Люди привыкли к повсеместному использованию фильтров для кастомизированной выдачи: в поисковых системах, каталогах магазинов, поликлиниках. Такая тенденция незаметно перешла и в HR — по нашим оценкам, у 80% соискателей вызывает раздражение нерелевантная информация, полученная в результате поиска работы. С подобной проблемой регулярно сталкиваются различные работные сервисы, например, при поиске вакансии менеджера по проектам человек получает в выдаче пять страниц с вакансиями менеджеров по продажам вперемешку с малочисленными объявлениями о работе для менеджеров по проектам. В данном случае алгоритм не до конца понимает, какого рода менеджер нужен. Компаниям, которые хотят занимать нишу в онлайн-рекрутменте, необходимо работать с персонализацией и выдавать объявления о работе строго по запросу. И именно AI (искусственный интеллект) – лучший помощник в решении этой задачи. Первое, что должен уметь AI – понимать смысл резюме для того, чтобы не допускать ошибок в автоматизированном поиске, который сегодня интересен большинству компаний. Кроме того, важная цель AI – обеспечить как можно более высокую скорость подбора персонала. В первую очередь, это касается работодателей, которым необходимо быстро рекомендовать подходящих кандидатов.
Так, например, в базе HeadHunter содержатся 35 млн анкет соискателей, и найти в ней нужного специалиста вручную было бы тяжело. Технологии искусственного интеллекта позволяют значительно оптимизировать этот процесс. Так, в «умном поиске» HeadHunter уже заложены данные о том, кого искал HR-менеджер, какие резюме просматривал, каких кандидатов он и его коллеги приглашали на очное интервью. По нашим наблюдениям, за прошедший год примерно треть объема новых откликов обеспечила как раз система с AI.
Из чего состоит искусственный интеллект
В 99% случаев под AI подразумевается конкретная область знаний, инженерии и науки – машинное обучение (изучение методов построения самообучаемых алгоритмов). Однако, это всего лишь часть огромной сферы знаний. Чтобы получить работающее машинное обучение, необходимо соединить данные из области математики, статистики, программирования, исследовательской деятельности, хакинга (в хорошем смысле этого слова) – только тогда машина сможет на основе данных делать выводы, которые изначально в нее не закладывались.
В онлайн-рекрутменте используются алгоритмы на решающих «деревьях». «Деревом» называют систему данных, которая представляет собой древовидную структуру в виде набора связанных «узлов». В «узлах» может находиться информация об опыте кандидата, о его навыках, зарплатных ожиданиях и т.д. Рекрутеры составляют такой список на каждую вакансию и по нему отсеивают кандидатов, которые не подходят. Однако полностью исключить человеческий фактор и некоторую предвзятость все равно невозможно. Для того чтобы формализовать алгоритм, создается блок-схема, так называемое «дерево решений», которое быстро и автоматически проверяет кандидата на соответствие максимальному количеству требований. Завершив анализ, система начисляет каждому кандидату определенное количество баллов, которое показывает, насколько интересно пригласить того или иного человека на собеседование. За время, которое HR-менеджер потратит на построение одного «дерева», машина сделает десятки тысяч таких «деревьев». Чтобы система работала точнее, необходимо в одном случае задействовать 10 серверов, а в другом 100! В результате работы с алгоритмами очки, полученные при анализе на «деревьях решений», суммируются. Робот «прогоняет» выбранных кандидатов по этим «деревьям решений», в разных блок-схемах могут быть разные результаты. Если на одном «дереве» кандидат собирает 100 баллов, то на другом он может получить не больше 90. Затем все оценки суммируются, и общий балл делится на количество «деревьев», по которым оценивался кандидат. Получается показатель, который дает понять, насколько процентов мы хотим позвать того или иного человека на собеседование. Этот процесс называется скоррингом кандидатов.
Важные составляющие для использования технологий искусственного интеллекта
- Данные. Везде, где требуется принятие решения на основе каких-либо данных, реально запустить систему машинного обучения, которая будет работать лучше, чем человек. В Интернет-рекрутинге много возможностей для реализации этих технологий. К примеру, такую простую задачу, как модерация резюме, можно доверить машине. На данный момент у нас в HeadHunter ⅔ резюме модерируются без участия человека.
- Те, кто умеет работать с данными. Если в компании работают люди, которые занимаются аналитикой, проекты по AI делать вполне реально in-house. Для проектов, которые требуют специальных производственных процессов с плотной нагрузкой, Big Data, инженерии, разработки модуля по CRM-системе, лучше обратиться к сторонним провайдерам. Однако, не стоит торопиться отдавать разработку на аутсорс. Прогноз продаж и оттока может сделать аналитик, пройдя несколько курсов, например, на Coursera.
Перспективы и будущее подобных технологий
Машинное обучение — одна из самых перспективных областей на сегодняшний день, которая рентабельна и прозрачна с точки зрения бизнеса — ее эффективность посчитать легко и просто.
Для тех, кто боится внедрять AI, в частности, машинное обучение, в свои производства, есть возможность посчитать, насколько механизм точно работает на тестовых данных и его экономическое value. В отличие от чистого «хайпа», типа блокчейна, машинное обучение — абсолютно прикладная вещь.
Уже в самом ближайшем будущем поиск работы будет представлять собой исключительно взаимодействие с системой машинного обучения, которая будет подбирать подходящую пару кандидат-работодатель. Это будет происходить максимально быстро, а соискатели станут более мобильными. Со своей стороны чат-бот будет говорить работодателю о знаниях кандидата, его навыках и опыте. Кроме того, в будущем робот сможет предложить человеку новую работу, как только тот уйдет из предыдущей компании.
Система вскоре будет о нас все знать. Например, у банков уже есть вся информация о человеке, который берет кредит. В банках работают точно такие же «деревья решений», просто в «узлах» могут находиться такие данные, как количество друзей в социальных сетях, наличие аккаунта в том или ином мессенджере, интересы. Роль кредитного аналитика изменяется, и теперь он в большей степени занимается анализом общедоступной информации о клиентах. Эта же тенденция коснется и рекрутеров. Они уже не будут тратить время на глобальный поиск, им будет достаточно сформировать подходящий работодателю профиль, и далее работать с линейным руководителем, который заинтересован в поиске нового сотрудника. Остальное будет делать машина.