机器学习和人工智能的人力资源指南

机器的HR指南学习和AI 了解机器如何帮助您解决人员问题 赞助： HREXCHANGENETWORK.COM 越来越多的人力资源领导者正在转向数据分析，以更好地管理人才并更有效地完成工作。数据分析可以帮助人们推测他们需要做多少招聘，某些人是否会考虑离职，福利和津贴的使用等等。 然而，人力资源部门采用这些技术的速度很慢。人力资源的头衔是人类，这可能解释了不愿将问题解决方式交给机器的原因。此外，预算对某些人来说可能是一个问题。毕竟，尖端技术可能很昂贵。而且，大多数人会怀疑地看待任何新事物。 改变是困难的。 尽管如此，在这个工作场所动态的历史关头，人力资源领导者肩负着整个劳动力的重担，他们再也不能忽视机器学习和分析了。他们肯定可以使用帮助。 人力资源专业人士更喜欢这些工具的原因是，它们变得更易于使用。在许多情况下，组织在某种程度上仍然需要依赖机器学习工程师或第三方供应商。但是这些工具比以往任何时候都更直观，未来的发展是光明的。 机器学习在人力资源界越来越受欢迎的另一个原因是，它可以帮助完成繁重的工作，例如扫描简历以剔除不合格的候选人或跟踪带薪休假（PTO ）。当然，机器在这些类型的功能上比人类工作得更快，更准确。 但是，机器不会很快取代人们。这场大流行使人力资源专业人员的所有职能成为焦点。人类管理着这个地方，他们正在急剧变化的时期改变工作。 结果，CHRO和该部门的其他高级领导人正在拉起他们在首席执行官中的席位。他们需要他们的部门有效地运行，以便他们有时间进行决策和长期战略规划。 他们需要这些数据来帮助做出更好、更明智的决策，这些决策将带来积极的业务成果，并验证他们新的首席执行官身份。 当然，机器不能不受控制。它们应该作为补充人们工作的工具。人情味仍然是一种必需品，尤其是在人力资源方面。 在员工和管理层之间的分歧中，机器不能充当中间人。 它不能对面临一些个人问题的员工表示同情。它可能不愿意冒险来自边缘化群体的人，他们表现出巨大的潜力，可以从导师中受益。 换句话说，也必须有人对这些机器进行绩效评估。唉，人实际上对解决人的问题至关重要，而机器不能单打独斗。 HR技术可能会令人生畏。这种相对较新的技术-机器学习（ML），人工智能（AI）和其他技术-处于“火箭科学水平的复杂性”，预测分析的作者，前哥伦比亚大学教授EricSiegel说。因此，平均首席人力资源官（CHRO）或首席人力资源官（CPO）可能会对该技术感到不满意。 然而，他们意识到，指尖上的数据量和从有组织的数据集中得出的结论可以彻底改变他们的决策方式。 因此，许多人力资源领导者正在对机器学习进行投资。 在人力资源领导者可以进入人员分析或使用任何这种技术之前，他们必须对自己进行有关主题的教育。例如，理解机器学习和人工智能之间的区别是必要的。机器学习在假设技术将随着使用而学习和适应的情况下运作。 另一方面，人工智能旨在执行任务。IBM以最简单的形式将人工智能描述为“结合了计算机科学和强大的数据集以解决问题的领域”。 麦肯锡表示，这就是为什么70％的高管将人员分析作为首要任务的原因。根据人力资源管理协会（SHRM）的一项调查，近四分之一的公司报告使用自动化或AI来支持与人力资源相关的任务，包括招聘和招 聘。 高管将人员分析作为首要任务 70% “一家公司通过对其历史数据应用机器学习 来从过去学习。 埃里克·西格尔 预测分析的作者，前哥伦比亚大学教授 案例研究 Siegel分享了一些人力资源领导者如何使用这项技术来解决人员问题的具体、真实的例子： 惠普 惠普使用预测模型为其30万名员工生成Siegel所指的“飞行风险”评分。经理们可以使用此信息提前计划离职或干预。西格尔说，他们节省了大约3亿美元，他在书中进一步介绍了惠普案。 富国银行 富国银行（Wells-Fargo）使用预测分析来根据经验和技能等因素确定出纳员和个人银行家职位的最合格候选人。它将员工保留率提高了12％至15％。 美国中型零售银行 这家银行使用该技术来解决招聘过程中的人员流失问题。它预测了每个候选人是否会在工作中持续至少12个月。结果是将人员流失从80％降低到38％，每年节省60万美元。 机器学习、人员分析、人工智能和其他技术可以在组织的整个员工生命周期中为人力资源提供支持。 Siegel说：“机器学习通常用于预测哪个员工最有可能辞职，以及哪个准员工可能会或可能不会在工作中表现出色。”“公司通过将机器学习应用于其历史数据来从过去中学习，例如，谁辞职了，谁没有辞职，生成一个预测模型，然后输出每个当前员工或潜在客户的概率。” 人力资源中有许多常见的应用。西格尔提到了减员和晋升。但是人力资源领导者从他们的第一个开始就使用机器学习、人工智能和分析 例如，他们可以用它来剔除不合格候选人的简历。 这项技术的最佳用途之一是在招聘过程的前端，迈克尔·阿雷纳说，他是通用汽车和AWS的前人才主管，他与人力资源技术有着广泛的合作，目前是宾夕法尼亚大学的教授。他说，这项技术非常适合评估、入职和管理任务。 5 HR中的应用 工作场所安全是机器学习可以应用和成功的另一个领域。例如，它可以通过跟踪员工在工作和使用 Arena解释说，这是一种识别需要休息的设备。 机器学习可以帮助评估组织的多样性，公平性和包容性（DEI）策略的有效性，因此HR领导者可以进行必要的调整。此外，一些HR领导者正在尝试使用 机器学习和AI学习。Arena说，这比其他应用程序更具挑战性，但未来可能会证明并非如此。 Arena指出，使用预测分析进行人员流失会给人力资源领导者带来一些困境。一旦经理意识到有人可能会想到的危险信号 辞职，他是做什么的？他在道德上如何使用这些信息？他是否干预 ？他是否会让该人离开并计划在员工发出通知之前雇用新员工？尽管如此，许多公司仍在使用这种技术来提高保留率。 相反，Arena使用机器学习来识别有资格晋升的人取得了更大的成功。例如，机器学习的因素之一是识别员工与谁联系。与他们资深人士会面的人和第三方通常更有资格晋升。这可以帮助雇主创建内部候选人列表 。 Arena解释说，出现在生成的列表中并不能保证晋升，也不意味着机器忽略的那些不能最终出现在列表中。但是，晋升的预测因素已被证明是有用的。 “我认为机器可以补充人类的判断力。招聘经理仍然应该是招聘经理。招聘经理仍然应该是说“是” 或“否”的人，因为他们最清楚该人是否会适应团队并具有正确的化学反应。” 迈克尔竞技场 宾夕法尼亚大学教授 随着机器学习、人工智能和其他技术越来越深入到人们的生活中，许多人担心机器人会取代人类。多年来，学者和从业者一直在思考这个话题 ，并发出严重的警告。但是人力资源领导者更清楚。人才毕竟是组织的命脉。 “我只是不认为机器学习的水平，我们应该把钥匙交给机器，”Arena说 ，“我认为机器可以补充人类的判断。 招聘经理仍然应该是招聘经理。招聘经理仍然应该是那些说“是”或“否”的人，因为他们最清楚这个人是否会融入团队并拥有正确的化学反应。也许在技术问题上，他们还有机器学习的另一个数据点需要考虑。” 实际上，这种技术是有局限性的。机器学习在用于二进制分析时是实用的，当 人力资源专业人员正在寻找明确，明确的答案。Arena说，简历中的某些单词或正确和错误的多项选择或评估中的数字答案都是HR领导者如何成功应用机器学习的好例子。 他补充说，高判断力的对话和主观分析仍然应该是人们的责任。 Siegel同意： “预测模型并不能解决问题。它提供了帮助解决问题的重要工具，”他说。“概率是由人消耗的——雇佣和留住[员工]通常不是完全自动的。相反，最有活力或风险最大的人被标记为管理者采取相应的行动。这不是结晶-球准确，但通过预测比猜测更好，预测提供了巨大的价值。 人力资源技术专家提出了关于偏见的两个论点。有人说机器从招聘等过程中消除了人的偏见。他们可能会引用人类如何训练机器忽略人们的名字，并在不包括大学的情况下扫描简历中的技能和学士学位，以避免给那些有能力有机会参加常春藤联盟或顶级学校的人占上风。 另一方面，一些专家认为，偏见从一开始就被纳入机器学习和技术中，因为偏见是人类告诉机器该做什么。此外，通过这些预测模型，机器正在使用历史数据进行预测。Arena警告说，如果历史数据是系统不公正的结果，那么机器将重复同样的偏见。 实际上，这些对偏见的担忧是Arena坚持认为人类必须简单地使用机器学习来补充其决策的原因之一。Siegel还警告说，操作机器的人类必须意识到偏见。 “代表性不足的少数群体无意中受到了这一过程的惩罚，”他说。“在某些情况下，虚假的标志（例如，错误地指示可行的候选人 对于少数族裔候选人来说，这实际上是不可行的）发生率更高。该行业经常使用“偏见”一词来描述这种情况，但这个词是主观的，也暗示了许多其他潜在问题。对于这个问题，补救措施是类似于平权行动的行动。换句话说，分析将社会的情况摆在桌面上。 机器学习太宝贵了，不能丢弃，然而，为了公平地使用它，我们必须同意为历史上被剥夺公民权的群体提供助力。 正如人力资源领导者所熟知的那样，消除偏见并为各种候选人和员工提供机会是道德和商业上的当务之急。因此，那些报名使用机器学习，AI和其他技术的人也必须使用自己的判断并不断审核过程，以确保准确性和公平性。最终，人类的大脑仍然是人力资源决策的巅峰之作。 使用这种预测分析并充分利用它需要资源。毫不奇怪，SHRM的调查显示 ，少于100名员工的雇主中有16％使用自动化或AI，而拥有5,000名或更多员工的雇主中有42％。该领域的专家仍然相对较少，数据分析是企业在未来工作中试图弥补的技能差距之一。 目前，技术必须进一步发展。Arena说，人力资源领域的这种技术的未来很有希望。他说，首先，人力资源领导者需要： 事实上，人力资源领导者认识到机器学习的好处。这就是为什么这么多人将其作为优先事项。尽管如此，克服预算障碍和很少受过培训以最大限度地发挥该技术潜力的人可能会继续阻碍机器学习的采用。 技术本身将不断进步，并在人力资源中得到越来越多的应用。 大量的历史数据 “如果你没有可靠的数据，你就没有数据库来训练任何模型。 机器学习工程师 “最大的限制因素是我们没有很多机器学习工程师 当今世界……所有的科技公司都在考虑低代码或无代码的机器学习，以使普通的软件开发工程师更容易获得。 要解决的合身问题 “您要解决的问题……像登机之类的事情很快就开始了。没有人想成为整天接听电话的人，所以呼叫中心已经成熟了……但是您需要一些很高的判断力，例如雇用某人，大多数经理都希望从事 这个决定”。 “最终，我相信我们将能够将机器学习和人工智能应用于一切，”Arena说。“我认为这个领域的未来是超级光明的。我认为我们甚至有能力将其应用于创造力等方面。但我们仍在努力追赶到底是什么样子。” 最后，人类自己将决定如何最好地使用机器学习和人工智能等技术。他们必须控制偏见和其他错误，这些错误可能是历史数据或训练机器的人造成的。审计和评估过程是最重要的。专家希望人力资源领导者明白这一点 这些是决策的工具，而不是人类判断的替代品。 9 与工作日的问答 AdriánCampomanes Workday高级产品营销经理 AdriánCampomanes是一名高级产品营销经理，在营销和战略方面拥有超过14年的经验，目前专注于员工经验和敬业度。 Adrián拥有英国阿伯丁大学市场营销专业的MBA学位。 我们知道这种方法是不切实际的，因为当数据被接收和分析时，信息已经过时了， 这意味着你并不总是专注于正确的问题和行动。最重要的是，这个过程管理繁重，对人力资源部门来说根本没有效率。 最近，更敏捷的组织开始临时衡量员工的情绪。这种方法将我们带到了人员分析的起点，但它有其缺点。由于这些调查是不定期进行的，因此观察到的趋势并不总是可靠的。最重要的是，