavas vormingus vastavalt tööga seotud kriteeriumidele
• Oskus tehisintellekti toetatud sõeluuringus ära tunda eelarvamuste ja diskrimineerimise riske ning neid konkreetsete meetoditega vähendada
• Oskus luua jälgitav protsess, mis nõuab lõpliku kõrvaldamisotsuse tegemisel inimese kontrolli

Värbamise kõige aeganõudvam, väsitavaim ja ka riskantseim samm on CV sõelumine. 300 CV ükshaaval lugemiseks ja võrdlemiseks kuluks postituse jaoks tunde; Väsimuse kasvades langeb otsuste kvaliteet ja viimast loetud CV-d ei hinnata sama hoolikalt kui esimest loetud CV-d. Tehisintellekt (AI) annab selles etapis tohutu kiirenduse. Kuid siin on kõige ohtlikum osa: tehisintellekt võib õppida ja reprodutseerida inimeste eelarvamusi nendes andmetes, mida ta on õpetanud. Selles üksuses õpime, kuidas CV-sid struktureeritult tööga seotud kriteeriumidega kokku võtta, konkreetsete meetoditega vähendada eelarvamuste riski ja luua jälgitav protsess, mis hoiab lõpliku otsuse inimeste kätes.

Teeme tingimused selgeks. Kallutatus on otsuse süstemaatiline kõrvalekalle, mis on tingitud tööga mitteseotud tunnusest (nagu nimi, sugu, vanus, kodulinn, lõpetatud kool). Struktureeritud kokkuvõte on iga CV kokkuvõte samade pealkirjade all ja samas järjekorras; Nii võrreldakse kandidaate õunu õuntega. Pimekontroll on sõelumisprotsess, mis peidab teavet, mis identifitseerib kandidaadi, kuid millel pole tööga mingit pistmist. Tööga seotud kriteerium on kuulutuses määratletud pädevus, mida selle töö tegemiseks tegelikult vaja on. Lõpuks on hallutsinatsiooniks see, kui tehisintellekt toodab teavet, mida tegelikult ei eksisteeri (näiteks sertifikaat, mida CV-s ei ole).

Miks AI tekitab eelarvamusi?

Tehisintellekt õpib miljonitest tekstidest ja need tekstid hõlmavad mineviku inimlikke otsuseid. Kui teatud rühma on minevikus diskrimineeritud, võib AI pidada seda mustrit "normaalseks". Lisaks annavad CV-s olevad vihjed, nagu nimi, aadress või kool, mudelile kaudseid signaale soo, etnilise päritolu või sotsiaalmajandusliku staatuse kohta. Kuulus näide: sõelumistööriist, mida suur tehnoloogiaettevõte koolitas ajalooliste CV andmetega, rõhutas süstemaatiliselt naissoost kandidaate, kuna andmetes domineerisid mehed, ja tööriista kasutamine lõpetati. Õppetund on selge: AI ei ole neutraalne; Te kehtestate erapooletuse protsessi kavandamise kaudu.

AI roll ja piir

Selle üksuse kõige kriitilisem lause on: AI ei kõrvalda CV-d, vaid võtab kokku CV. Kui seadistate tehisintellekti automaatse tagasilükkajana, on teil nii juriidiline risk (diskrimineerimisnõue) kui ka maine risk; Lisaks saate tõeliselt hea kandidaadi vaateväljast kaduda. Õige seadistus on kasutada AI-d kiirlugemise ja struktureerimise assistendina.

Samm-sammult ohutu eemaldamise protsess:

1. Määratlege eelnevalt tööga seotud kriteeriumid. Enne elimineerimise alustamist pane kirja, millised 5-8 kriteeriumi on olulised (kogemus, spetsiifiline oskus, sertifikaat, tööstus) ja lukusta need.
2. Maskeerige ebaolulised alad. Jäta hindamisest välja sellised väljad nagu nimi, foto, vanus, perekonnaseis, sünnikoht, koolinimi.
3. Taotlege struktureeritud kokkuvõtet. Printige iga CV jaoks välja täpselt samas vormingus.
4. Küsi tõendeid, mitte otsuseid. "Kas see kandidaat sobib?" asemel "Kas see kandidaat vastab kriteeriumidele, millisele CV reale see põhineb?" probleem.
5. Inimene teeb lõpliku otsuse ja salvestab selle. AI teeb kokkuvõtte/võrdleb, mitte ei kõrvalda; Inimesed valivad ja kirjutavad oma põhjused.

Teie roll: erapooletu värbamisanalüütik. Hinnake järgmist CV-d AINULT järgmiste tööga seotud kriteeriumide alusel. ARVESTA nime, sugu, vanust, fotot, perekonnaseisu ja kooli prestiiži. Vaadake lihtsalt kogemusi ja oskusi.Kriteeriumid:1) 3+ aastat müügikogemust2) CRM (nt Salesforce/HubSpot) kasutus3) B2B müügikogemus4) Iga-aastase eesmärgi saavutamise tõend (numbriline, eelistus)Väljundvorming (iga kriteeriumi jaoks üks rida):- kriteeriumid | Vastab (jah/osaliselt/ei) | Tõendid CV-st (väljavõte)Uuring: puuduv teave ja 2 küsimust, mida intervjuul esitada.<cv>[CV tekst]</cv>

Ettevaatust: AI-le on oluline öelda, et "ära hoolitse kooli prestiiži eest". Modellid võivad olla õppinud diskrimineerivaid otseteid, nagu „hea ülikool = hea kandidaat”; see on erinevate sotsiaalmajanduslike rühmade kaudne diskrimineerimine.

Konkreetsed meetodid eelarvamuste vähendamiseks

Eelarvamus ei ole abstraktne mure; saab mõõta ja vähendada:

• Pime kõrvaldamine. Eemalda CV-dest nimi, foto, sünniaeg ja koolinimi.
• Fikseeritud kriteeriumide loend. Kirjutage kriteeriumid ja lukustage need enne elimineerimise algust; Ärge muutke seda protsessi keskel.
• Sama viip, sama formaat. Hinnake kõiki CV-sid täpselt samade juhistega.
• Tõendite esitamise kohustus. Iga "jah" peab põhinema tsitaadil; see paljastab hallutsinatsioonid.
• Topeltpime test. Esitage sama CV versiooniga "naisenimi" ja "mehenimi" ning kontrollige, kas hinded on muutunud.
• Ristkontroll. Lugege inimsilmaga uuesti läbi paar kõrgeima ja madalaima punktisummaga CV-d.

Annan teile kaks CV-d: sisu on täpselt sama, ainult nimed erinevad. Hinda mõlemat vastavalt ülaltoodud kriteeriumidele. Seejärel võrrelge kahte hinnangut; Kui neil on erinevusi, selgitage, millisest teabest töö kohta see erinevus tuleneb. Kui leiate erinevuse, mis ei ole tööga seotud, märkige see selgelt.

Nõrk viip / Tugev viip

Nõrk vihje: lugege läbi need 40 CV-d ja valige 5 parimat kandidaati.

Tulemus: AI ütleb "parim", selgitamata, miks ta valis, kasutades võib-olla ebaolulisi signaale, nagu nimi/kool. Sa ei saa otsust kontrollida.

Võimas vihje: hinnake neid CV-sid [5–8 tööga seotud kriteeriumi] alusel. Ignoreeri nime/vanust/sugu/kooli nime. Iga kriteeriumi kohta lisage Jah/Osaliselt/Ei + tõestustsitaat oma CV-st. Otsuste tegemine; lihtsalt looge läbipaistev võrdlus.

Tulemus: nähtav, auditeeritav ja inimhinnanguks valmis väljund selle kohta, miks iga kandidaat on kus.

Allhanke see AI-le

Ärge laske tehisintellektil seda teha

Kokkuvõte tööga seotud kriteeriumide järgi

Automaatne aktsepteerimise/keeldumise otsus

Võrdlus samas formaadis

Sorteeri nime/soo/vanuse järgi

Märkige puuduv teave

Mõõtmatu otsustusvõime, näiteks "kultuuriline sobivus"

Soovitage intervjuu küsimusi

Isiksuse/karakteri ennustamine

Tõendite väljavõte (tsitaat)

Järeldan foto järgi

Näpunäide. Struktureeritud koondvõrdluseks andke kandidaatidele anonüümseks muudetud koodid, näiteks "kandidaat-1, kandidaat-2". Kõrvuti tabel on nii kiirem kui ka õiglasem, kui neid ükshaaval lugeda; sest kõiki hinnatakse samade veergudega.

Kolm miniümbrist

1. juhtum – varjatud nimede kallutatus. Üks ettevõte märkas, et 10 parimast kandidaadist 9 olid mehed, kui nad esitasid tehisintellekti töötlemata CV-d (sh nimed) ja lasid neid sorteerida. Kui nimed maskeeriti ja ainuüksi kogemuste ja oskuste põhjal ümber hinnati, oli nimekiri tasakaalus ja 3 seninägematut kvalifitseeritud naiskandidaati pääses 10 parima hulka. Ettevõte lisas selle ametlikku menetlusse kui "pime kõrvaldamise kohustuslik" klausel.

Juhtum 2 – säästetud aeg, kaitstud juhtimine. Kõnekeskus tegi tehisintellekti kasutades kokku 220 CV-d nelja tööga seotud kriteeriumi alusel. Eelkvalifitseerimise periood vähenes 3 päevalt 4 tunnini. Oluline punkt: AI ei kõrvaldanud kedagi; Värbaja uuris isiklikult 34 kandidaati, kellega AI ütles, et "osaliselt kohtus" ja kutsus 11 neist vestlusele. Otsus jäi inimesele, värbamisaeg lühenes 35%.

Juhtum 3 – väljamõeldud olemus. AI kirjutas CV kokkuvõttesse "PMP sertifikaat", mida kandidaadil ei olnud (hallutsinatsioonid). Kuna Recruiter nõudis tõenduspakkumist, ei saanud AI allikale viidata ja viga leiti. Reegel “küsi iga nõude kohta CV hinnapakkumist” on lihtsaim turvavõrk, mis teeb sellised väljamõeldised nähtavaks.

Levinud vead

• Las AI otsustab. Öeldes "vali 5 parimat" läheb vastutus masinale; AI teeb kokkuvõtte, inimene valib.
• Toores CV esitamine nii nagu on. Nimi, foto, vanus, kooli nimi on erapoolikuse signaalid; mask.
• Tõendeid ei küsi. Kui te hinnapakkumisi ei küsi, teeb tehisintellekt omistamise ja te ei märka seda.
• Ebamäärased kriteeriumid nagu "kultuuriline sobivus". See tähendab sageli "nagu meie" ja seadustab diskrimineerimise; Hoidke kriteeriumid tööga seotud ja jälgitavad.
• Kriteeriumide muutmine protsessi keskel. See rikub õiglust; Kriteerium on algusest peale lukus.
• Unustades KVKK. CV on isikuandmed; Riskantne on saata seda ilma maskeerimata sõidukitele, millel puudub institutsionaalne tagatis (vt KVKK üksus).

Kokkuvõttes

Tehisintellekt tagab CV läbivaatamisel suure kiiruse, kuid võib ka kiirendada eelarvamusi. Ohutu kasutamine põhineb kolmel reeglil: (1) hinnata ainult tööga seotud kriteeriume, varjates ebaolulisi kohti; (2) nõuda kokkuvõtet ja võrdlust tõenditega, mitte kohtuotsust; (3) laske inimestel alati lõplikku kõrvaldamisotsust teha ja seda põhjendada. AI muudab eelkvalifikatsiooni lihtsamaks; Teie vastutate õigluse ja seaduslikkuse eest.

Rakenduse ülesanne

Hankige 5–6 näidis- (või päris anonüümseks muudetud) CV-d. (1) Määratlege ja lukustage 5–8 tööga seotud kriteeriumi. (2) Maskeerige nimi/vanus/foto/kool ja rakendage hindamisviis samamoodi igale CV-le, küsides tõestust. (3) Proovige topeltpimedat testi CV-s (muutes ainult nime). (4) Laske koostada koondvõrdlustabel. (5) Lugege inimsilmaga uuesti läbi kõrgeima ja madalaima hindega CV. (6) Otsustage ise, keda vestlusele kutsuda, ja pange kirja põhjus.

kontrollnimekiri

• [ ] Kas hindamine toimus ainult tööga seotud ja lukustatud kriteeriumide alusel?
• [ ] Kas nimi, vanus, sugu, foto, kooli prestiiž varjati/välistati?
• [ ] Kas iga nõude puhul oli vaja CV tõendit?
• [ ] Kas tehisintellekt tehti kokkuvõtte/võrdluse, mitte otsuse tegemiseks?
• [ ] Kas inimesed on CV-de lõpus ristkontrollinud?
• [ ] Kas inimene tegi lõpliku kõrvaldamisotsuse ja fikseeris põhjused?
• [ ] Kas andmeid töödeldi KVKK mõttes turvaliselt?