L’intelligenza artificiale nella valutazione e selezione dei talenti

Background

Cos’è l’Intelligenza Artificiale?

Quando si parla di IA (Intelligenza Artificiale), il termine viene spesso associato a molteplici aspetti e interpretazioni confuse. È quindi utile chiarire il tutto con una definizione: l’IA rappresenta l’insieme di tecnologie e algoritmi che simulano una o più delle seguenti capacità umane (Barney, 2019):

• Natural Language Processing (NLP): capacità di comprendere e comunicare in lingua umana;
• Rappresentazione di conoscenza: capacità di creare modelli basati su ciò che il sistema apprende o percepisce;
• Ragionamento: utilizzo dei dati per rispondere a domande o formulare nuove conclusioni;
• Apprendimento: adattamento a nuove situazioni ed estrazione di modelli;
• Percezione sensoriale: percezione di oggetti o persone;
• Manipolazione oggetti (in alcuni casi): movimento di oggetti in uno spazio fisico.

Comprendere questa definizione è fondamentale perché ci ricorda che l’IA non è “un’unica entità”. Gli strumenti che definiamo correttamente come IA includono solitamente vari modelli di machine learning o deep learning che operano in sinergia per elaborare gli input, siano essi supervisionati o non supervisionati (ad esempio, dati etichettati da umani o meno), generando output continui o categoriali (ad esempio, la previsione di un numero o l’identificazione di una categoria/gruppo). In altri termini, le azioni che l’IA svolge possono essere ulteriormente suddivise in queste funzioni:

• Classificazione: assegnazione di elementi a un gruppo sulla base della loro somiglianza con gruppi precedentemente definiti;
• Clustering: identificazione di possibili gruppi da dati non classificati;
• Regressione: previsione di un valore numerico basata su una relazione nota;
• Identificazione di patterns tra variabili: esplorazione di potenziali relazioni tra dati per scoprire configurazioni.

Quali sono le promesse dell’IA nel valutare e selezionare i talenti?

L’IA offre soluzioni promettenti per superare numerose sfide legate alla ricerca, al coinvolgimento e alla valutazione dei candidati per un determinato lavoro. In sintesi, quando applicata al processo di assunzione, l’IA promette di:

1. Automatizzare i compiti di reclutamento ripetitivi e onerosi . Un esempio di iniziale successo della IA è legato alla automazione  di compiti che i reclutatori svolgevano “manualmente”, quali la ricerca di candidati con lo screening dei curriculum. Diversi fornitori IA hanno iniziato a offrire servizi che impiegano tecnologie basate sull’IA per identificare potenziali candidati analizzando e raccogliendo dati dai social media e da altre fonti online (Linkedin). Queste tecnologie sovrappongono i confini tra identificazione della persona e valutazione dei candidati; le prime ricerche indicano che i sistemi di IA non solo individuano i candidati, ma rilevano anche le differenze individuali riferite alla personalità, allo scopo di abbinare i candidati ai posti di lavoro a loro più appropriati (Akhtar et al., 2019; Morelli & Illingworth, 2019).
2. Gestire dati massivi, decentralizzati, “spuri” e non strutturati. L’IA è capace di esaminare più rapidamente e con maggiore efficienza enormi dataset, spesso ospitati in sistemi distribuiti all’interno di un’organizzazione (EY, 2018). È inoltre più efficace nell’elaborare grandi quantità di dati e nel ridurre il tempo che gli umani devono dedicare alla pulizia e alla preparazione dei dati per ulteriori analisi. Considerato che il 60% del lavoro nella “scienza dei dati” consiste nella pulizia e organizzazione dei medesimi (Press, 2016), i sistemi IA che possono trattare i dati “soggetti a rumore” e de-strutturati migliorando significativamente l’efficacia e la produttività degli analisti delle risorse umane.
3. Modellare più variabili (caratteristiche) rispetto agli attuali metodi di valutazione self-report. I modelli basati sui tradizionali metodi di valutazione self-report includono in genere una dozzina di variabili. La mancata raccolta e inclusione di altre informazioni preziose dai candidati potrebbe ridurre il potere predittivo del modello. Al contrario, il deep learning è un approccio all’intelligenza artificiale in grado di gestire zettabyte di dati e migliaia di caratteristiche in un unico modello, aumentando potenzialmente il potere predittivo del modello stesso e riducendo al contempo il tempo e l’impegno dei candidati. Sebbene il potenziale del deep learning sia più spesso applicato al riconoscimento delle immagini e del parlato, le misure di assessment che utilizzano dati video e tracce vocali possono ora incorporare centinaia o migliaia di caratteristiche nei loro algoritmi con l’aiuto del deep learning, nel tentativo di migliorare i metodi di selezione tradizionali.
4. Assistere gli psicologi I/O nella creazione e validazione delle misure tradizionali. Qualora un approccio “IA-first” non risultasse attrattivo, Barney (2019) spiega come l’uso dell’IA possa rendere più semplice ed economico creare o validare le valutazioni tradizionali. Ad esempio, gli psicologi I/O possono utilizzare l’IA per condurre analisi del lavoro in modo più efficiente e approfondito. Le analisi del lavoro sono un’attività fondamentale di raccolta dati che definisce quali compiti vengono svolti in un lavoro e quali competenze chiave sono necessarie per svolgerli. L’IA può integrare il modo in cui gli psicologi I/O eseguono meta-analisi mirate, aiutando a semplificare la validazione delle valutazioni. L’IA è anche in grado di eseguire autonomamente le analisi per determinare le qualità psicometriche di una valutazione, calcolando così le statistiche che attestano l’affidabilità e l’accuratezza di una valutazione.

Implicazioni per la pratica

Qual è un esempio specifico e praticabile di IA applicata alla valutazione e alla selezione dei talenti?

L’elaborazione del linguaggio naturale (NLP), ovvero l’interpretazione e l’applicazione del linguaggio naturale da parte dell’intelligenza artificiale, è un tentativo su larga scala di identificare e selezionare efficacemente i talenti dai dati testuali.

L’NLP è molto più di una semplice corrispondenza di parole chiave; è in grado di identificare temi e relazioni all’interno e tra i passaggi del testo. Un’azienda di intelligenza artificiale ha già utilizzato l’NLP per elaborare milioni di curriculum vitae raggruppando le persone in base alla loro somiglianza con un profilo professionale già definito da un target di riferimento o da un annuncio di lavoro. Le corrispondenze possono essere ricercate aggiungendo e sottraendo tali profili, aumentando notevolmente la flessibilità della ricerca al di là della corrispondenza con le parole chiave fino all’“analogia” del profilo, ovvero la combinazione di caratteristiche ed esperienze che i selezionatori e i dirigenti spesso usano per descrivere un candidato ideale (May, 2016).

Studi scientifici hanno dimostrato come l’NLP e l’apprendimento automatico possano creare dati strutturati a partire da curriculum non strutturati (un compito spesso molto gravoso e soggetto a errori per i selezionatori umani). I dati nei curriculum aiutano a classificare i candidati in base alla posizione lavorativa desiderata (Sadiq, Ayub, Narsayya, Ayyas, & Tahir, 2016). Un numero crescente di ricerche mostra inoltre che la personalità può essere valutata anche analizzando le interazioni nei social media e i profili online come LinkedIn e alcuni studi hanno suggerito che i tratti della personalità valutati dai social media possono essere correlati alle prestazioni lavorative (Akhtar Winsborough, Lovric, & Chamorro-Premuzic, 2019). Questi ricercatori sostengono che si tratta di una prospettiva entusiasmante per la valutazione dei talenti, perché i dati online riflettono il comportamento offline, rappresentano un quadro più completo della personalità di un individuo rispetto ai dati provenienti da misure self-report e possono essere sistematicamente collegati alle prestazioni lavorative. Certo, i problemi di privacy non vanno ignorati, ma la promessa della NLP sta nell’analizzare enormi quantità di dati in un modo standardizzato che elimina la soggettività insita nel vagliare casualmente i profili dai social media, con i colloqui e con i CV personali.

Infine, l’NLP è alla base dei chatbot conversazionali che aiutano i dipendenti appena assunti a prendere confidenza con l’azienda più rapidamente. Ad esempio, ogni anno Unilever assume 30.000 persone a partire da quasi 2 milioni di candidature. Oltre a valutare le attitudini e ad associare i candidati ai posti di lavoro utilizzando l’apprendimento automatico, Unilever avvia i nuovi assunti con un chatbot alimentato dall’NLP che risponde a semplici domande e recupera le informazioni attraverso il dialogo (Marr, 2018). Sebbene sia ancora in fase iniziale, oltre l’80% divisioni che hanno implementato il chatbot ha dichiarato che continuerà a utilizzarlo nel processo di onboarding.

Quali sono le questioni aperte e gli ostacoli legati agli strumenti di assunzione basati sull’intelligenza artificiale?

Come con qualsiasi nuovo strumento o tecnologia, le organizzazioni devono comprendere le implicazioni logistiche ed etiche prima di adottare l’IA per le assunzioni. Fortunatamente, molti informatici e psicologi del lavoro e organizzazioni hanno già sviluppato domande importanti che i decisori organizzativi dovrebbero considerare.

Per esempio, molti psicologi I/O (Industrial-Organization) che valutano gli strumenti di assunzione basati sulla IA, specialmente strumenti che incorporano modelli di deep learning, hanno posto una domanda concettuale: le variabili all’interno degli algoritmi IA sono realmente correlate al lavoro? In altre parole, comprendiamo veramente quali sono le variabili che vengono considerate in un modello di deep learning?

Queste domande sono spesso menzionate come il problema della “black box”, o l’incapacità di capire un modello IA multilevel e guidato dai dati. I modelli che non possono essere interpretati non possono essere facilmente difesi in un tribunale oppure spiegati agli stakeholder e ai candidati, che sono questioni molto importanti relative alla valutazione e alla selezione. Tuttavia, non tutte le soluzioni basate sulla IA dovrebbero essere respinte come “black box”. In alcuni casi, l’interpretabilità potrebbe non essere l’obiettivo principale e respingere o definire l’IA come “black box” ignora i recenti sforzi per aumentare l’interpretabilità di un modello (Landers, 2019). Per esempio, c’è una società la cui missione dichiarata è “rendere l’IA spiegabile” che ha appena raccolto 30 milioni di dollari da investitori di capitale di rischio per far crescere l’azienda, segno tangibile dell’interesse in quest’area.

Le domande etiche che spesso vengono poste sono le seguenti: gli strumenti di assunzione basati sulla IA sono soggetti a distorsioni (bias)? Gli strumenti per la selezione del personale basati sulla IA sono legalmente difendibili? La ricerca ha dimostrato che i modelli addestrati su testi, come quelli utilizzati negli strumenti basati su NLP, contengono dei bias semantici o storici presenti nei testi stessi (Caliskan, Bryson, & Narayanan, 2017). Sebbene non ci siano ancora casi giudiziari molte sono le segnalazioni di bias che possono insinuarsi nei dati utilizzati per addestrare i modelli di IA.

Per esempio, Amazon ha ricevuto alcune critiche per uno strumento di screening dei curriculum basato sulla IA che aveva dei bias contro le donne (Dastin, 2018). Il bias sarà una questione centrale e da considerare costantemente dagli sviluppatori e dai professionisti del settore, ma alcuni ricercatori stanno già tracciando un percorso per correggere o mitigare i bias intrinseci nei modelli di IA (Veale & Binns, 2017).

Infine, se l’obiettivo di utilizzare strumenti basati sulla IA è assumere il candidato giusto al momento giusto, come reagiscono i candidati all’assunzione guidata da un algoritmo? Uno studio recente del Pew Research suggerisce che i candidati sono piuttosto preoccupati (Smith & Anderson, 2017). In questo studio, ad oltre 4.000 rispondenti si è presentato uno scenario ipotetico in cui si affermava che “i programmi per computer presto potrebbero essere in grado di fornire una valutazione sistematica di ogni [candidato al lavoro] senza più la necessità di coinvolgere un essere umano.” Più della metà dei rispondenti (67%) ha risposto che questo scenario li preoccupava, e tre su quattro hanno detto che non farebbero domanda per un lavoro che utilizza un algoritmo per prendere una decisione di assunzione.

Gli atteggiamenti e le percezioni della gente possono cambiare rapidamente, ma questi numeri rivelano l’incertezza delle persone riguardo la completa assenza degli umani dalle decisioni che potrebbero coinvolgere e influenzare la loro vita. Come superare la paura e l’incertezza degli strumenti di selezione basati sulla IA è una sfida difficile e aperta a cui i  professionisti e gli sviluppatori dovranno dare risposte definitive.

I prossimi passi

Cosa deve fare un utente accorto prima di utilizzare uno strumento per la selezione del personale basato sull’Intelligenza Artificiale?

1. Coinvolgere gli psicologi I/O (del lavoro e organizzazioni). È vero che i nuovi sviluppi delle tecnologie per il reclutamento e selezione del personale basate sull’intelligenza artificiale provengono spesso da informatici e ingegneri del software, ma non è detto che dobbiate affidarvi solo a degli ingegneri per risolvere le sfide connesse alla selezione del personale.

Scegliete il vostro prossimo data scientist che abbia una formazione in psicologia I/O e un’esperienza nel campo delle risorse umane. Rivolgetevi a un consulente di psicologia I/O per valutare il potenziale fornitore di IA o scegliete di lavorare con aziende che impiegano psicologi I/O.

Avere al vostro fianco il punto di vista e la prospettiva della psicologia I/O può aiutare a porre le domande giuste per assicurarsi che lo strumento di selezione che fa uso della IA che avete scelto sia pertinente, efficace, etico e legale.

Questo consiglio fa eco agli appelli di quei leader del settore IT affinché gli esseri umani siano “in the loop” (cioè che gli umani siano ciclicamente parte e contribuiscano con il proprio contributo nel corso dello sviluppo e della messa a punto di un modello), in modo da evitare decisioni negative o distorte basate sull’IA (Persson & Kavathatzopoulos, 2017; Rahwan, 2017).

2. Associare gli strumenti basati sull’IA  a dei decisori umani.

L’IA ha molto da offrire in termini di efficienza e accuratezza, ma non possiamo aspettarci che le persone siano completamente escluse dalle decisioni in merito alle assunzioni del personale. Piuttosto che escludere gli uomini o altri stakeholder dal processo di selezione incentrato sull’IA, riflettete su come sia opportuno coinvolgerli, affiancandoli ad essa.

Questo approccio “uomo + macchina” è supportato da ricerche che hanno evidenziato come la combinazione degli algoritmi con il giudizio umano aumenti l’accuratezza della previsione delle performance lavorative future rispetto al solo giudizio umano (Kuncel, Klieger, Connelly, & Ones, 2013).

3. Applicate una sana dose di scetticismo verso il materiale di marketing e chiedete informazioni specifiche.

Anche se non si comprenderanno tutte le risposte che ci verranno date, chiedere informazioni più specifiche su “come viene preparata la torta IA” aiuta a rilevare risposte vaghe o contraddittorie da parte dei fornitori IA e consente di fare un confronto tra i vari fornitori di strumenti basati sulla IA. Pensare in modo critico alla tecnologia, che viene spesso pubblicizzata come se fosse la “bacchetta magica2, vi aiuterà a scegliere quei fornitori che sono in grado di mantenere promesse realistiche e di aggiungere realmente valore al processo di selezione.
L’IA applicata alla ricerca e alla selezione del personale offre prospettive interessanti per rendere le decisioni di assunzione meno costose e più accurate per le organizzazioni, oltre che meno onerose e (potenzialmente) più eque anche per chi cerca lavoro.

Tuttavia, le Risorse Umane sono “in ritardo nel gioco dell’IA”. In questo periodo iniziale, è importante rendersi conto che c’è molto clamore intorno agli strumenti basati sull’IA. Dopo aver acquisito le informazioni giuste e le conoscenze che eliminano la mistica dell’IA, potrete essere utenti IA più informati e prendere decisioni migliori per la vostra organizzazione.

Riferimenti bibliografici

 

Fonte: Siop White Paper Series