L’Intelligence Artificielle (IA) est de plus en plus appliquée pour automatiser et optimiser toutes sortes de processus dans multiples industries; dont celle du recrutement. La course au talent est plus compétitive que jamais, et il devient crucial de trouver des candidats adéquats. Utiliser une technologie comme l’IA et le Machine Learning (technologie d’apprentissage automatique – ML) pour les processus de sélection représenterait un avantage concurrentiel important.
Comment ça marche?
Le système de ML a accès à de grandes quantités de données provenant de sources différentes. Il étudie les tendances dans ces données et les utilise pour fonder des analyses statistiques. L’évolution de l’algorithme exécute alors les tâches, sans avoir à être programmé explicitement. La technologie du ML donne aux systèmes informatiques la capacité d’apprendre « de façon autonome » à partir d’analyses statistiques antérieures. Ce genre de technologie est idéal pour automatiser des processus aux éléments répétitifs. Appliquer ces systèmes aux processus de sélection répétitifs permettrait aux travailleurs d’accomplir plus de tâches en moins de temps. Cela aiderait l’entreprise à réaliser des économies d’échelle.
Quelles sont les différentes façons d’appliquer le ML dans les processus de sélection?
- Annonces de recrutement
Les processus de sélection sont longs et, pour la plupart, répétitifs. Écrire, puis placer manuellement des annonces d’emploi prend énormément de temps, qui pourrait être consacré à d’autres tâches.
L’utilisation de la technologie ML pour automatiser les processus de publicité d’emploi serait certainement plus efficace. Basé sur les informations qu’un recruteur fournit, l’algorithme exécute le programme entièrement. Il peut trouver la meilleure plateforme pour publier un emploi (sites d’emploi, réseaux sociaux, contact direct, entreprise de recrutement…), formuler l’offre pour attirer les candidats ciblés, et la publier.
Textio par exemple, est une entreprise qui utilise le Machine Learning pour analyser les schémas de langage dans des offres d’emploi. Par conséquent, le programme peut découvrir pourquoi certaines publications marchent mieux que d’autres.
- Présélection des CVs
Bien que les recruteurs aient accès à de vastes réseaux, ils manquent d’une méthode efficace pour les exploiter sans avoir à investir plus de temps et de ressources. Une alternative rentable et rapide à l’embauche de plus de recruteurs serait d’utiliser la technologie du ML. Cette dernière peut être programmée pour reconnaître les éléments recherchés dans les CVs. Le programme peut réduire le champ de recherche pour sélectionner les meilleurs candidats. Cette technologie peut identifier des mots-clés correspondant à l’expérience, aux compétences et aux traits correspondant à un poste. Ainsi, il serait possible de présélectionner automatiquement les candidats.
Harver est un logiciel de ML qui utilise des données pour prédire la qualité d’un candidat. Il fait usage de facteurs comme la culture, la souplesse ou les compétences générales pour sélectionner la personne la plus adéquat.
- Évaluation des candidats et présélection
On peut également utiliser le ML pour évaluer à quel point un candidat correspond à une entreprise. Cet outil d’IA est rapide et facile pour les employeurs, et filtre efficacement les candidats pertinents. Il évalue toutes sortes d’aspects : compétences, compatibilité avec la culture de l’entreprise ou personnalité, pour ensuite présélectionner les candidats cochant le plus de cases. Qu’il s’agisse d’un test d’aptitude, évaluant les compétences ou les connaissances, ou d’un simple entretien pour en apprendre davantage sur le candidat, ce genre de programme de ML peut économiser diverses ressources pour les recruteurs.
Interview Mocha est une plateforme d’évaluation de compétences préalables à l’embauche. Son catalogue contient des tests d codage, de personnalité, de compétences en gestion ou encore de finance.
- Prévoir les besoins préalables à l’embauche
Alors que la génération des baby-boomers s’approche de la retraite, elle laisse derrière elle un problème d’immense écart de compétences. Par conséquent il est crucial pour les entreprises qui veulent rester compétitives de prévoir les besoins de cette nouvelle génération.
L’entreprise Ascendify possède un programme permettant aux entreprises d’estimer le temps et le coût de l’embauche et de la formation d’un candidat. L’entreprise peut ainsi choisir l’option la plus économique en termes de temps et de prix pour organiser ses processus de sélection et rester compétitive.
Le ML est-il une technologies sans faille?
Malheureusement, comme la plupart des technologies, le ML peut être défaillant, et des problèmes peuvent en découler. Par exemple:
- Préjugés sexistes
Un moteur de recrutement utilisé par Amazon s’était enseigné à favoriser les candidats masculins par rapport aux femmes. Comment un système informatique a-t-il pu faire preuve de sexisme envers les femmes? Le problème venait en fait des données. Les données du système étaient constituées de CVs datant des 10 dernières années, dont la plupart provenaient d’hommes. L’algorithme a donc appris a favoriser les hommes plutôt que les femmes.
Une étude de l’Université Carnegie Mellon portant sur le système de ciblage publicitaire de Google a trouvé de sérieuses failles dans le système. En effet, lorsque le moteur croyait qu’un demandeur d’emploi était un homme plutôt qu’une femme, il offrait des annonces de postes de direction très bien rémunérés.
- L’Anglais d’abord
Une entreprise Anglaise utilisait un algorithme de ML définit pour rejeter les candidats avec un niveau d’anglais insuffisant. La plupart des candidats rejetés étaient étrangers. Par conséquent, l’algorithme s’est enseigné que les candidats aux noms anglais courants possédaient les qualifications demandées, mais pas les candidats aux noms « étrangers ».
Ces biais sont évitables. Le facteur le plus important à vérifier est l’information traitée par le système. Une faille dans les données peut ruiner un programme entier, gaspiller des ressources, du temps et de l’argent.
Bien que révolutionnaires, les systèmes ML utilisent l’IA faible, qui ne possède pas les nuances de la nature humaine. Par conséquent, ces derniers sont incomplets sans la complémentarité d’un recruteur humain. Ces systèmes ne peuvent pas compléter les processus de sélection seuls, mais peuvent être utilisés de diverses façons très efficaces.
