La Inteligencia Artificial (IA) se aplica todos los días para automatizar y optimizar procesos en varias industrias, incluida la del reclutamiento. La guerra por el talento es ahora más competitiva que nunca, y encontrar candidatos adecuados es crucial. Utilizando una tecnología como la IA y el Machine Learning (tecnología de aprendizaje automático – ML) en los procesos de selección de talento puede representar una ventaja competitiva significativa.
¿Comó funciona?
El sistema tiene acceso a grandes cantidades de datos, de múltiples fuentes. Estudia y reconoce los patrones dentro de esos datos y los utiliza para basar un análisis estadístico. La evolución del algoritmo entonces ejecuta tareas, sin tener que ser programado explícitamente. La tecnología Machine Learning da a los sistemas informáticos la capacidad de aprender autónomamente’, basándose en análisis estadísticos de datos anteriores. Es ideal para automatizar elementos repetitivos de un proceso. La aplicación del ML a los procesos de selección repetitivos de la contratación permitiría a los trabajadores completar más tareas en menos tiempo, con lo que la empresa lograría economías de escala.
¿Qué diferentes formas de aplicar el Machine Learning en los procesos de selección?
-
Anuncios de empleos
Los procesos de selección son largos y, en su mayor parte, repetitivos. Escribir y colocar anuncios de trabajo manualmente puede tomar una grande cantidad de tiempo, que podría ser dedicado a otras tareas.
El uso de la tecnología ML para automatizar los procesos de publicidad del trabajo sería mucho más eficiente. Sobre la base de la información proporcionada por los reclutadores, el algoritmo ejecuta el programa por completo. Por ejemplo, puede encontrar la mejor plataforma para anunciar un trabajo (consejos de empleo, redes sociales, contacto directo, firma de contratación…), e incluso formularlo para atraer a los candidatos seleccionados, y después, publicarlo.
Textio por ejemplo, es una empresa que utiliza datos y aprendizaje automático para analizar patrones de lenguaje en anuncios de empleo. En consecuencia, son capaces de averiguar por qué algunos anuncios de trabajo son exitosos y otros no.
-
Selección de CV
Aunque los reclutadores tienen acceso a redes immenses, carecen de un método para explotarlas sin tener que invertir más tiempo y recursos. Una alternativa rentable y que ahorra tiempo a la contratación de más reclutadores es el uso del ML para reconocer los elementos de datos dentro de los CVs de los solicitantes. El programa puede reducir el campo de búsqueda para seleccionar a los mejores candidatos. Esta tecnología identificaría las palabras claves que corresponden a la experiencia, habilidades rasgos correspondientes al trabajo, automáticamente preseleccionando a los solicitantes.
Harver es un software de ML que utiliza datos para predecir la calidad de un candidato. Utiliza factores como la cultura, la flexibilidad o las ‘soft skills’ para seleccionar el mejor ajuste que cumple con los requisitos del puesto.
-
Evaluación y preselección de los candidatos
El ML a efectos de evaluación ponen a prueba candidatos para ver si son un buen partido para la empresa. Estas herramientas de IA son rápidas y fáciles para los empleadores, y filtran eficientemente candidatos adecuados de otros. Evalúan todo tipo de aspectos: habilidades, compatibilidad con la cultura de la empresa, personalidad, y luego seleccionan a los a los candidatos que marcan la mayoría de casillas. Que sea una prueba de aptitud que evalúa habilidades o conocimientos, o una simple entrevista para aprender más sobre el candidato, este tipo de programa de ML puede ahorrar varios tipos de recursos para los reclutadores.
Interview Mocha es una plataforma de ML que propone pruebas de habilidad previos a la contratación. Su catálogo contiene evaluaciones de codificación, personalidad, habilidades de gestión, finanzas y mucho más.
-
Predicción de las necesidades de candidatos
A medida que la generación del baby boom se dirige hacia la jubilación, surge el problema de una inmensa brecha de habilidades. Por lo tanto, existe una necesidad crucial para las empresas que quieren seguir siendo competitivas de planificar por adelantado lo que esta nueva generación necesita.
La empresa Ascendify cuenta con un programa de ML que permite a las empresas estimar el tiempo y el coste de la contratación y de la formación de un candidato. Esto permite a las empresas contratando estimar el tiempo y el costo para contratar y formar un candidato. Este tipo de plataforma permite a las empresas seleccionar la opción más económica y rentable para organizar sus procesos de selección y seguir siendo competitivas.
¿Es el ML una tecnología perfecta?
Desafortunadamente, como la mayoría de las tecnologías, ML puede funcionar mal y problemas pueden surgir de ella. Por ejemplo:
-
Sesgo de género
Un motor de reclutamiento utilizado por Amazon se había enseñado a favorecer a los candidatos masculinos sobre las mujeres. ¿Cómo puede un sistema informático mostrar sesgo contra las mujeres? En realidad, el problema surgió de los datos. Los datos del sistema se observaron patrones en CVs durante un período de 10 años, la mayoría de los cuales provinieron de hombres. Así, el algoritmo favoreció a los hombres sobre las mujeres.
A research from Carnegie Mellon University studying Google’s ad targeting system found serious flaws in the system. Indeed, when the engine believed a job seeker was male rather than female, it was very likely to offer ads for high-paying executive jobs.
Una investigación de la Universidad Carnegie Mellon estudiando el sistema de publicidad de Google, encontró defectos en el sistema. En efecto, cuando el motor creía que un solicitante de empleo era un hombre en lugar de una mujer, era muy probable que ofreciera anuncios para puestos ejecutivos de alto sueldo.
-
Inglés primero
Una empresa inglesa utilizó un conjunto de algoritmos de ML para rechazar candidatos con un nivel de inglés pobre, la mayoría de los cuales eran extranjeros. Como Resultado, el algoritmo se enseñó a sí mismo que los nombres ingleses comunes igualaban candidatos con habilidades aceptables, mientras que los nombres ‘extranjeros’ no lo hacían.
Estos sesgos son evitables. El factor más importante a verificar es la información procesada por el sistema. Un defecto en los datos puede arruinar todo un programa, y resultar en una pérdida de recursos y tiempo, y dinero.
Aunque revolucionarios, los sistemas de ML utilizan IA estrecha, que carece de los matices de la naturaleza humana. Por lo tanto, son incompletos sin la complementariedad de un de un reclutador humano. Estos sistemas no pueden completar los procesos de selección por sí solos, sino que pueden utilizarse de diversas maneras muy eficaces.
