Применение технологий искусственного интеллекта в подборе, оценке и развитии персонала организации

Предмет рассмотрения

Работа с персоналом на уровне отдельного человека образует последовательность из трёх этапов: привлечение и отбор кандидата, оценка его компетенций и результативности, развитие и продвижение. Этапы связаны, и решение на каждом из них опирается на данные, накопленные на предыдущем.

Отличие этой области от кадровой аналитики организационного уровня носит принципиальный характер и определяет требования к применяемым методам. При анализе совокупности персонала ошибка модели проявляется как смещение агрегированной оценки и корректируется по мере накопления данных. При работе с конкретным человеком ошибка означает отклонение подходящего кандидата или необоснованное продвижение неподходящего, и последствия для затронутого лица наступают немедленно и не компенсируются.

Отсюда следует, что критерии допустимости алгоритмических методов здесь строже. Точность модели необходима, но недостаточна: требуются также объяснимость решения, отсутствие систематических различий между группами кандидатов и наличие процедуры пересмотра. Ниже рассмотрены три этапа последовательно, с указанием того, где алгоритмические методы дают надёжный результат, а где создают видимость обоснованности.

Подбор: поиск и первичный отбор

Задача первичного отбора возникает там, где количество откликов на вакансию значительно превышает возможности рекрутера по их содержательному рассмотрению. При сотнях откликов на позицию массового найма фактически применяемая процедура – просмотр части откликов в порядке поступления – не имеет отношения к качеству кандидатов, и её замена алгоритмическим ранжированием улучшает результат почти автоматически.

Технически задача сводится к сопоставлению текста резюме с описанием вакансии. Современные методы обработки текста учитывают смысловую близость, а не только совпадение слов, что снимает проблему различий в терминологии: кандидат, описавший свой опыт иными словами, чем составитель вакансии, перестаёт выпадать из отбора. Практическое улучшение по сравнению с поиском, по ключевым словам, здесь заметное.

Существеннее иное направление – сокращение трудоёмкости первичного контакта. Автоматизированное уточнение сведений, отсутствующих в резюме: готовность к переезду, ожидания по оплате, доступность в определённом графике, наличие конкретного опыта. Сведения эти выясняются в первом разговоре, занимают минуты и полностью формализуемы. Их автоматизация освобождает время рекрутера для содержательной работы и одновременно сокращает срок ответа кандидату – фактор, влияющий на вероятность его согласия сильнее, чем принято учитывать.

Ограничение первичного отбора состоит в том, что резюме является документом, составленным кандидатом с целью произвести впечатление, а не описанием фактического опыта. Модель, обученная на связи между текстом резюме и результатом найма, отчасти обучается распознавать умение составлять резюме. Умение это связано с успешностью в отдельных профессиях и не связано в большинстве прочих.

Проблема критерия успешности найма

Построение любой модели отбора требует определения того, что считать удачным наймом. Вопрос этот выглядит очевидным и на практике оказывается основным препятствием.

Наиболее доступный критерий – продолжительность работы. Он фиксируется автоматически и не требует дополнительных измерений. Дефект его в том, что сотрудник может проработать долго, не будучи результативным, а результативный – уйти рано по причинам, к найму отношения не имеющим. Модель, обученная на таком критерии, отбирает кандидатов, склонных оставаться, что для части позиций желательно, а для части прямо противоположно интересам организации.

Оценки результативности, выставляемые руководителем, кажутся более подходящим критерием, но содержат собственное искажение. Они отражают не только результаты сотрудника, но и отношения с руководителем, распределение задач, состав подразделения. Модель, обученная на таких оценках, воспроизводит эти факторы и научается предсказывать не результативность, а совместимость с конкретным стилем руководства.

Объективные показатели результата доступны лишь для части позиций – там, где вклад отдельного сотрудника измерим и отделим от вклада коллектива. Для большинства должностей такие показатели либо отсутствуют, либо отражают малую часть содержания работы.

Практический вывод состоит в осторожности при интерпретации моделей отбора. Утверждение о том, что модель предсказывает успешность кандидата, некорректно: она предсказывает выбранный при её построении измеримый признак, который лишь частично соответствует представлению об успешности. Явная формулировка используемого критерия при внедрении обязательна и, к сожалению, редко присутствует в описаниях подобных решений.

Оценка компетенций

Оценка на этапе отбора и в ходе работы использует различающийся инструментарий, но сталкивается со сходными затруднениями.

Автоматизированное тестирование профессиональных знаний и решение практических задач представляет собой наиболее надёжную часть оценочного инструментария. Проверяемый навык связан с содержанием работы напрямую, результат воспроизводим, обоснование прозрачно. Применение алгоритмических методов здесь сводится к адаптивному подбору заданий по уровню и к автоматической проверке ответов открытого типа – задачам вспомогательным, но снижающим трудоёмкость существенно.

Иначе обстоит дело с методами, претендующими на оценку личностных характеристик по косвенным признакам: анализ речи, мимики, поведения в видеозаписи интервью. Обоснованность таких методов остаётся предметом профессиональной дискуссии, а их устойчивость к внешним факторам – качеству связи, культурным особенностям выражения, состоянию кандидата в момент записи – низка. Ряд юрисдикций ограничил применение подобных инструментов. Осторожная позиция представляется обоснованной: инструмент, дающий оценку, которую невозможно объяснить кандидату и обосновать перед проверяющим органом, создаёт для организации риск, несоразмерный выигрышу.

Продуктивнее применение алгоритмических методов не к оценке кандидата, а к упорядочению самой процедуры. Структурированное интервью с заранее определёнными вопросами и шкалами оценки превосходит свободную беседу по прогностической способности – закономерность, установленная задолго до появления современных технологий. Инструменты, поддерживающие соблюдение структуры, фиксирующие ответы и подсказывающие уточняющие вопросы, повышают качество оценки, не заменяя оценивающего.

Развитие и построение траекторий обучения

Третий этап связан с определением направления профессионального развития сотрудника и подбором соответствующих обучающих мероприятий.

Задача формально близка к рекомендательной: имеется профиль сотрудника, набор доступных программ обучения и история прохождения программ другими сотрудниками с известными результатами. Практическое затруднение состоит в разреженности данных: число сотрудников невелико, число программ ограничено, результат обучения измеряется плохо. Рекомендательные методы, эффективные при миллионах взаимодействий, на таких данных работают неустойчиво.

Более надёжен подход, основанный на явно описанной модели компетенций. Требования к должностям формализуются, текущий уровень сотрудника оценивается, разрыв определяет содержание обучения. Роль алгоритмических методов здесь вспомогательная – сопоставление описаний программ с требуемыми компетенциями, выявление пробелов в имеющемся наборе программ, отслеживание актуальности требований по мере изменения содержания работы.

Отдельное применение находят диалоговые ассистенты в сопровождении обучения: разъяснение материала, подбор дополнительных источников, проверка усвоения. Архитектура таких систем, включая механизмы персонализации и удержания контекста, рассмотрена в работе В. В. Осадчего [1, с. 42-50]. Практическая ценность здесь связана с доступностью: возможность получить разъяснение в момент возникновения затруднения, а не на следующем занятии, влияет на результат обучения заметно.

Восприятие процедур кандидатом

Сторона вопроса, систематически упускаемая при проектировании автоматизированных процедур отбора, связана с тем, как эти процедуры воспринимаются кандидатами. Между тем восприятие влияет на результат подбора напрямую: кандидат, оценивший процедуру как обезличенную или несправедливую, отказывается от продолжения либо отклоняет предложение на завершающем этапе.

Наблюдения профессиональной практики указывают на несколько устойчивых закономерностей. Автоматизация первого контакта воспринимается положительно, если сокращает срок ответа, и отрицательно, если создаёт впечатление невозможности связаться с человеком. Автоматизированное тестирование профессиональных знаний принимается как обоснованное, поскольку связь проверяемого с содержанием работы очевидна. Оценка по косвенным поведенческим признакам вызывает отторжение именно потому, что связь эта неочевидна, а основание решения кандидату не объясняется.

Практическое следствие состоит в том, что прозрачность процедуры имеет не только правовое, но и вполне утилитарное значение. Сообщение кандидату о том, какие этапы он проходит, что оценивается на каждом и в какой срок будет дан ответ, повышает долю доходящих до финального этапа. Мера эта не требует технологических затрат и в большинстве организаций не реализована.

Отдельного упоминания заслуживает обратная связь при отказе. Развёрнутое объяснение причин трудоёмко и в массовом подборе нереализуемо, однако содержательный отказ вместо формального уведомления влияет на готовность кандидата откликнуться на будущие вакансии организации, а также на её репутацию на рынке труда – фактор, издержки от ухудшения которого проявляются с задержкой и потому редко связываются с породившей их причиной.

Справедливость процедур и правовая рамка

Требования к процедурам работы с персоналом в российской юрисдикции определяются трудовым законодательством и законодательством о персональных данных. Необоснованный отказ в заключении трудового договора запрещён, что предполагает возможность объяснить основание решения.

Отсюда следует практическое требование: алгоритмическое ранжирование откликов допустимо как средство определения очерёдности рассмотрения, но не как основание отказа. Различие существенно. В первом случае решение принимает человек, рассмотревший кандидата; во втором основанием служит модельная оценка, обосновать которую в терминах деловых качеств затруднительно.

Проблема воспроизводства сложившихся смещений требует отдельного контроля. Модель, обученная на решениях о найме за прошлые годы, воспроизводит закономерности этих решений. Исключение защищаемых признаков из входных данных недостаточно: коррелирующие признаки – перерывы в занятости, характер образовательного учреждения, географическая привязка – восстанавливают исходное различение косвенно. Необходима регулярная проверка результатов на предмет систематических различий в долях прохождения этапов между группами кандидатов.

Многофакторное представление оценки с раздельным вкладом составляющих, применяемое в задачах финансового моделирования [2, с. 12-16], полезно и здесь: разложенная оценка позволяет установить, какая именно составляющая порождает различие, и скорректировать её, тогда как агрегированный показатель допускает только полный отказ от инструмента.

Заключение

Применение интеллектуальных технологий на индивидуальном уровне работы с персоналом требует более строгих критериев допустимости, чем аналитика организационного уровня, поскольку ошибка затрагивает конкретное лицо и не компенсируется накоплением данных.

Основным методическим препятствием построению моделей отбора выступает не качество алгоритмов, а определение критерия успешности найма. Доступные для измерения признаки – продолжительность работы, оценки руководителя – соответствуют представлению об успешности лишь частично, и явная формулировка используемого критерия обязательна при внедрении.

Надёжный результат достигается в задачах формализуемого измерения профессиональных знаний и в упорядочении процедуры оценки. Методы, претендующие на определение личностных характеристик по косвенным поведенческим признакам, обладают недостаточной обоснованностью и создают правовой риск, несоразмерный выигрышу.

Алгоритмическое ранжирование откликов допустимо как средство определения очерёдности рассмотрения, но не как самостоятельное основание отказа – различие имеет прямое правовое значение.

Перспективным направлением дальнейшей работы представляется разработка методов оценки прогностической способности процедур отбора в условиях, когда результат наблюдается только для принятых кандидатов, – задача, аналогичная проблеме смещённой выборки в кредитном скоринге, но существенно менее разработанная применительно к кадровым решениям.