[ad_1]

شرکت های بیشتری از هوش مصنوعی برای استخدام و استخدام کارمندان جدید استفاده می کنند و هوش مصنوعی می تواند تقریباً در هر مرحله از فرآیند استخدام حساب کند. Covid-19 به تقاضای جدیدی برای این فناوری ها دامن زد. هر دو شرکت Curious Thing و HireVue ، متخصص در مصاحبه های مبتنی بر هوش مصنوعی ، از رشد تجارت در طی همه گیری خبر داده اند.

با این حال ، بیشتر جستجوی کارها با یک جستجوی ساده شروع می شوند. افراد جویای کار به سیستم عامل هایی مانند LinkedIn ، Monster یا ZipRecruiter مراجعه می کنند ، جایی که می توانند رزومه خود را بارگذاری کنند ، آگهی های استخدام را مشاهده کنند و برای مشاغل جدید درخواست دهند.

هدف این وب سایت ها ترکیب نامزدهای واجد شرایط با موقعیت های موجود است. برای سازماندهی تمام این بازها و نامزدها ، بسیاری از سیستم عامل ها از الگوریتم های ارجاع مبتنی بر هوش مصنوعی استفاده می کنند. الگوریتم هایی که بعضاً موتورهای منطبق نامیده می شوند ، اطلاعات کارجوی و کارفرما را پردازش می کنند تا لیستی از توصیه ها را برای هرکدام تهیه کنند.

درک کان ، نایب رئیس مدیریت محصول در Monster می گوید: “شما معمولاً حکایتی را می شنوید که یک استخدام کننده شش ثانیه به رزومه شما می پردازد ، درست است؟” “وقتی به مکانیزم ارجاعی که ساخته ایم نگاه می کنیم ، می توانید این زمان را به میلی ثانیه کاهش دهید.”

جان یرسین ، معاون سابق مدیریت محصول در LinkedIn ، می گوید: بیشتر موتورهای منطبق برای تولید برنامه ها بهینه شده اند. این سیستم ها توصیه های خود را بر اساس سه دسته داده قرار می دهند: اطلاعاتی که کاربر مستقیماً به سیستم عامل ارائه می دهد. داده هایی که بر اساس دیگران با مجموعه مهارت ها ، تجربه و علایق مشابه به کاربر اختصاص می یابد. و داده های رفتاری ، مانند اینکه کاربر هر چند وقت یکبار به پیام ها پاسخ می دهد یا با اعلان های شغلی تعامل دارد.

در مورد LinkedIn ، این الگوریتم ها نام ، سن ، جنسیت و نژاد فرد را حذف می کنند ، زیرا درج این ویژگی ها می تواند به تعصب در فرآیندهای خودکار کمک کند. اما تیم Jersin دریافت که حتی در این صورت ، الگوریتم های این سرویس هنوز هم می تواند الگوهای رفتاری را که توسط گروه هایی با هویت جنسیتی خاص نشان داده شده است ، تشخیص دهد.

به عنوان مثال ، در حالی که مردان بیشتر به دنبال مشاغلی هستند که به تجربه کاری خارج از شرایط خود احتیاج دارند ، زنان بیشتر به سراغ مشاغلی می روند که شرایط آنها مطابق با شرایط شغل باشد. الگوریتم این تغییر رفتار را تفسیر می کند و توصیه های خود را به گونه ای تنظیم می کند که سهوا زنان را در معرض آسیب قرار دهد.

جرسین می گوید: “می توانید به عنوان مثال مشاغل بالاتر از گروه دیگر را نسبت به گروه دیگر توصیه كنید ، حتی اگر در سطح یکسان واجد شرایط باشند.” “این افراد ممکن است در معرض فرصت های یکسان قرار نگیرند. و این واقعاً تأثیری است که ما در اینجا درباره آن صحبت می کنیم. “

مردان همچنین مهارت های بیشتری را در رزومه خود با سطح مهارت کمتری نسبت به زنان دارند ، و آنها اغلب با پرهیزگاری با استخدام کنندگان در سیستم عامل درگیر می شوند.

برای مقابله با چنین مشکلاتی ، Jersin و تیم LinkedIn او هوش مصنوعی جدیدی را ایجاد کردند که برای تولید نتایج نمایشی تر طراحی شده بود و آن را در سال 2018 پیاده سازی کردند. در اصل ، این یک الگوریتم جداگانه بود که برای مقابله با توصیه های خاص گروه طراحی شده بود. هوش مصنوعی جدید اطمینان می دهد که قبل از ارسال موارد منطبق بر انتخاب از موتور اصلی ، سیستم ارجاع شامل توزیع یکنواخت کاربران بر اساس جنسیت است.

کان می گوید Monster ، که هر بار 5 تا 6 میلیون شغل را لیست می کند ، داده های رفتاری را نیز در توصیه های خود آورده است ، اما تعصب را به همان روشی که LinkedIn اصلاح می کند ، اصلاح نمی کند. در عوض ، تیم بازاریابی بر روی جلب کاربران از زمینه های مختلف برای ثبت نام در این سرویس متمرکز است و سپس این شرکت به کارفرمایان متکی است تا گزارش دهد و به Monster بگوید که آیا یک گروه نماینده کاندیدا ارسال کرده است یا خیر.

ایرینا نووسلسکی، مدیرعامل CareerBuilder ، می گوید که این کار بر روی استفاده از داده هایی است که سرویس جمع آوری می کند تا به کارفرمایان یاد دهد چگونه تعصب را از اعلان شغل خود حذف کنند. به عنوان مثال ، “وقتی یک داوطلب شرح شغلی را با کلمه” راک استار “بخواند ، درصد کمتری از زنان متقاضی هستند.



[ad_2]

منبع: unbox-khabar.ir

ایندکسر