Comment une entreprise utilise l'apprentissage automatique pour éliminer les préjugés du processus de recrutement

Date publiée:

Note de l'éditeur : Stuart Nisbet est data scientist en chef chez Cadient Talent, une société d'acquisition de talents basée à Raleigh.

RALEIGH — Chez Cadient Talent, c'est une question avec laquelle nous sommes confrontés quotidiennement : Comment éliminer les préjugés du processus d'embauche ?

La seule façon de résoudre un problème ou un préjugé est de le reconnaître de front, sous l’examen minutieux d’un examen scientifique. Grâce à l'application de l'apprentissage automatique, nous sommes en mesure de savoir où nous avons commis des erreurs dans le passé, ce qui nous permet de prendre des décisions d'embauche moins biaisées à l'avenir. Lorsque nous découvrons des préjugés inconscients, voire conscients, et que nous nous apprenons à faire mieux sur la base d'un apprentissage automatique impartial, nous sommes en mesure de faire le premier pas vers la correction d'un problème identifié.

QU'EST-CE QUE LE BIAIS ?

La partialité est définie comme un préjugé ou un préjugé en faveur ou contre une chose, une personne ou un groupe par rapport à un autre, généralement d'une manière considérée comme injuste. Considérez les préjugés comme trois ensembles de faits : le premier est un ensemble de faits objectifs universellement acceptés. Le second est un ensemble de faits qui confirment les croyances, conformément à ce qu’un individu croit être vrai. Là où les préjugés entrent en jeu, c’est à l’intersection entre les faits objectifs et les faits qui confirment les convictions personnelles.

En choisissant sélectivement les faits qui confirment des croyances particulières et en se concentrant sur les éléments qui confirment ces croyances, des préjugés entrent. Si nous envisageons l'embauche sous cet angle et si notre objectif est d'éliminer les préjugés du processus d'embauche, nous devons alors supprimer le choix personnel quant aux points de données à inclure dans le processus. Tous les points de données qui contribuent à un choix positif (embaucher le candidat) ou à un choix négatif (refuser le candidat) sont inclus dans le processus et le choix des points de données et de leur pondération se fait objectivement au moyen de statistiques, et non subjectivement au moyen d'un choix humain.

Comment les algorithmes informatiques peuvent-ils nous aider à y parvenir ? Notre objectif est de pouvoir augmenter l'intelligence des humains, notamment en utilisant les expériences et le jugement antérieurs lors de décisions d'embauche antérieures, en mettant l'accent sur celles qui ont abouti à de bonnes décisions d'embauche. Une « bonne embauche » peut être mesurée de plusieurs manières, sans pour autant mettre en œuvre des préjugés inappropriés, comme la longévité des employés. Si une nouvelle recrue ne reste pas en poste très longtemps, c'est peut-être que l'effort de recrutement n'a pas été bien fait et, avec le recul, vous n'auriez pas choisi ce candidat. Mais si vous embauchez quelqu’un qui est productif et qui reste longtemps, cette personne sera considérée comme une bonne embauche.

POURQUOI VOULONS-NOUS ÉLIMINER LES PRÉJUSTES DES DÉCISIONS D’EMBAUCHE ?

Nous voulons éliminer les préjugés lorsqu'ils sont involontaires ou n'ont aucune incidence sur la capacité d'un employé à effectuer son travail de manière satisfaisante. Ainsi, si l’entière responsabilité d’un responsable du recrutement est d’appliquer ses connaissances et son expérience pour déterminer la meilleure solution, pourquoi utilisons-nous l’apprentissage automatique pour éliminer les préjugés ? Parce que l’intelligence artificielle ne fait que supprimer les préjugés en faveur des attributs non liés au travail des candidats et augmente les décisions basées sur les caractéristiques professionnelles pertinentes, là où il existe un biais approprié.

Notre objectif est alors de rendre le processus d'embauche aussi transparent que possible et de prendre en compte toutes les variables utilisées dans une décision d'embauche. C'est extrêmement compliqué, voire impossible, si vous n'avez qu'une approche humaine, car la prise de décision d'un responsable du recrutement est bien plus complexe et moins comprise que celle d'un algorithme d'apprentissage automatique. Nous souhaitons donc nous concentrer sur la force de la simplicité dans un algorithme d’apprentissage automatique ; ce qui signifie que nous voulons uniquement examiner les variables, les colonnes et les éléments de données de l'algorithme qui sont pertinents pour le processus d'embauche et n'incluent aucun point de données qui n'est pas pertinent pour les performances.

Stuart Nisbet

Un résultat d’évaluation, par exemple, qu’il soit cognitif ou basé sur la personnalité, peut constituer une donnée très valable à prendre en compte pour déterminer si les traits évalués sont pertinents pour le poste. Les antécédents professionnels et les réalisations démontrées dans des rôles similaires peuvent être très importants à prendre en compte. Le contraire est également très clair. Le sexe, l’origine ethnique et l’âge ne devraient avoir aucune influence légitime sur les performances professionnelles d’une personne. Le point suivant est crucial. Un responsable du recrutement ne peut pas rencontrer un candidat lors d'un entretien et dire de manière crédible qu'il ne reconnaît pas le sexe, l'origine ethnique ou la catégorie d'âge générale de la personne assise en face de lui. Quelles que soient nos intentions, c’est incroyablement difficile à réaliser. À l’inverse, c’est la tâche la plus simple à réaliser pour un algorithme.

Si l’algorithme ne précise pas le sexe, l’origine ethnique ou l’âge, ces variables n’ont aucune chance d’être prises en compte dans la décision d’embauche. Cela implique d'introduire les données pertinentes, d'examiner par ordinateur les décisions d'embauche prises dans le passé qui ont abouti à des employés très performants à long terme, puis de renforcer les décisions futures sur la base des performances passées des bonnes pratiques de gestion du recrutement. . Cela éliminera à terme les préjugés en matière d’embauche.

L’une des choses qui mérite d’être prise en considération est l’idée de perpétuer des pratiques passées qui pourraient être biaisées. Si nous ne faisons qu’embaucher comme nous l’avons fait dans le passé et qu’il y a eu des pratiques d’embauche préjudiciables ou biaisées, cela pourrait favoriser les préjugés institutionnels. Au fil du temps, nous avons entraîné les ordinateurs à faire exactement ce qu’un manager partial aurait fait dans le passé. Si les seules données utilisées (« formées ») pour l’embauche sont les mêmes que celles sélectionnées en fonction des préjugés du passé, il est alors difficile de former sur des données qui ne sont pas biaisées. Par exemple, si nous identifions le sexe comme un biais dans le processus d’embauche et que nous retirons la variable de genre de l’algorithme, le sexe ne sera pas pris en compte. Lorsque nous signalons les biais antérieurs, nous sommes en mesure de minimiser les biais futurs.

Nous devrions sans vergogne examiner si nous sommes capables d’identifier et d’apprendre des pratiques d’embauche qui ont pu être biaisées dans le passé. C’est l’un des plus grands atouts de l’application d’algorithmes d’apprentissage automatique très simples dans le domaine du recrutement horaire.

ET SI UN OBJECTIF EXPLICITE ÉTAIT LA DIVERSITÉ ? POUVONS-NOUS ENCORE ENGAGER LES MEILLEURS ?

Un aspect du processus de recrutement qui ouvre de nombreuses opportunités dans le domaine de l’intelligence artificielle et de l’apprentissage automatique est la mise en œuvre de la diversité.

L’intelligence artificielle peut vraiment se différencier ici. L'apprentissage automatique peut prendre les meilleures décisions d'embauche en fonction des données qui lui sont fournies ; Si vous avez des objectifs de diversité et souhaitez que les pratiques d'embauche encouragent une population active diversifiée, il est très simple de choisir les meilleurs candidats parmi les populations importantes pour les objectifs de l'entreprise. Cela peut être fait de manière transparente et simple. Cela ne donne pas la priorité à une personne plutôt qu’à une autre. Il permet d'embaucher les meilleurs candidats de chaque population que vous souhaitez représenter l'entreprise.

Après examen minutieux et scientifique, l'apprentissage automatique peut être un outil très précieux pour améliorer les décisions d'embauche que les responsables prennent chaque jour et aider à comprendre quand des préjugés sont entrés dans nos décisions et ont donné bien moins que notre meilleur collectif.

Source originale de l’article : WRAL TechWire