В наши дни много шума вокруг так называемого «ИИ в HR». Большинство поставщиков заявляют, что в их продуктах есть своего рода машинное обучение, а некоторые делают заявления, которые с точки зрения человека, занимающегося этим последние 15 лет, кажутся маловероятными.

Понимание того, что могут (и чего не могут) эти новые технологии, имеет жизненно важное значение, если HR может оценить их покупку или работать со своими внутренними командами над проектированием, разработкой и внедрением своих собственных подходов. Аналитическая грамотность быстро становится основным навыком HR.

Алгоритмы бесплатны

Многие поставщики технологий позиционируют свои продукты как обладающие удивительными уникальными алгоритмами. Почти во всех случаях это маловероятно.

Одна из замечательных тенденций, которые мы наблюдаем в последние годы, заключается в том, что крупные технологические компании набирают большие команды лучших специалистов по данным и публикуют новые алгоритмы в журналах, часто одновременно открывая исходный код.

Практически все используют эти алгоритмы — а во многих случаях и гораздо более ранние — в качестве основы для своих действий. Они почти наверняка будут комбинировать их и менять настройки, но в основе мы должны принять те же свободно доступные строительные блоки.

Что нужно, так это отличные обучающие данные

В отличие от того, что алгоритмы бесплатны, данные не бесплатны, и это то, что отличает достойные усилия от больших аналитических усилий. Это соответствует посылу, который мы всегда говорим клиентам: для улучшения ранних аналитических результатов обычно нужны более качественные данные, а не более совершенные алгоритмы. Именно поэтому мы создали Воркометрию — максимально упростить сбор качественных данных.

В 2014 году я написал статью о 5 типах поставщиков HR-аналитики. В нем я описал категорию, которую назвал агрегатор данных. Это была фирма, которая, собрав огромное количество межфирменных данных на индивидуальном уровне, смогла создать ценные аналитические предложения.

В 2018 году практически каждое SaaS-предложение по управлению персоналом пробует эту модель. Во многих случаях данные на самом деле не имеют достаточной ценности (их много, но они не очень богаты — большинство провайдеров опросов можно отнести к этой категории). Однако некоторые поставщики найдут в этом подходе истинную ценность.

Эти данные становятся барьером для входа новых фирм, желающих войти в отрасль — их трудно и дорого приобрести. Это веская причина, по которой многие из самых инновационных стартапов в области HR-аналитики занимаются набором персонала. При найме гораздо больше данных существует за пределами фирмы в общедоступных источниках данных.

До общего ИИ еще далеко

Когда поставщики рассказывают об ИИ в своем продукте неспециалистам, они часто вызывают в воображении образы технологий, уровень мышления которых приближается к человеческому. Большинство специалистов по данным скажут вам, что до этой реальности еще далеко.

Одним из интересных аспектов методов машинного обучения является то, что они могут решать некоторые задачи, которые нам, людям, могут показаться трудными (например, игра в шахматы), но при этом могут испытывать трудности с задачами, с которыми легко справится даже четырехлетний ребенок. Я подозреваю, что мы близки к разработке автономного фургона, который может доставить посылку со склада к вам домой, но роботу может быть сложнее взять посылку из фургона, подняться по лестнице, войти в здание и найти нужный адрес. почтовый ящик.

Что могут сделать сегодняшние подходы, так это решить определенные, четко определенные проблемы, обычно с большим количеством доступных данных с необычайным уровнем точности. Зачастую, чем уже проблема и чем больше объем данных для изучения, тем точнее прогноз. Эти узкие проблемы часто называют «специфическим ИИ».

Преимущества специального ИИ

Возьмем пример текстовой аналитики. Даже в области текстового анализа есть разные фирмы в сфере HR, которые делают замечательные вещи. TextKernel разработал очень хорошие подходы к пониманию резюме и должностных инструкций. У нас, благодаря нашей технологии Воркометрия, возможно, лидирующий подход к пониманию ответов на открытые вопросы (например, в предложениях или отзывах сотрудников). Мы даже заходим так далеко, что строим конкретные модели на уровне организации/вопроса (вероятно, наше ключевое отличие заключается в том, насколько быстро мы можем построить эти модели). С такими конкретными моделями мы можем превзойти квалифицированных людей в выполнении этой задачи за долю времени / затрат.

Таким образом, мы можем думать о влиянии ИИ/роботов на работу не как на автоматизацию, отнимающую целые рабочие места — поскольку большинство рабочих мест требуют выполнения множества задач, а на ИИ, автоматизирующий конкретные задачи. Это будут те, в которых много повторений или где необходимо получить и синтезировать большие объемы данных.

Поэтому, думая о том, как применять ИИ, важно разбить работу на задачи, в идеале самые маленькие, самые конкретные из возможных задач, и определить, какие из них являются кандидатами для ИИ. В то же время нам необходимо определить ценность / стоимость этих задач, чтобы определить, какие решения стоит разрабатывать для автоматизации.

При этом мы не должны ограничивать себя задачами, которые делаем в данный момент. Многие задачи возможны без ИИ, но непомерно дорого. Для многих фирм текстовое кодирование Воркометрия оказалось слишком дорогим и трудоемким. Для многих наших клиентов Workometry в 10 раз дешевле и в 200 раз быстрее, чем альтернативные решения, и имеет более высокое качество. Поэтому то, что было трудно оправдать, становится привлекательным.

Преимущества ИИ

Есть 2 ключевых преимущества использования так называемого «ИИ» в HR:

  • Чтобы улучшить бизнес-фактор (например, производительность, качество обслуживания клиентов) и тем самым позволить бизнесу достичь лучших результатов.
  • Снизить стоимость доставки HR.

Во многих случаях первое, вероятно, даст возможность реализовать большую отдачу от бизнеса, однако оно также, вероятно, потребует большей и более широкой заинтересованности в результатах. Затраты на реализацию и риски, вероятно, будут выше при большем количестве неопределенностей, влияющих на конечный результат.

При таком типе анализа крайне маловероятно, что необходимые данные будут находиться в одной системе или базе данных. Учитывая это, мы можем ожидать меньше случаев, когда один поставщик систем будет иметь достаточно данных, чтобы построить полную модель. Лучшая работа в этой области останется прерогативой групп специалистов по данным внутри фирмы, которые могут идентифицировать, обрабатывать и объединять необходимые источники данных в надежную модель.

Снижение затрат на HR в конечном итоге будет проще для достижения прогнозируемых результатов. Во многих случаях будет меньше лиц, принимающих решения (лидер отдела кадров), и вполне вероятно, что снижение затрат будет основной частью их целей. Данные для этого типа анализа будут легко доступны и, скорее всего, будут высокого качества / иметь меньшую погрешность измерения / быть более полными. Он также с большей вероятностью будет находиться в одной системе. В среднесрочной перспективе мы можем ожидать, что поставщики систем предоставят такую ​​возможность.

Несколько моментов, позволяющих получить максимальную отдачу от ИИ для вашей HR-команды

  • Небольшие знания помогут вам в этом. Подумайте о повышении квалификации вашей команды, чтобы они хорошо понимали, где можно развернуть ИИ в его текущем состоянии и каковы вероятные преимущества. Здесь могут помочь несколько провайдеров (включая нас)
  • Не ожидайте, что поставщики систем предоставят полные решения, если у них нет доступа ко всем данным. В обозримом будущем возникнет необходимость в создании хороших возможностей для аналитики персонала.
  • Технология People Analytics не решит всех ваших проблем, но она может исключить рутинные задачи из команды People Analytics, что позволит им сосредоточиться на более важных задачах. Думайте об этих решениях как о дополнениях к наращиванию потенциала, а не о замене
  • Предложите своим поставщикам технологий (особенно если вы являетесь их ключевым клиентом) разработать решения, которые помогут выявить снижение затрат. Со всеми данными о транзакциях они должны определять эффективность. Вскоре это станет гигиеническим фактором для поставщиков систем.
  • Часто простые модели можно построить быстро. Стремясь к точности, вы довольно быстро сталкиваетесь с уменьшением предельной отдачи. Насколько ценнее это решение, чем то, что ваша команда могла бы создать за 10 дней?
  • Общие модели, построенные на данных других фирм, вряд ли будут работать так же хорошо, как конкретные модели, построенные на ваших данных.

Связанный

Первоначально опубликовано на www.organizationview.com 30 марта 2018 г.