传统的招聘流程使候选人，公司和招聘人员失败。它围绕着人类对复杂数据的解释，而这些数据太容易受到偏见和思维捷径的影响。通过机器学习辅助的招聘过程可以消除将社会地位置于技能之上的系统性偏见。但是，在最近的新闻中，算法在该任务上失败了。亚马逊开发的简历筛选算法对女性申请人有偏见。另一个这样的算法更喜欢打长曲棍球的候选人贾里德。
如果我们将机器学习应用于简历-今天的招聘过程中人们使用的数据源相同-我们将使偏见永存。为了减少招聘方面的偏见，我们必须将机器学习应用于新的数据源，这些新数据源更加客观，太复杂，以至于人类无法进行审查。
技能测试可以提供新的数据源。在招聘的第一步中，机器学习模型可以分析技能测试，而不是简历来做出更客观的招聘决策。
我想讨论为什么我们所有人都应该在当前系统中偏爱基于机器学习的方法。
一个失败的过程
在硅谷，招聘经理面临着两个相互关联的问题，这使招聘工程师很难。第一个问题是对具有技术技能的人才的需求远远超过了供应。第二个问题是应用程序对每个空缺职位的拥护。
招聘经理通常会在一个空缺职位上收到数百份申请。为了滤除噪音，他们依靠快捷方式，例如优先考虑来自最著名的学院和公司的申请人。但是，斯坦福大学，麻省理工学院和常春藤盟校不会将班级人数增加三倍来满足这一需求。它们是高度选择性的机构，而不是企业。
尽管人才紧缺，但招聘经理却忽略了非常规的候选人，这些候选人可能比来自精英背景的人更为熟练。他们知道其中一些候选人会很好，但是当人类必须进行所有筛选时，要找到他们会花费太多时间和金钱。
随着“软件吞噬世界”，对工程师的需求持续增长，每个公司都必须学习如何构建自己的软件以保持竞争力。工业公司，消费品品牌和金融机构都在招聘软件工程师。同时，谷歌，Facebook和亚马逊等成熟的技术巨头继续扩大野心，开发新产品，从而进一步增加了对技术人才的需求。
结果：传统的招聘失败了。审查简历的人员根本无法快速找到满足需求的技术熟练的候选人。但是，基于机器学习的招聘过程可以解决我所提出的问题。通过使用技能测试(其中机器学习算法可以分析分数并匹配候选人来开展工作)，公司可以快速确定并雇用熟练的候选人。由于多种原因，基于机器学习的招聘相对于传统招聘提供了巨大的改进。
1.阅读简历效率低下。如果您需要查看100份简历，则别无选择，只能使用基本的试探法来搜寻它们，例如寻找特定的大学或公司。同样，如果您尝试进行人工管理和等级技能测试，那么您将在竞争对手提供报价的同时忙于查看这些数据。
2.人力招聘有偏见。大量研究表明，招聘存在系统性偏见。采访者有意识地和无意识地根据性别，种族，情感，体重甚至一个人的声音进行区分。审阅者根据“文化契合度”筛选出熟练的应聘者，这一观念虽然对成功招聘很重要，但很少经过周密考虑或明确表述为招聘标准。以技能数据的机器学习分析为指导的招聘过程可以消除许多偏见，至少在最终的面试之前。
3.人类判断错误的事物。如果工程师在电话采访中听起来很奇怪，谁在乎?雇用工程师来制造产品，而不是出售产品。不幸的是，面试的背景(通过电话交谈)使面试官远离应评估的内容：分析和解决问题的能力。机器学习可以抵消这些错误判断，因为它没有任何社会和文化意识(在这种情况下，这是一种属性)。
4.任何人都可以参加。公司将招聘精力投入到顶尖的大学中，因为如果人为工作，范围更广，成本太高。机器学习可以筛选任何规模的候选人。如果您想要世界上最好的数据科学家，请世界各地的应用。机器学习欢迎来自非洲，亚洲和中东的求职者加入招聘流程，否则将有利于少数学校的精英。
5.招聘人员还有更多有价值的事情要做。招聘人员代表其公司的文化，价值观和使命。阅读简历并不是使这份工作有意义的原因。我认识的最好的招聘人员喜欢与应聘者建立关系并为人们提供梦想的机会。在机器学习的协助下，招聘人员可以将更多精力放在人文方面–机器学习无法做到或欣赏的这一方面。
招聘中的公正
基于机器学习的招聘纠正了传统流程，该流程将状态优先于技能，而背景优先于能力。但是，并非所有候选人都会从更公平的招聘中受益。
那些经历了常春藤联盟教育并希望铺开红地毯的人们将遭受苦难。那些将学生当作豪华度假胜地的客人对待的大学，并为“用户满意度”进行了优化，这些大学的招聘统计数据将有所下降。大学将必须提供教育，而不仅仅是可销售的地位标志(又称文凭)。
另一方面，非常规的候选人-致力于改变生活的自学成才的编码员，在线学生和上瘾者-将会拥有自己的时刻。机器学习并不会像许多人担心的那样使招聘变得人性化，它可以帮助企业实现其价值并实际雇用最优秀的人才。
标签： 机器学习