Lợi nhuận:
- Khả năng tóm tắt CV theo định dạng có cấu trúc và có thể so sánh theo các tiêu chí liên quan đến công việc
- Khả năng nhận biết rủi ro thiên vị và phân biệt đối xử trong sàng lọc được hỗ trợ bởi AI và giảm thiểu chúng bằng các phương pháp cụ thể
- Khả năng thiết lập một quy trình có thể truy nguyên cần có sự kiểm soát của con người trong quyết định loại bỏ cuối cùng
Công đoạn tuyển dụng tốn thời gian nhất, mệt mỏi nhất và cũng rủi ro nhất đó là sàng lọc CV. Sẽ mất hàng giờ để đọc và so sánh 300 CV cho một bài đăng; Khi tình trạng mệt mỏi tăng lên, chất lượng quyết định giảm và lần đọc CV cuối cùng không được đánh giá cẩn thận như lần đọc CV đầu tiên. Trí tuệ nhân tạo (AI) mang lại sự tăng tốc rất lớn trong bước này. Nhưng đây mới là phần nguy hiểm nhất: AI có thể học và tái tạo những thành kiến của con người trong dữ liệu mà nó được đào tạo. Trong phần này, chúng ta sẽ học cách tóm tắt CV theo cách có cấu trúc với các tiêu chí liên quan đến công việc, giảm nguy cơ sai lệch bằng các phương pháp cụ thể và thiết lập một quy trình có thể theo dõi để mọi người đưa ra quyết định cuối cùng.
Hãy làm rõ các điều khoản. Định kiến là sự sai lệch mang tính hệ thống của một quyết định do một đặc điểm nào đó không liên quan đến công việc (như tên, giới tính, tuổi, quê hương, trường đã tốt nghiệp). Tóm tắt có cấu trúc là tóm tắt từng CV theo cùng một tiêu đề, theo cùng một thứ tự; Bằng cách này, các ứng viên được so sánh táo với táo. Sàng lọc mù là một quá trình sàng lọc nhằm che giấu thông tin nhận dạng ứng viên nhưng không liên quan gì đến công việc. Tiêu chí liên quan đến công việc là năng lực được xác định trong quảng cáo thực sự cần thiết để thực hiện công việc đó. Cuối cùng, ảo giác là khi AI tạo ra thông tin không thực sự tồn tại (ví dụ: chứng chỉ không có trong CV).
Tại sao AI tạo ra sự thiên vị?
AI học từ hàng triệu văn bản và những văn bản này bao gồm các quyết định trong quá khứ của con người. Nếu một nhóm cụ thể đã từng bị phân biệt đối xử trong quá khứ, AI có thể nhầm mô hình này là “bình thường”. Ngoài ra, những manh mối trong CV như tên, địa chỉ hay trường học cũng đưa ra những tín hiệu gián tiếp cho người mẫu về giới tính, dân tộc hoặc tình trạng kinh tế xã hội. Một ví dụ nổi tiếng: một công cụ sàng lọc mà một công ty công nghệ lớn đã đào tạo về dữ liệu sơ yếu lý lịch lịch sử đã nhấn mạnh các ứng cử viên nữ một cách có hệ thống vì dữ liệu chủ yếu là nam giới và công cụ này đã bị ngừng sử dụng. Bài học rất rõ ràng: AI không trung lập; Bạn thiết lập sự công bằng thông qua thiết kế quy trình.
Vai trò và giới hạn của AI
Câu quan trọng nhất của đơn vị này là: AI không loại bỏ CV, nó tóm tắt CV. Nếu bạn thiết lập AI làm “công cụ từ chối tự động”, bạn sẽ gặp phải cả rủi ro pháp lý (khiếu nại phân biệt đối xử) và rủi ro danh tiếng; Hơn nữa, bạn có thể khiến một ứng viên thực sự tốt biến mất khỏi tầm nhìn. Thiết lập đúng là sử dụng AI làm trợ lý cấu trúc và đọc tốc độ.
Quy trình loại bỏ an toàn từng bước:
- Xác định trước các tiêu chí liên quan đến công việc. Trước khi bắt đầu loại trừ, hãy viết ra 5-8 tiêu chí quan trọng (kinh nghiệm, kỹ năng cụ thể, chứng chỉ, ngành) và khóa chúng.
- Che dấu các khu vực không liên quan. Loại trừ các trường như tên, ảnh, tuổi, tình trạng hôn nhân, nơi sinh, tên trường khỏi đánh giá.
- Yêu cầu một bản tóm tắt có cấu trúc. In ra cùng một định dạng cho mỗi CV.
- Yêu cầu bằng chứng, không phải quyết định. “Ứng viên này có phù hợp không?” thay vì "Ứng viên này có đáp ứng các tiêu chí không, CV dựa trên dòng nào?" vấn đề.
- Con người đưa ra quyết định cuối cùng và ghi lại nó. AI tóm tắt/so sánh chứ không loại trừ; Mọi người lựa chọn và viết lý do của họ.
Vai trò của bạn: một nhà phân tích tuyển dụng khách quan. CHỈ đánh giá CV sau dựa trên các tiêu chí liên quan đến công việc sau đây. XEM XÉT tên, giới tính, tuổi, hình ảnh, tình trạng hôn nhân và uy tín của trường. Chỉ cần nhìn vào kinh nghiệm và kỹ năng. Tiêu chí:1) Hơn 3 năm kinh nghiệm bán hàng tại hiện trường2) Cách sử dụng CRM (ví dụ: Salesforce/HubSpot)3) Kinh nghiệm bán hàng B2B4) Bằng chứng về việc đạt được mục tiêu hàng năm (số, ưu tiên)Định dạng đầu ra (một dòng cho mỗi tiêu chí):- Tiêu chí | Đáp ứng (Có/Một phần/Không) | Bằng chứng từ CV (trích) Thăm dò: thiếu thông tin và 2 câu hỏi cần hỏi khi phỏng vấn.<cv>[CV text]</cv>
Thận trọng: Điều quan trọng là phải nói với AI “đừng chăm sóc uy tín của trường học”. Các mô hình có thể đã học được những lối tắt mang tính phân biệt đối xử như “trường đại học tốt = ứng viên tốt”; đây là sự phân biệt đối xử gián tiếp chống lại các nhóm kinh tế xã hội khác nhau.
Các phương pháp cụ thể để giảm bớt thành kiến
Định kiến không phải là một mối quan tâm trừu tượng; có thể được đo và giảm bằng cách:
- Loại bỏ mù quáng. Xóa tên, ảnh, ngày sinh và tên trường khỏi CV.
- Danh sách tiêu chí cố định. Viết các tiêu chí và khóa chúng trước khi quá trình loại bỏ bắt đầu; Đừng thay đổi nó giữa quá trình.
- Cùng một lời nhắc, cùng một định dạng. Đánh giá tất cả các CV với các hướng dẫn giống hệt nhau.
- Nghĩa vụ tuyên án bằng chứng. Mọi câu "Có" đều phải dựa trên một câu trích dẫn; điều này cho thấy ảo giác.
- Thử nghiệm mù đôi. Gửi cùng một CV với phiên bản "tên nữ" và phiên bản "tên nam" và kiểm tra xem điểm có thay đổi hay không.
- Kiểm tra chéo. Đọc lại một vài CV có điểm cao nhất và thấp nhất bằng mắt người.
Tôi sẽ đưa cho bạn hai CV: nội dung giống hệt nhau, chỉ có tên là khác nhau. Đánh giá cả hai theo các tiêu chí trên. Sau đó so sánh hai đánh giá; Nếu có sự khác biệt giữa chúng, hãy giải thích thông tin về công việc mà sự khác biệt này bắt nguồn từ đâu. Nếu bạn tìm thấy điểm khác biệt không liên quan đến công việc thì hãy đánh dấu rõ ràng.
Nhắc yếu / Nhắc mạnh
Gợi ý yếu: Đọc 40 CV này và chọn ra 5 ứng viên xuất sắc nhất.
Kết quả: AI nói "tốt nhất" mà không giải thích lý do tại sao nó chọn, có thể sử dụng các tín hiệu không liên quan như tên/trường học. Bạn không thể kiểm soát được quyết định.
Lời nhắc mạnh mẽ: Đánh giá các CV này theo [5-8 tiêu chí liên quan đến công việc]. Bỏ qua tên/tuổi/giới tính/tên trường. Đối với mỗi tiêu chí, hãy cung cấp Có/Một phần/Không + trích dẫn bằng chứng từ CV của bạn. Ra quyết định; chỉ cần tạo ra một so sánh minh bạch.
Kết quả: một kết quả rõ ràng, có thể kiểm tra được và sẵn sàng cho con người đánh giá về lý do tại sao mỗi ứng viên lại ở vị trí đó.
Thuê nó cho AI
Đừng để AI làm điều đó
Tổng hợp theo tiêu chí liên quan đến công việc
Quyết định chấp nhận/từ chối tự động
So sánh trong cùng một định dạng
Sắp xếp theo tên/giới tính/tuổi
Đánh dấu thông tin còn thiếu
Sự phán xét vô lượng như “phù hợp với văn hóa”
Gợi ý câu hỏi phỏng vấn
Dự đoán tính cách/nhân vật
Trích xuất bằng chứng (trích dẫn)
Tôi suy luận từ bức ảnh
Mẹo: Để so sánh tổng hợp có cấu trúc, hãy cung cấp cho ứng viên các mã ẩn danh, chẳng hạn như "Ứng viên-1, Ứng viên-2". Bảng cạnh nhau vừa nhanh hơn vừa công bằng hơn so với việc đọc từng bảng một; bởi vì mọi người đều được đánh giá bằng các cột giống nhau.
Ba hộp nhỏ
Trường hợp 1 - Sự thiên vị tên ẩn. Một công ty nhận thấy rằng 9 trong số 10 ứng viên hàng đầu là nam giới khi họ đưa cho AI các CV thô (bao gồm cả tên) và yêu cầu họ phân loại chúng. Khi những cái tên được che giấu và đánh giá lại chỉ dựa trên kinh nghiệm và kỹ năng, danh sách đã được cân bằng và 3 ứng cử viên nữ đủ tiêu chuẩn chưa từng thấy trước đó đã lọt vào top 10. Công ty đã thêm điều này vào quy trình chính thức như một điều khoản "bắt buộc loại trừ mù".
Trường hợp 2 - Tiết kiệm thời gian, điều khiển được bảo vệ. Một trung tâm cuộc gọi đã tổng hợp 220 CV dựa trên 4 tiêu chí liên quan đến công việc bằng AI. Thời gian sơ tuyển giảm từ 3 ngày xuống còn 4 giờ. Điểm quan trọng: AI không loại bỏ ai; Nhà tuyển dụng đã đích thân kiểm tra 34 ứng viên mà AI cho biết "đã gặp một phần" và mời 11 người trong số họ đến phỏng vấn. Quyền quyết định vẫn thuộc về người, thời gian tuyển dụng được rút ngắn 35%.
Trường hợp 3 - Bản chất tự tạo. AI viết “chứng chỉ PMP” trong bản tóm tắt CV mà ứng viên không có (ảo giác). Vì Recruiter yêu cầu trích dẫn bằng chứng nên AI không trích dẫn được nguồn và phát hiện lỗi. Quy tắc “yêu cầu báo giá CV cho mọi khiếu nại” là mạng lưới an toàn đơn giản nhất giúp phát hiện những điều bịa đặt như vậy.
Những lỗi thường gặp
- Hãy để AI quyết định. Nói “chọn 5 người giỏi nhất” là đổ trách nhiệm cho máy; AI tổng hợp, con người lựa chọn.
- Đưa ra CV thô như cũ. Tên, ảnh, tuổi, tên trường là những dấu hiệu của sự thiên vị; mặt nạ.
- Không yêu cầu bằng chứng. Nếu bạn không yêu cầu báo giá, AI sẽ phân bổ và bạn sẽ không nhận ra.
- Những tiêu chí mơ hồ như “phù hợp với văn hóa”. Điều này thường có nghĩa là “giống như chúng tôi” và hợp pháp hóa sự phân biệt đối xử; Giữ các tiêu chí gắn liền với công việc và có thể quan sát được.
- Thay đổi tiêu chí giữa quá trình. Nó làm băng hoại công lý; Tiêu chí bị khóa ngay từ đầu.
- Quên KVKK rồi. CV là dữ liệu cá nhân; Sẽ rất rủi ro khi gửi nó mà không che chắn cho các phương tiện không có sự đảm bảo của tổ chức (xem đơn vị KVKK).
Tóm lại
AI mang lại tốc độ tuyệt vời trong sàng lọc CV, nhưng nó cũng có thể tăng tốc độ sai lệch. Sử dụng an toàn dựa trên ba quy tắc: (1) chỉ đánh giá với các tiêu chí liên quan đến công việc, che giấu những phần không liên quan; (2) yêu cầu tóm tắt và so sánh với bằng chứng chứ không phải phán quyết; (3) luôn để con người đưa ra và biện minh cho quyết định loại bỏ cuối cùng. AI giúp việc sơ tuyển trở nên dễ dàng hơn; Bạn chịu trách nhiệm về công lý và pháp lý.
Nhiệm vụ ứng dụng
Nhận 5-6 CV mẫu (hoặc thực sự ẩn danh). (1) Xác định và khóa 5-8 tiêu chí liên quan đến công việc. (2) Che tên/tuổi/ảnh/trường và áp dụng gợi ý đánh giá theo cách tương tự cho từng CV, yêu cầu trích dẫn bằng chứng. (3) Thử mù đôi trên CV (chỉ thay đổi tên). (4) Lập bảng so sánh tổng hợp. (5) Đọc lại CV có điểm cao nhất và thấp nhất bằng mắt người. (6) Hãy tự quyết định mời ai đến phỏng vấn và ghi lại lý do.
danh sách kiểm tra
- [ ] Việc đánh giá chỉ được thực hiện với các tiêu chí liên quan đến công việc và bị ràng buộc phải không?
- [ ] Tên, tuổi, giới tính, hình ảnh, uy tín của trường có bị che giấu/loại trừ không?
- [ ] Có cần trích dẫn bằng chứng CV cho mỗi yêu cầu bồi thường không?
- [ ] AI được tạo ra để tóm tắt/so sánh chứ không phải đưa ra quyết định?
- [ ] Các CV ghi chú cuối có được con người kiểm tra chéo không?
- [ ] Con người có đưa ra quyết định loại trừ cuối cùng và ghi lại lý do không?
- [ ] Dữ liệu có được xử lý an toàn theo KVKK không?