Современные технологии искусственного интеллекта и машинного обучения проникают во все сферы нашей жизни, и управление человеческими ресурсами (HR) не является исключением. Внедрение машинного обучения в HR-практики открывает новые перспективы для повышения эффективности и качества управления персоналом, но также представляет некоторые вызовы и проблемы, которые требуют внимательного исследования и подхода. В данной статье мы рассмотрим перспективы и вызовы применения машинного обучения в HR и исследуем их влияние на современные рабочие процессы.
Ключевые слова: машинное обучение, перспективы, вызовы, искусственный интеллект, рекрутинг, подбор персонала, оценка сотрудников, развитие навыков, персонализация, этика, справедливость, дискриминация, безопасность данных, конфиденциальность, эффективность, оптимизация, рабочие процессы, HR.
Скорость, с которой деловая риторика в менеджменте перешла от больших данных (BD) к машинному обучению (ML) и искусственному интеллекту (AI), ошеломляет. Однако соответствие между риторикой и реальностью — совсем другое дело. Большинство компаний изо всех сил пытаются добиться какого-либо прогресса в создании возможностей для анализа данных: 41 % процентов руководителей сообщают, что они совсем не готовы использовать новые инструменты анализа данных, и только 4 % говорят, что они «в значительной степени» готовы. [1]
Глубокое обучение с использованием нейронных сетей становятся все более распространенными и в некотором роде, приблизило нас к настоящему ИИ, который представляет собой способность машин имитировать адаптивное принятие решений человеком. Тем не менее, что касается управления персоналом, где громогласно и часто произносились обещания более сложных решений, немногие организации даже вышли на стадию Big Data. Только 22 % фирм говорят, что внедрили аналитику в отдел кадров, и совершенно неясно, насколько сложна аналитика в этих фирмах. [2]
Перспективы применения машинного обучения в HR:
- Оптимизация подбора персонала: Машинное обучение позволяет анализировать огромные объемы данных, чтобы выявить наиболее успешные профили сотрудников и оптимизировать процесс подбора. Алгоритмы могут анализировать резюме, проводить интервью с кандидатами и предлагать наиболее подходящих кандидатов для конкретной вакансии, учитывая требования и успешные прошлые наймы.
- Прогнозирование текучести кадров: с помощью машинного обучения можно анализировать данные о работниках: время работы, оценка производительности, уровень удовлетворенности и другие факторы, чтобы предсказывать вероятность ухода сотрудника. Это позволяет принимать заранее меры для удержания ценных сотрудников и снижения текучести кадров.
- Улучшение обучения и развития персонала: Машинное обучение может помочь оптимизировать программы обучения и развития персонала. Алгоритмы могут анализировать данные о производительности сотрудников, идентифицировать области для улучшения и рекомендовать наиболее эффективные методы обучения, подходящие для каждого сотрудника.
- Автоматизация рутинных задач: Многие рутинные задачи в HR, такие как заполнение документов, подготовка отчетов или расчет заработной платы, могут быть автоматизированы с помощью машинного обучения. Это освободит время HR-специалистов для выполнения более стратегических и творческих задач, таких как разработка стратегии найма или улучшение корпоративной культуры.
Использование искусственного интеллекта в HR имеет свои ограничения и опасения:
– Первая проблема заключается в сложности оценки HR показателей, таких как «что означает быть “хорошим сотрудником”?». У этого определения много измерений, дать которые с точностью для большинства профессий довольно сложно: баллы служебной аттестации, наиболее широко используемый показатель, подверглись резкой критике за проблемы с обоснованностью и надежностью, а также за предвзятость, и многие работодатели вообще отказываются от них. Любая достаточно сложная работа взаимозависима с другими профессиями, и поэтому индивидуальную производительность трудно отделить от групповой. [3]
– Результаты кадровых решений (например, кто будет принят на работу, а кто уволен) имеют такие серьезные последствия для отдельных лиц и общества, что забота о справедливости — как процедурной, так и распределительной — имеет первостепенное значение. Тщательно разработанные правовые рамки ограничивают то, как работодатели должны принимать эти решения. Центральное место в этих системах занимает проблема причинно-следственной связи, которая обычно отсутствует в анализе, основанном на алгоритмах.
– Решения о приеме на работу также зависят от целого ряда сложных социально-психологических проблем, существующих среди сотрудников, таких как личная ценность и статус, воспринимаемая справедливость, а также договорные и относительные ожидания, которые влияют как на результаты организации, так и на индивидуальные результаты. В результате способность объяснять, а также обосновывать используемые методы гораздо важнее, чем в других областях.
– Наконец, сотрудники способны рисковать или негативно реагировать на решения, основанные на алгоритмах. Их действия, в свою очередь, влияют на результаты деятельности организации.
Чтобы проиллюстрировать эти опасения, рассмотрим использование алгоритма для прогнозирования того, кого следует нанимать сотрудника. Как это типично для подобных задач, применение методов машинного обучения позволило бы создать алгоритм, основанный на характеристиках сотрудников и их эффективности в текущей рабочей силе. Даже если бы мы могли продемонстрировать причинно-следственную связь между полом и эффективностью работы, мы вполне могли бы не доверять алгоритму, который говорит нанимать больше белых мужчин, потому что эффективность работы сама по себе может быть предвзятым показателем, характеристики нынешней рабочей силы могут быть искажены тем, как мы нанимали в прошлом (например, мы наняли мало женщин), и как правовая система, так и социальные нормы создали бы для нас существенные проблемы, если бы мы действительно действовали в соответствии с ними.
За последние пару лет машинное обучение добилось огромных успехов благодаря определенным технологическим достижениям, но можно с уверенностью сказать, что нам еще предстоит увидеть его полное влияние на мир бизнеса и HR в частности. [4]
Важно не выступать против этого немедленно и не воспринимать это как предвестие гибели. Будущее HR, скорее всего, будет связано с сотрудничеством человека и машины, и это может в конечном итоге обернуться для нас хорошо.
Литература:
- Guenoli, N., Feinzig, S. The business case for ai in HR // IBM [Электронный ресурс]. — Режим доступа: https://www.ibm. com/downloads/cas/AGKXJX6M (дата обращения: 10.06.2023).
- Baker, M. AI shows value and gains traction in HR // Gartner [Электронный ресурс]. — Режим доступа: https://www.gartner. com/smarterwithgartner/ai-shows-value-and-gains-traction-in-hr/ (дата обращения: 12.06.2023).
- Петров, С. В. Эффективность командообразования в современном процессе управления персоналом // Управление. — 2019. — Т. 7, № 1. — С. 86–90.
- Итоги 2019 года и прогнозы на 2020 год на рынке труда // Работа.ру [Электронный ресурс]. –Режим доступа: https://www. rabota.ru/articles/career/rabota-ru-itogi-2019-goda-i-prognozy-na-2020-god-na-rynke-truda-5486 (дата обращения: 06.06.2023).
