Серия AI Frontiers: человеческие ресурсы

Введение в головоломку ИИ на неосвоенной территории

Размышляя о своем первом «многоотраслевом мозговом штурме» почти три года назад, я поражен тем, как концепции машинного обучения, когда-то считавшиеся амбициозными, теперь достижимы для отделов кадров. Быстрые темпы развития ИИ преобразовывают отрасли, от производства до здравоохранения. Тем не менее, сектор кадров медленно осваивает эту цифровую революцию.

Хотя сочетание качественных и количественных задач в HR может указывать на то, что это маловероятный кандидат на внедрение ИИ, это предположение упускает из виду потенциальные возможности ИИ в сфере HR. В этой статье мы стремимся исследовать этот неиспользованный потенциал. Мы сосредоточимся на ключевых проблемах в HR-индустрии, важных показателях эффективности и на том, как технологии ИИ могут помочь преодолеть эти проблемы. Это резко контрастирует с ограничениями традиционных решений People Analytics.

В отличие от проблемы с данными о цепочке поставок, обсуждавшейся в предыдущей статье, здесь главная проблема заключается не только в доступности высококачественных данных. Обработка этих данных и соблюдение норм регулирования данных одинаково важны. В следующих разделах мы обсудим, как можно устранить эти факторы, чтобы раскрыть преобразующую силу ИИ в HR.

Однако, прежде чем углубляться в эти варианты использования, важно отметить, что ваша организация должна сначала оценить свою готовность к реализации этих стратегий, как это рекомендовано Chowdhury, S., et al., (2023). Кроме того, как я постоянно подчеркиваю, проверка некоторых более широких требований, безусловно, будет очень полезна (для этого вы можете обратиться к этой статье).

Проблемы в управлении персоналом

Простой способ генерировать ценные идеи — сначала понять ключевые показатели эффективности (KPI), относящиеся к конкретной отрасли, области, компании и т. д. Когда у нас есть ответы на все из них, мы можем начать думать о других «хороших» решениях. . В связи с этим все отделы кадров сталкиваются с одним и тем же набором задач, включая привлечение и удержание талантов, вовлечение сотрудников, управление эффективностью, разнообразие и инклюзивность, а также соблюдение нормативных требований (Pereira, V., et al., 2023).

Некоторые типичные HR KPI включают в себя:

время найма
стоимость найма
текучесть кадров
показатель вовлеченности сотрудников
коэффициенты разнообразия

Важно подчеркнуть, что процессы, которые измеряются этими показателями, требуют тонкого баланса между количественным анализом и человеческим пониманием. Затем, чтобы полностью понять потенциал ИИ в HR, мы должны сначала задать несколько вопросов, касающихся текущего состояния процессов, которые измеряются каждым KPI. Обратите внимание, что это стандартная процедура, которой вы должны следовать при работе над любым проектом машинного обучения. В этом смысле мы рассмотрим каждый шаг процесса, используя несколько триггерных вопросов.

1. Задача поиска талантов

При найме новых талантов HR-специалистам необходимо опубликовать вакансию, отсортировать огромную кучу резюме, провести первоначальные проверки, запланировать собеседования и, наконец, принять решение о найме на основе объединения достоверных данных и социальных навыков. Но есть ли у них инструменты для эффективного и прозрачного выполнения этих задач? Как мы можем утверждать, что в определенных процессах нет предвзятости? Давайте проанализируем всю историю.

1.1. Создание и размещение вакансий

Ваша компания по-прежнему пишет вакансии без помощи ИИ?После определения потребности в найме начальным этапом любого процесса отбора является создание и публикация описания вакансии на собственной или сторонней платформе. такие как LinkedIn. Составление этих описаний может быть довольно трудоемким; тем не менее, это важный шаг для привлечения лучших талантов и создания имиджа профессионализма на сегодняшнем быстро развивающемся рынке труда. Кроме того, учитывая решения, которые мы будем обсуждать в этой статье, расплывчатое определение должности может наложить некоторые ограничения на качество результатов, которые мы получаем в некоторых случаях использования (я скоро вернусь к этому).

Плохо сформулированные должностные инструкции могут отпугнуть квалифицированных кандидатов, привлечь неподходящих и усложнить процесс найма. Более того, они могут запятнать общественный имидж компании, свидетельствуя о непрофессионализме. Расплывчатые описания могут привести к юридическим осложнениям из-за неоднозначных ожиданий от работы и потенциально дискриминационного языка, нарушающего законы о равных возможностях трудоустройства. Напротив, хорошо составленные должностные инструкции привлекают лучшие таланты, ускоряют найм, поддерживают разнообразие и инклюзивность, а также укрепляют репутацию компании. Следовательно, организации должны вкладывать достаточные ресурсы в создание подробных, точных и всеобъемлющих описаний должностей, тем самым обеспечивая эффективный набор, соблюдение правовых норм и улучшение общественного имиджа.

Одним из простых решений является использование возможностей генерации текста ИИ. Используя передовые инструменты больших языковых моделей (LLM), вы можете оптимизировать шаблоны должностных инструкций и добиться впечатляющих результатов.

В качестве иллюстрации рассмотрим вакансию старшего специалиста по данным, специализирующегося на управлении персоналом, со знанием AWS. Используя ИИ, подсказку можно было составить менее чем за 10 секунд, что оказалось не только эффективным, но и очень эффективным.

Обратите внимание, что мы можем предоставить более точную подсказку, отражающую ценности организации и темы, которые следует оценивать на протяжении всего процесса найма.

После публикации подробного и увлекательного описания вакансии естественно увидеть значительный пул кандидатов и, как следствие, всплеск заявок. Этот прогресс плавно ведет нас к следующему этапу процесса найма: кропотливой и трудной задаче анализа резюме.

1.2. Возобновить анализ

Вы все еще вручную просматриваете каждое резюме, которое попадает в ваш почтовый ящик? Ваш специалист по подбору кадров тратит драгоценное время на анализ сотен, если не тысяч заявок, даже после того, как найдет подходящего кандидата? Вы когда-нибудь задумывались о конкретных переменных, которые ваши рекрутеры взвешивают в своих решениях, или о том, как они используют резюме, оставленные в вашей базе данных, чтобы сопоставлять кандидатов с будущими объявлениями о вакансиях?

Если эти вопросы приходили вам в голову, ясно, что вы понимаете, что традиционный метод ручного просмотра резюме и анализа большого количества заявок больше не работает в наш век, управляемый данными.

Решения для автоматизированного анализа резюме действительно стали значительным шагом вперед, позволив нам относительно легко извлекать необходимую информацию из резюме. Но деньги на этом не останавливаются. После этапа синтаксического анализа мы сталкиваемся с горой данных, которые могут показаться огромными и громоздкими. Уже недостаточно просто рассортировать эти данные по таблицам и провести базовый анализ.

Кроме того, хотя мы могли бы предположить, что ведущие HR-платформы овладели бы искусством анализа резюме, реальность часто разочаровывает. Их производительность может быть ниже среднего, особенно когда представлено резюме, отличающееся от стандартного формата, что приводит к потере важной информации о кандидате.

Одним из способов преодоления этих препятствий является семантическое сопоставление. В машинном обучении это понятие относится к процессу понимания и сравнения значения или семантики различных фрагментов текста или данных. Он включает в себя оценку сходства или родства между словами, фразами, предложениями или даже целыми документами. Цель состоит в том, чтобы определить, насколько хорошо разные фрагменты текста совпадают с точки зрения их основного значения, а не просто полагаться на шаблоны поверхностного уровня или точное соответствие слов. Семантическое сопоставление играет решающую роль в различных задачах обработки естественного языка (NLP), таких как поиск информации, ответы на вопросы, анализ настроений и классификация текста. Это помогает преодолеть разрыв между человеческим пониманием языка и вычислительными возможностями моделей машинного обучения.

Как мы можем использовать его в этом случае? Путем обобщения профиля работы на основе проанализированных данных и выполнения семантического сопоставления с должностью, оценка может быть сгенерирована. Эта оценка отражает, насколько хорошо каждый атрибут профиля соответствует требованиям работы. С помощью семантического сопоставления вы можете эффективно расставлять приоритеты и оценивать кандидатов на основе их пригодности для роли, на которую они претендовали (а также других ролей, и все это в автоматическом режиме). Обратите внимание, что качество результатов может быть низким, если должности не определены четко.

Если семантическое сопоставление не кажется вам убедительным, есть еще другие альтернативы, которые вы можете изучить, чтобы в значительной степени решить эту проблему.

Автоматический предварительный отбор: внедрите механизмы, которые отфильтровывают кандидатов, не соответствующих определенным критериям или минимальным требованиям. Этого можно достичь с помощью систем, основанных на правилах, или моделей машинного обучения, обученных на исторических данных о найме. Конечно, для этого у вас должен быть готов парсер.
Рейтинг на основе машинного обучения: разработайте систему ранжирования, которая автоматически оценивает и ранжирует кандидатов на основе различных атрибутов, таких как навыки, опыт и квалификация. Такой подход позволяет принимать решения на основе данных и устраняет предвзятость в процессе оценки.

Обратите внимание, что инвестиции во внедрение этих изменений могут оказаться более эффективными, чем вы ожидали. Эти методы могут принести пользу вашей работе с персоналом несколькими способами:

Масштабируемость и эффективность. По мере того, как компании масштабируются и получают все больше приложений, становится все труднее справляться с рабочей нагрузкой вручную. Упомянутые методы могут обеспечить масштабируемость за счет эффективной обработки и оценки большого количества резюме, обеспечивая последовательный и тщательный анализ во всех приложениях. Кроме того, за счет автоматизации начальных этапов анализа резюме компании могут значительно сократить время и ресурсы, затрачиваемые на рассмотрение неподходящих кандидатов. Это позволяет HR-командам сосредоточить свои усилия на более стратегических задачах, таких как собеседование и оценка наиболее перспективных кандидатов.
Уменьшение предвзятости: реализация описанных решений обладает столь необходимым потенциалом для уменьшения предвзятости в процессе оценки кандидатов. Сосредоточив внимание на семантическом соответствии между требованиями к работе и качествами кандидата, оценка становится более объективной и менее подверженной бессознательным предубеждениям, которые могут повлиять на ручную проверку резюме.
Непрерывное обучение. Подходы, основанные на машинном обучении, в том числе могут постоянно учиться и совершенствоваться с течением времени. Используя исторические данные и отзывы рекрутеров, эти системы могут адаптироваться к конкретным потребностям организации, совершенствовать свои алгоритмы сопоставления и становиться более точными и эффективными при выявлении наиболее подходящих кандидатов. Таким образом, закладка фундамента сейчас обязательно принесет десятикратную пользу в будущем.

Проанализировав резюме, переходим к ответственному этапу собеседований с кандидатами.

1.3. Собеседование с кандидатом 2.0

Во время интервью рекрутеры часто обращаются за помощью, чтобы упростить процесс и обеспечить эффективную коммуникацию с кандидатами. Чтобы удовлетворить эту потребность, наша команда разрабатывает инновационное приложение, в котором используются модели преобразования речи в текст и передовые алгоритмы. Это приложение предназначено для оказания поддержки рекрутерам в режиме реального времени во время собеседований.

Используя приложение, рекрутеры могут улучшить структуру собеседований и гарантировать, что будут рассмотрены важные вопросы. В приложении используются различные элементы, в том числе описания вакансий, список стандартных вопросов для собеседования, резюме кандидатов и стенограммы разговоров в реальном времени.

С помощью LLM приложение анализирует содержание интервью и генерирует соответствующие вопросы и отзывы. Рекрутеры могут настроить частоту получения этой помощи, адаптируя ее к своим предпочтениям и потребностям.

Предлагая это приложение, мы стремимся оптимизировать процесс собеседования, экономя время как рекрутерам, так и кандидатам, способствуя эффективным и содержательным беседам.

1.4. Сквозная автоматизация?

Планируете ли вы сейчас полностью автоматизировать процесс найма?Обратите внимание, что я никогда не предлагал использовать чат-боты с искусственным интеллектом или другие методы для автоматизации всего процесса найма. Почему? Что ж, я не думаю, что мы дошли до этого момента, и мы можем получить гораздо больше пользы от сохранения человеческого фактора. Хотя автоматизация и передовые методы могут значительно улучшить процесс привлечения талантов, важно осознавать ценность человеческого суждения и опыта. Использование подхода «человек в цикле», когда результаты автоматизированных методов проверяются и проверяются рекрутерами, обеспечивает сбалансированную и точную оценку, которая сочетает в себе сильные стороны как человеческого интеллекта, так и алгоритмов машинного обучения.

В качестве приятного завершения я оставляю вам кое-что для размышления: если мы автоматизируем процесс с помощью таких инструментов, как чат-боты с искусственным интеллектом, кандидаты также смогут использовать искусственный интеллект, чтобы научиться убеждать этих чат-ботов в своего рода процессе обучения с подкреплением…

2. Проблема сохранения талантов

После того, как вам удалось нанять кандидата, следует самая важная часть головоломки: сохранить талант, чтобы не тратить впустую все усилия, затраченные на процесс найма, и избежать ущерба, который уход сотрудника может нанести организации. Относительно этой проблемы есть несколько вещей, которые вы могли бы сделать.

2.1. Прогноз увольнения сотрудников

Предсказывает ли ваша организация вероятность того, что каждый из ее сотрудников покинет компанию в следующем квартале/семестре/году?Успешное удержание сотрудников часто зависит от упреждающих мер, предпринятых до возникновения проблемы. Сколько раз ваша организация делала встречные предложения слишком поздно, чтобы сотрудник передумал? Наверное, слишком много, чтобы сосчитать. Таким образом, чтобы решить эту проблему, крайне важно выявлять сотрудников с высоким риском ухода из организации до того, как они достигнут этой точки.

В этом контексте можно разработать модели машинного обучения «стеклянный ящик», чтобы предсказать вероятность увольнения сотрудника в течение следующих n месяцев и определить факторы, влияющие на эту вероятность. В отличие от моделей «черного ящика», модели «стеклянного ящика» предлагают интерпретируемость, что позволяет четко понять причины прогнозов. Это различие имеет решающее значение, поскольку мы имеем дело с конфиденциальными данными о сотрудниках, и действия, рекомендуемые выводами модели, могут существенно повлиять на траекторию карьеры сотрудника. Поэтому полная прозрачность и понимание работы модели имеют первостепенное значение.

Имея это в виду, мы с коллегами разработали модель, которая устраняет недостатки, обычно наблюдаемые в основных решениях этой проблемы. Чтобы углубиться в технические детали того, как подойти к этой проблеме, следуя правильной схеме, я рекомендую обратиться к этой статье.

2.2. Индивидуальное развитие сотрудников

Предлагает ли ваша организация индивидуальный профессиональный путь?Сотрудники часто ищут баланс между конкурентоспособным вознаграждением и возможностями профессионального роста. Хотя оба аспекта желательны, молодые специалисты, например, могут отдавать предпочтение возможности развивать свои навыки и продвигаться в выбранной ими области. Признавая это, организации могут использовать персонализированные планы обучения и развития для повышения удержания сотрудников, выполняя свою часть негласной сделки.

Значительную роль в этом отношении могут сыграть рекомендательные системы на базе ИИ. Эти системы используют данные о производительности сотрудников и анализируют индивидуальные сильные и слабые стороны и карьерные цели. Они также учитывают информацию от «похожих» сотрудников, добившихся успеха на аналогичных должностях или в карьере. Интегрируя эти идеи, организации могут создавать индивидуальные рекомендации по возможностям обучения и повышения квалификации, которые соответствуют конкретным потребностям и стремлениям каждого сотрудника.

Кроме того, на основной стороне рекомендательные системы на основе ИИ могут обеспечивать постоянное руководство, предлагая соответствующие учебные материалы, курсы, возможности наставничества или сетевые мероприятия, которые соответствуют плану развития каждого сотрудника. Адаптируясь к индивидуальным предпочтениям и развитию карьеры, эти системы гарантируют, что сотрудники имеют доступ к актуальному и увлекательному опыту обучения на протяжении всего пути в организации.

Далее, тесно связанная с проблемой удержания, у нас есть проблема вовлечения.

3. Проблема вовлечения сотрудников

Вовлеченность сотрудников, мера эмоциональной и физической приверженности сотрудника своей рабочей среде, имеет решающее значение для успеха организации. Это способствует более высокой производительности, удовлетворенности работой и уровню удержания. В настоящее время вовлеченность обычно оценивается наряду с удовлетворенностью работой с помощью периодических опросов, но этот подход не оправдывает ожиданий по двум причинам:

Частота. Нечастый характер этих опросов приводит к устаревшим снимкам взаимодействия.
Сложность. Эти оценки часто требуют многомерного анализа, который сложно выполнить человеку.

Для решения этих проблем мы предлагаем подход, который рассматривает организацию как сеть взаимодействующих узлов, обеспечивая целостную перспективу.

3.1. Организационный сетевой анализ

Организационный сетевой анализ (ONA) использует методы теории графов для систематического изучения и понимания сети организации, включая структуры управления, межличностные отношения и поток информации (Barabási, A.L., 2013).

Для реализации ONA сеть строится либо путем номинационных опросов, либо с использованием цифровых отпечатков с платформ рабочего пространства (с учетом соображений защиты данных). После создания сети можно использовать традиционные графовые алгоритмы для определения центральной роли каждого члена и их влияния в организации. Эти показатели в сочетании с характеристиками сотрудников и результатами прошлых опросов можно затем использовать для разработки модели, прогнозирующей вовлеченность сотрудников.

Используя ONA, организации могут получить ценную информацию о своей внутренней динамике, определить ключевых влиятельных лиц, оценить роль каждого человека и спрогнозировать уровень вовлеченности сотрудников. Однако крайне важно обеспечить конфиденциальность и защиту данных на протяжении всего процесса. При сборе и анализе данных необходимо строго соблюдать соглашения о защите данных и этические соображения.

Обратите внимание, что ONA — это не ИИ… а первый шаг к сбору релевантных данных функциональным способом, который позволит нам создавать или дополнять наши текущие разработки модели. Например, мы могли бы извлечь ценные данные об уровнях взаимодействия или подключения внутри организации и использовать эту информацию в качестве характеристик для модели отсева или модели вовлеченности, которая направлена на прогнозирование уровня вовлеченности в организации в любой момент времени. Для тех, кто заинтересован в более подробном разъяснении этой темы, я рекомендую вам обратиться к этой статье.

3.2. Помощники по взаимодействию с искусственным интеллектом

Рассматривали ли вы возможность извлечения как количественных, так и качественных данных из письменных форм удовлетворенности? ИИ может сыграть здесь ключевую роль. Вместо того, чтобы создавать ИИ-помощников для наблюдения за сотрудниками, что рискует обесценить человеческий фактор, мы предлагаем использовать их для получения анонимных отзывов о возможностях улучшения компании. Эта обратная связь может быть проанализирована и структурирована для отдела кадров, чтобы извлечь полезную информацию, аналогичную функции ранее предложенного помощника по проведению собеседований.

Этот подход также может быть полезен для более специфических задач. Например, при поиске отзывов о семинарах вместо использования традиционных опросов по шкале от 1 до 5 участников можно было бы поощрять к предоставлению подробного письменного отзыва. Эти качественные данные можно анализировать с помощью LLM для получения более глубокой и значимой информации.

Хотя письменные отзывы иногда могут быть недостаточно качественными и конкретными, богатый контекст, который они предоставляют, делает их достойным полем для исследования.

Далее мы исследуем взаимосвязанные проблемы вовлечения, удержания и управления эффективностью.

4. Задача оценки эффективности

Традиционные процессы оценки эффективности часто сталкиваются с проблемами, связанными с неравномерным качеством, неполнотой и затратами времени.

Неравномерное качество: возникает из-за различий в навыках письма и коммуникативных способностях менеджеров при предоставлении отзывов. Плохо построенная или нечеткая обратная связь может не оказать положительного влияния на сотрудников, не в состоянии выявить области, требующие улучшения, или эффективно признать достижения.

Неполнота связана с упущенными из виду достижениями или областями для улучшения в течение периода оценки. Это отсутствие всесторонней обратной связи может привести к упущенным возможностям для того, чтобы направлять сотрудников к повышению производительности или признанию их успехов.

Процесс составления подробных обзоров производительности требует много времени, что может отвлечь драгоценное время менеджеров от более продуктивной деятельности, такой как коучинг или наставничество сотрудников.

Эти проблемы требуют эффективного, оптимизированного подхода к оценке производительности, который оптимизирует использование ресурсов, обеспечивает справедливость и повышает качество и полноту обратной связи.

4.1. Помощник по оценке

Для тех, кто борется с запоминанием ключевых деталей при проведении нескольких обзоров сотрудников, решением может быть использование моделей обобщения. На самом деле мы создали решение для этой проблемы.

Представьте, что у нас есть организация под названием «TheBestCompany». В TheBestCompany они используют модели LLM для обработки нескольких источников данных и создания отзывов сотрудников. Различные источники данных, такие как отзывы, участие в инициативах и отзывы клиентов, компилируются и передаются в LLM, который затем проводит различие между достижениями и областями улучшения и объединяет эти отзывы в шаблон оценки производительности, который затем может быть изменен текущим рецензентом-человеком.

Этот автоматизированный процесс создания обзоров экономит время и ресурсы, сводит к минимуму предвзятость и ошибки, а также создает подробные и точные обзоры. Гибкость LLM позволяет настраивать их в соответствии с потребностями организации, повышая точность, эффективность и справедливость оценок производительности. Это решение позволяет организациям сосредоточиться на других важных задачах и целях.

5. Решение проблемы разнообразия и интеграции

Разнообразие и инклюзивность создают постоянные проблемы во многих организациях, выходящие за рамки процесса найма, включая продвижение по службе и служебную аттестацию. Субъективность в этих областях может непреднамеренно скрыть достоинства одного сотрудника и недостатки другого (Rodgers, W., et al., 2023).

Две стратегии могут помочь смягчить это. Первый включает в себя разработку алгоритмов, которые игнорируют чувствительные переменные, такие как возраст, пол, этническая принадлежность и религия. Эти алгоритмы, ориентированные на квалификацию, навыки и производительность, поощряют объективные оценки, которые могут уменьшить предвзятость и обеспечить справедливые решения.

Вторая стратегия использует модели, которые учитывают эти чувствительные переменные, чтобы понять их влияние на определенные результаты. Анализируя исторические данные, эти модели могут выявлять потенциальные предубеждения, связанные с конкретными атрибутами, помогая организациям заблаговременно выявлять и устранять системные проблемы, способствуя равным возможностям и инклюзивности.

Однако важно помнить, что алгоритмы и модели должны дополнять человеческие суждения и опыт, а не заменять их. Кроме того, эти инструменты следует регулярно проверять, чтобы убедиться, что они не увековечивают предубеждений.

6. Проблема качества данных

Качество данных является частым препятствием в HR, поскольку ручной ввод приводит к потенциальным ошибкам, непоследовательному форматированию или неполным записям в HR-платформах, таких как Workday или SAP HR. Эти проблемы могут поставить под угрозу точность и надежность алгоритмов машинного обучения, выраженных фразой «Мусор на входе, мусор на выходе». Таким образом, реализация тщательного процесса ETL (извлечение, преобразование, загрузка) жизненно важна для обеспечения целостности данных с учетом этических соображений и предстоящей проблемы защиты данных. Фактически, почти 90% времени, предназначенного для разработки всех вариантов использования, упомянутых в этой статье, должно быть потрачено на процесс ETL.

7. Проблема защиты данных

HR-данные часто содержат конфиденциальную личную информацию, требующую надежных мер защиты данных. Чтобы защитить эти данные, организации должны применять строгие методы управления данными, включая строгие меры безопасности, контроль доступа и методы шифрования данных (Hamilton, R.H., & Davison, H.K., 2022).

Крайне важно установить четкие политики для обработки, хранения и обмена данными, предоставляя доступ только уполномоченному персоналу. Уделяя приоритетное внимание защите данных и соблюдая правовые нормы, организации могут завоевать доверие сотрудников, сохраняя при этом конфиденциальность и конфиденциальность HR-данных.

Тесное сотрудничество с юридическими и комплаенс-командами также необходимо для соблюдения всех применимых законов и нормативных актов, особенно конкретных законов о защите данных, таких как GDPR в ЕС. Во всех этих процессах важно обращаться за юридической консультацией и советом к специалистам по защите данных, чтобы обеспечить соблюдение местных законов и правил.

Заключительные замечания

В целом, мы увидели, что пересечение ИИ и HR открывает область возможностей, которые ждут своего изучения. В этом сценарии задача специалистов по данным и бизнес-специалистов состоит в том, чтобы воплотить эти возможности в реальные решения, которые оптимизируют процессы управления персоналом, сохраняя при этом ценный человеческий фактор. Это включает в себя как использование возможностей ИИ, так и понимание тонкостей управления персоналом. Без сомнения, этот баланс будет определять будущее, создавая более эффективную, инклюзивную и чуткую HR-индустрию.

Оставайтесь с нами, чтобы не пропустить новые полезные статьи из этой серии, поскольку мы вместе стремимся сделать мир лучше за счет демократизации инновационных решений.