Hagnaður:
- Hæfni til að draga saman ferilskrár á skipulögðu og sambærilegu sniði samkvæmt starfstengdum forsendum
- Hæfni til að viðurkenna hættu á hlutdrægni og mismunun í skimun sem studd er við gervigreind og draga úr þeim með áþreifanlegum aðferðum
- Hæfni til að koma á rekjanlegu ferli sem krefst mannlegrar stjórnunar við endanlega brotthvarfsákvörðun
Tímafrekasta, þreytandi og jafnframt áhættusamasta skrefið við ráðningar er ferilskrárskimun. Það myndi taka óratíma að lesa og bera saman 300 ferilskrár fyrir færslu einn í einu; Eftir því sem þreyta eykst minnka gæði ákvörðunar og síðasta ferilskrá sem var lesin er ekki metin af sömu vandvirkni og fyrsta ferilskrá sem var lesin. Gervigreind (AI) veitir gríðarlega hröðun í þessu skrefi. En hér er hættulegasti hlutinn: gervigreind getur lært og endurskapað mannlega hlutdrægni í gögnunum sem það er þjálfað á. Í þessari einingu lærum við að draga saman ferilskrár á skipulegan hátt með starfstengdum viðmiðum, draga úr hættu á hlutdrægni með áþreifanlegum aðferðum og koma á rekjanlegu ferli sem heldur endanlegri ákvörðun í höndum fólks.
Við skulum skýra skilmálana. Hlutdrægni er kerfisbundið frávik ákvörðunar vegna eiginleika sem er ótengt starfinu (svo sem nafns, kyns, aldurs, heimabæjar, framhaldsskóla). Skipulögð samantekt er að draga saman hverja ferilskrá undir sömu fyrirsögnum, í sömu röð; Þannig er frambjóðendum líkt við epli. Blindskimun er skimunarferli sem felur upplýsingar sem bera kennsl á umsækjanda en hafa ekkert með starfið að gera. Starfstengd viðmiðun er sú hæfni sem skilgreind er í auglýsingunni sem raunverulega þarf til að gegna því starfi. Að lokum, ofskynjanir eru þegar gervigreind framleiðir upplýsingar sem eru ekki til í raun og veru (til dæmis vottorð sem er ekki innifalið í ferilskránni).
Af hverju veldur gervigreind hlutdrægni?
Gervigreind lærir af milljónum texta og þessir textar innihalda fyrri mannlegar ákvarðanir. Ef tilteknum hópi hefur verið mismunað í fortíðinni gæti gervigreindin misskilið þetta mynstur fyrir „venjulegt“. Auk þess gefa vísbendingar í ferilskránni eins og nafn, heimilisfang eða skóli óbein merki til líkansins um kyn, þjóðerni eða félagshagfræðilega stöðu. Frægt dæmi: skimunartól sem stórt tæknifyrirtæki þjálfaði á sögulegum ferilskrárgögnum undirstrikaði kerfisbundið kvenkyns frambjóðendur vegna þess að gögnin voru karlkyns, og tólið var hætt. Lærdómurinn er skýr: gervigreind er ekki hlutlaus; Þú kemur á hlutleysi með ferli hönnun.
Hlutverk og takmörk gervigreindar
Mikilvægasta setningin í þessari einingu er: AI útilokar ekki ferilskrá, hún dregur saman ferilskrá. Ef þú setur upp gervigreind sem „sjálfvirkan hafnara“, þá ertu bæði í lagalegri áhættu (mismununarkrafa) og orðsporsáhættu; Þar að auki geturðu látið virkilega góðan frambjóðanda hverfa af sjónarsviðinu. Rétt uppsetning er að nota gervigreind sem hraðlestur og uppbyggingaraðstoðarmann.
Skref fyrir skref öruggt brotthvarfsferli:
- Skilgreindu starfstengd viðmið fyrirfram. Áður en þú byrjar brotthvarfið skaltu skrifa niður hvaða 5-8 viðmið eru mikilvæg (reynsla, sérhæfni, vottun, iðnaður) og læstu þeim.
- Gríma óviðkomandi svæði. Útiloka reiti eins og nafn, mynd, aldur, hjúskaparstöðu, fæðingarstað, skólanafn frá mati.
- Biðja um skipulagða samantekt. Prentaðu út nákvæmlega sama snið fyrir hverja ferilskrá.
- Biddu um sönnunargögn, ekki ákvarðanir. "Er þessi frambjóðandi hentugur?" í stað þess að "uppfyllir þessi umsækjandi skilyrðin, á hvaða línu ferilskrárinnar er hún byggð?" vandamál.
- Manneskjan tekur endanlega ákvörðun og skráir hana. AI dregur saman / ber saman, ekki útrýma; Fólk velur og skrifar ástæður sínar.
Hlutverk þitt: hlutlaus ráðningarfræðingur. Metið eftirfarandi ferilskrá AÐEINS út frá eftirfarandi starfstengdum forsendum. HAFIÐ nafn, kyn, aldur, mynd, hjúskaparstöðu og skólaálit. Skoðaðu bara reynslu og færni.Viðmið:1) 3+ ára sölureynsla á vettvangi2) CRM (t.d. Salesforce/HubSpot) notkun3) B2B sölureynsla4) Vísbendingar um árleg markmiðsárangur (tölur, val) Úttakssnið (ein lína fyrir hvert viðmið):- Viðmið | Hittir (Já/Að hluta til/Nei) | Sönnunargögn úr ferilskránni (útdráttur) Rannsókn: upplýsingar vantar og 2 spurningar til að spyrja í viðtalinu.<cv>[CV text]</cv>
Varúð: Það er mikilvægt að segja gervigreindinni „ekki passa upp á álit skólans“. Líkön gætu hafa lært mismununarflýtileiðir eins og „góður háskóli = góður frambjóðandi“; þetta er óbein mismunun gagnvart mismunandi þjóðfélagshópum.
Ákveðnar aðferðir til að draga úr fordómum
Fordómar eru ekki óhlutbundin áhyggjuefni; hægt að mæla og minnka með:
- Blind brotthvarf. Fjarlægðu nafn, mynd, fæðingardag og skólanafn af ferilskrám.
- Fastur viðmiðunarlisti. Skrifaðu viðmiðin og læstu þeim áður en brotthvarfið hefst; Ekki breyta því í miðju ferlinu.
- Sama hvetja, sama snið. Metið allar ferilskrár með nákvæmlega sömu leiðbeiningum.
- Skylda með sönnunarfærslu. Hvert „já“ verður að byggjast á tilvitnun; þetta sýnir ofskynjunina.
- Tvöfalt blindpróf. Sendu sömu ferilskrá með "kvenmannsnafn" útgáfu og "karlmannsnafn" útgáfu og athugaðu hvort einkunnir hafi breyst.
- Krossskoðun. Lestu aftur nokkrar ferilskrár með hæstu og lægstu einkunnir með mannsaugu.
Ég mun gefa þér tvær ferilskrár: innihaldið er nákvæmlega það sama, aðeins nöfnin eru mismunandi. Metið hvort tveggja samkvæmt ofangreindum forsendum. Berðu síðan saman matin tvö; Ef það er munur á þeim, útskýrðu hvaða upplýsingar um starfið þessi munur stafar af. Ef þú finnur mun sem tengist ekki starfinu skaltu merkja það greinilega.
Veik kvaðning / sterk kvaðning
Veik tilvitnun: Lestu þessar 40 ferilskrár og veldu 5 efstu frambjóðendurna.
Niðurstaða: AI segir „best“ án þess að útskýra hvers vegna það valdi, hugsanlega með óviðkomandi merkjum eins og nafni/skóla. Þú getur ekki stjórnað ákvörðuninni.
Öflug tilvitnun: Metið þessar ferilskrár út frá [5-8 starfstengdum forsendum]. Hunsa nafn/aldur/kyn/nafn skóla. Fyrir hverja viðmiðun, gefðu já/að hluta/nei + sönnunartilvitnun úr ferilskránni þinni. Ákvarðanataka; framleiðið bara gagnsæjan samanburð.
Niðurstaðan: sýnilegt, endurskoðanlegt og tilbúið fyrir dómgreind hvers vegna hver frambjóðandi er hvar.
Útvistaðu það til gervigreindar
Ekki láta gervigreind gera það
Samantekt eftir starfstengdum viðmiðum
Sjálfvirk samþykkt/hafna ákvörðun
Samanburður á sama sniði
Raða eftir nafni/kyni/aldri
Merktu upplýsingar sem vantar
Ómæld dómgreind eins og "menningarleg passa"
Leggðu til viðtalsspurningar
Spá um persónuleika/persónu
Dragðu út sönnunargögn (tilvitnun)
Ég álykta af myndinni
Ábending: Fyrir skipulagðan heildarsamanburð, gefðu frambjóðendum nafnlausa kóða eins og "Candidate-1, Candidate-2". Hlið við hlið borð er bæði fljótlegra og sanngjarnara en að lesa þau eitt af öðru; vegna þess að allir eru metnir með sömu dálkum.
Þrjú Mini Cass
Tilfelli 1 - Hlutdrægni í falinn nafn. Eitt fyrirtæki tók eftir því að 9 af 10 efstu umsækjendunum voru karlar þegar þeir gáfu gervigreindarferilskránum (þar á meðal nöfn) og létu flokka þær. Þegar nöfn voru dulbúin og endurmetin á grundvelli reynslu og kunnáttu einni saman, var listinn í jafnvægi og 3 áður óséðir hæfir kvenkyns frambjóðendur komust á topp 10. Fyrirtækið bætti þessu við opinbera málsmeðferðina sem "blind brottnám skylda" ákvæði.
Tilfelli 2 — Tímasparnaður, vernduð stjórn. Símamiðstöð tók saman 220 ferilskrár byggðar á 4 starfstengdum forsendum með gervigreind. Forkjörstímabilið styttist úr 3 dögum í 4 klst. Afgerandi atriði: gervigreind útrýmdi engum; Ráðningaraðilinn skoðaði persónulega 34 umsækjendur sem AI sagði „hitta að hluta“ og bauð 11 þeirra í viðtal. Ákvörðunin var áfram hjá viðkomandi, ráðningartíminn styttist um 35%.
Mál 3 - Tilbúið eðli. AI skrifaði „PMP vottun“ í samantekt á ferilskrá, sem umsækjandinn hafði ekki (ofskynjanir). Vegna þess að Recruiter bað um sönnunartilvitnun gat gervigreind ekki vitnað í upprunann og villan náðist. Reglan um að „biðja um tilboð í ferilskrá fyrir hverja kröfu“ er einfaldasta öryggisnetið sem gerir slíkan tilbúning sýnilegan.
Algeng mistök
- Láttu AI ákveða. Að segja „veldu bestu 5“ er að velta ábyrgðinni yfir á vélina; gervigreind tekur saman, mannlegt velur.
- Að gefa hráa ferilskrána eins og hún er. Nafn, mynd, aldur, skólanafn eru merki um hlutdrægni; grímu.
- Er ekki að biðja um sönnun. Ef þú biður ekki um tilvitnanir mun gervigreind mynda eignarhlutfallið og þú munt ekki taka eftir því.
- Óljós viðmið eins og "menningarleg passa". Þetta þýðir oft „eins og við“ og lögmætir mismunun; Haltu viðmiðunum tengdum starfinu og sjáanlegum.
- Breyting á forsendum í miðju ferli. Það spillir réttlætinu; Viðmiðið er læst frá upphafi.
- Að gleyma KVKK. CV eru persónuupplýsingar; Það er áhættusamt að senda það grímulaust til ökutækja sem eru ekki með stofnanatryggingu (sjá KVKK eining).
Í stuttu máli
AI veitir mikinn hraða í ferilskrárskimun, en það getur líka flýtt fyrir hlutdrægni. Örugg notkun byggist á þremur reglum: (1) metið aðeins með starfstengdum forsendum, felur óviðkomandi svæði; (2) biðja um samantekt og samanburð við sönnunargögn, ekki dóm; (3) láttu menn alltaf taka og réttlæta endanlega útrýmingarákvörðun. gervigreind gerir forkeppni auðveldari; Þú berð ábyrgð á réttlæti og lögmæti.
Umsóknarverkefni
Fáðu 5-6 sýnishorn (eða raunverulegar nafnlausar) ferilskrár. (1) Skilgreindu og læstu 5-8 starfstengd viðmið. (2) Maskaðu nafnið/aldurinn/myndina/skólann og notaðu matsfyrirmælin á sama hátt á hverja ferilskrá, biðja um sönnunartilvitnun. (3) Prófaðu tvíblindprófið á ferilskrá (breytir aðeins nafninu). (4) Láttu búa til samanlagða samanburðartöflu. (5) Lestu aftur ferilskrána með hæstu og lægstu einkunnir með mannsaugu. (6) Ákveðið sjálfur hverjum á að bjóða í viðtalið og skráðu ástæðuna þína.
gátlisti
- [ ] Var matið eingöngu gert með starfstengdum og læstum forsendum?
- [ ] Var nafn, aldur, kyn, mynd, skólaálit gríma/útilokað?
- [ ] Var krafist tilboðs í ferilskrá fyrir hverja kröfu?
- [ ] Var gervigreindin gerð til að gera samantekt/samanburð, ekki ákvörðun?
- [ ] Hafa menn farið yfir ferilskrár lokaskýrslu?
- [ ] Tók maðurinn endanlega ákvörðun um brotthvarf og skráði ástæðurnar?
- [ ] Var unnið með gögnin á öruggan hátt samkvæmt KVKK?