Tekoälyn käyttö rekrytoinnissa vaatii tarkkuutta
Tekoälyn hyödyntäminen rekrytointiprosesseissa on ollut kansainvälisesti yksi viime vuosien kasvavista trendeistä. Yritykset hyödyntävät muun muassa automaattisia arvioita, digitaalisia haastatteluja ja data-analytiikkaa hakemusten ja hakijoiden läpikäymiseen.  IT-työpaikoissa pyritään jatkuvasti lisäämään työvoiman monimuotoisuutta, tasa-arvoa ja inkluusiota. Mutta tekoälyn hyödyntäminen tässä voikin vaikeuttaa tavoitteisiin pääsemistä, kertoo CIO.com. “Vääristymät syntyvät datasta. Jos taustalla ei ole edustavaa otosta tai päätöksenteon […]
Mikko Torikka
22.9.

Tekoälyn hyödyntäminen rekrytointiprosesseissa on ollut kansainvälisesti yksi viime vuosien kasvavista trendeistä. Yritykset hyödyntävät muun muassa automaattisia arvioita, digitaalisia haastatteluja ja data-analytiikkaa hakemusten ja hakijoiden läpikäymiseen.  IT-työpaikoissa pyritään jatkuvasti lisäämään työvoiman monimuotoisuutta, tasa-arvoa ja inkluusiota. Mutta tekoälyn hyödyntäminen tässä voikin vaikeuttaa tavoitteisiin pääsemistä, kertoo CIO.com. “Vääristymät syntyvät datasta. Jos taustalla ei ole edustavaa otosta tai päätöksenteon kriteerit ovat puutteelliset, on myös koneellinen valintaprosessi puutteellinen”, sanoo professori ja dekaani Jelena Kovačević NYU Tandon School of Engineeringistä. IT-rekrytointien osalta syy löytyy historiasta. Ala on ollut vuosikymmeniä lähinnä valkoisten miesten täyttämä ja sitä kautta myös historiallinen data on tavoitteisiin nähden vääränlaista. Pahimmassa tapauksessa tekoäly jatkaa vuosikymmenten perinnettä rekrytointivalinnoissa. Tekoälyn saa kuitenkin tehostamaan ja monipuolistamaan rekrytointeja, jos sen virittää toimimaan oikein.

Datan kompastuskivet

Tekoälyalgoritmit koulutetaan tyypillisesti menneellä datalla. Tämä luo aina riskin vinoutumille.  IT-alalla tekoälyllä ei tyypillisesti ole käytettävissä paljoa dataa esimerkiksi naisten tai muiden kuin valkoisten työntekijöiden kyvystä suoriutua tehtävistään. Sen sijaan algoritmi pystyy suosittelemaan niitä hakijoita, jotka sopivat olemassa olevaan dataan, Kovačević sanoo. Samoin, jos kandidaatteja on rekrytoitu vain huippukouluista, ei datassa ole tietoa vähemmän tunnetuista kouluista valmistuneiden kyvyistä.

Käärmeöljyä kannattaa välttää

Koska HR on organisaatiossa kuluerä eikä se tuota liikevaihtoa, on automaation hyödyntäminen erittäin houkuttelevaa. Mutta ihan kaikkea ei kannata ottaa annettuna. Yritysten kannattaa olla erityisen varovaisia videohaastatteluja analysoivien algoritmien kanssa, kertoo Matthew Scherer Center for Democracy & Technologysta.  “Työkalut, jotka väittävät arvioivansa kasvonilmeiden ja äänensävyn perusteella persoonallisuutta, ovat lähinnä käärmeöljyä”, Scherer sanoo. Näiden perusteella tehtävä karsinta jättää helposti normiin sopimattomat kandidaatit, kuten esimerkiksi autismin kirjolla olevat hakijat tai hakijat, joilla on joku vamma.

Mikä sitten toimii?

Tekoäly on joka tapauksessa hyödyllinen apuväline rekrytointiin, kunhan sitä käyttää oikein. Yksi tapa on keskittyä ainoastaan taitoihin ja jättää muut ominaisuudet huomiotta. BMC Softwaren vastuullisuusjohtaja Wendy Rentschler kertoo CIO.comille, että kokemukset pelkästään taitoihin keskittymisestä ovat tuoneet yllättäviäkin lopputuloksia. Hän kertoo esimerkin syyrialaisesta hammaslääkäristä, jolla oli myös ohjelmointitaitoja. Hakuprosessissa keskityttiin ainoastaan ohjelmointitaitojen arviointin, jolloin kyseinen hammaslääkäri pääsi karsintavaiheen läpi ja tuli lopulta palkatuksi. Normaalissa hakutilanteessa näin ei olisi todennäköisesti käynyt.

Kuva Unsplash @HuntersRace

Suositellut

Uusimmat