Följande text är en krönika av Hélène Podsadni Nilsson, chef för Norra Europa på Pleo
AI kan vara ett beslutsstöd för rekrytering – om använt på rätt sätt
Rekrytering är ett område där AI skulle kunna nyttjas för att effektivisera processen för HR-avdelningen. De flesta HR-chefer kan säkerligen förstå det användbara i att låta AI granska hundratals inskickade CV:n, eller låta en AI-chattbot ta anteckningar under intervjuer. Och att använda AI för att sålla bland CV:n har redan blivit omskrivet som en fantastisk egenskap. Och enkla uppgifter, som att sortera och anteckna är relativt ofarligt att använda AI till, då det bara är ett monotont arbete som ska genomföras. Men, det är då AI ska användas för att dra slutsaser och dra ut resultat av information som problem kan uppstå – exempelvis i samband med kvalificering av kandidater till en ny tjänst. Granskningar av CV:n kan nämligen endast göras om man också har lagt in korrekta inställningar i AI-roboten – inställningar som garanterar opartiskhet.
Det många glömmer är att AI till syvende och sist är skapat av oss människor – och inte av datorer. Användningen av AI-tekniken utförs av datorer, men uppgifterna kan endast utföras på rätt sätt om beteendemönstret inom AI:n är ett neutralt sådant. Vi människor måste alltså se till att lägga in opartisk data för att träna AI-modellerna på rätt sätt. Detta första steg kan lätt glömmas bort, och då blir användningen av AI ett ok snarare än en tidsoptimerare.
Sätt stopp för partisk data
Den största utmaningen som måste lösas innan HR-avdelningar kan använda AI är detta med partisk data. För vi vet att människor är partiska både medvetet och omedvetet. Med artificiell intelligens bygger allt på tidigare framgångsrik data – ofta från existerande HR-system. Det innebär att algoritmen kan bli färgad eftersom datorn utgår från informationen den får. AI-algoritmer kan därmed vidmakthålla befintliga fördomar i rekryteringsprocessen, såsom köns-, ras- eller åldersfördomar. Som nämnts ovan måste företag vara väldigt försiktiga med vilken data de lägger in eftersom maskininlärning utmärker sig på att hitta mönster. Alltså, om sökande tidigare avvisats baserat på kön, ålder, tro, sexualitet eller ras, kan mönsterbaserade algoritmer tolka dessa data som att sådana kandidater inte lyckas och bör filtreras bort. På så vis bli AI partiskt, men detta döljs bakom det att en “maskin” har tolkat datan, och inte en människa, i föreställningen om att maskiner är naturligt logiska och neutrala. Oavsett om det är avsiktligt, omedvetet, oavsiktligt eller inte, blir partiskheten automatiserad, förvärrad och cementerad i ditt tillvägagångssätt.
Det är viktigt att se till att data som används för att träna AI:n är mångsidig, opartisk och att AI:n regelbundet testas för att se till att opartiskheten upprätthålls. Metoden för att förhindra partiskhet och diskriminering är att mata AI:n med information om motiveringen till de beslut som tagits. Det finns ett växande område inom maskininlärning där AI tar svaret och försöker ta reda på skälet till svaret, så att du kan kontrollera dessa antaganden och se till att ingenting har gått snett i beslutsfattandet. Men för att använda denna metod måste det finnas en full förståelse för hur maskininlärning fungerar och hur besluten har fattats.
Hantera teknikens begränsningar med mänsklig tillsyn
Dagens rekrytering ser annorlunda ut än vad den gjorde för 20 år sen. Tidigare fokuserade man främst på en slags kulturanpassning där rekryterna skulle passa in i den befintliga arbetskulturen och vara så lika sina medarbetare som möjligt. Men idag är arbetsgivare mer fokuserade på att titta på hur nyanställda kan bidra med tillägg till den befintliga arbetskulturen, för att på så vis komplettera och utveckla företagets kultur och tänkande, så att de inte får en homogen arbetsstyrka som består av kandidater som tänker och agerar på samma sätt. Därför gäller det att programmera AI-verktyget på så vis att det inte plockar fram kandidater som har mycket gemensamt, utan snarare tvärtom – kandidater som är olika och som utmanar rådande normer. Här kan man tänka sig att maskininlärning som koncept utmanas, eftersom tekniken bygger på att man identifierar mönster som AI:n sen försöker återskapa. Därför måste man hela tiden uppdatera programmeringen av AI-verktyget, så att man får de varierande mönster som behövs för att uppnå ett heterogent resultat.
Det viktigaste vid användning av AI på HR-avdelningen är därmed den mänskliga tillsynen. Lita inte på att tekniken kommer klappad och klar att användas – du måste anpassa maskininlärningen efter det du är ute efter i din rekrytering och samtidigt förhindra att AI:n missförstår de val av rekryter som gjorts tidigare genom att sen ta fram en felaktigt homogen grupp av rekryter. Du måste vara smart, avsiktlig och strategisk med all ny teknik du använder. Lockas inte av det som är trendigt för stunden bara för att det låter spännande och är inne just nu. Det är bättre att vara traditionell än att försöka använda ny teknik som du inte riktigt förstår, och oavsiktligt skapa orättvisa för att du försöker uppdatera era processer. Även om AI ses som ett slags magiskt verktyg förstår många inte riktigt hur det fungerar, och därför är de antingen väldigt överoptimistiska eller pessimistiska kring vad som är möjligt. Att få in fler tekniskt kunniga som förstår hur tekniken fungerar i verkligheten är därför avgörande för att vi ska kunna gå vidare. För att anamma kraften i AI behöver man känna till teknikens begränsningar, och inte glömma att göra sin hemläxa gällande AI-verktygets inställningar – såväl före, under som efter användning.