Sprechen wir über die Kollision zwischen maschinellem Lernen und Personalmanagement?

Vorwort

In den letzten Jahren wurden im Bereich des maschinellen Lernens viele große Durchbrüche erzielt, und auch auf der Technologie der künstlichen Intelligenz basierende Personalmanagement-Dienstleistungsprodukte haben einen riesigen und dynamischen Markt. Immer mehr Unternehmen und Regierungsbehörden denken nach und nach darüber nach, maschinelle Lerntechnologie auf das Personalmanagement anzuwenden, mithilfe neuronaler Netze effektive Entscheidungen zu treffen und die Ergebnisse des Personalmanagements genau vorherzusagen.

In diesem Artikel werden vier Aspekte der Anwendung von maschinellem Lernen in der Personalmanagementforschung vorgestellt, darunter hauptsächlich technische Schwierigkeiten, eine Einführung in Entscheidungssysteme im Personalmanagement, Systemdesignmethoden und Systemsicherheit. Wir hoffen, dass die Leser ein vorläufiges Verständnis davon erhalten verwandte Forschung.

Technische Schwierigkeiten

Im Jahr 2019 führten CEOs von 20 großen Unternehmen in den USA entsprechende Seminare durch. Die Ergebnisse zeigten, dass die Anwendung der maschinellen Lerntechnologie im Bereich des Personalmanagements vor einzigartigen Herausforderungen steht. Die Entwicklung wertvoller HRM-Entscheidungssysteme birgt nicht nur technische Herausforderungen, sondern auch Hindernisse bei der Übertragung der inhärenten Komplexität von HRM-Ergebnissen sowie schwierig zu berücksichtigende Daten, ethische und rechtliche Einschränkungen und Bedenken hinsichtlich der Auswahl betroffener Mitarbeiter oder anderer Interessengruppen Prozess, den einige für umstritten halten. Bei Entscheidungen des Personalmanagements müssen Auswahlverfahren vermieden werden, die rechtlich anfechtbar sind oder von Mitarbeitern oder anderen Interessengruppen als kontrovers angesehen werden.

Die Zusammenfassung umfasst die folgenden Aspekte:

• Wie man eine Reihe von Forschungs- und Entwicklungsprojekten etabliert und überwacht, um die Anwendung von maschinellem Lernen im Personalmanagement zu erforschen;
• Wie man NLP-basierte Entscheidungsunterstützungssysteme effektiv entwickelt;
Wie Sie Entscheidungsunterstützungssysteme testen, um sicherzustellen, dass sie für die Entscheidungsfindung sicher sind;
• Wie Sie Systeme erfolgreich in akzeptable Anwendungen umwandeln, sobald sie entwickelt und getestet wurden.

Einführung in das Entscheidungsfindungssystem für das Personalmanagement

Die Implementierung des Entscheidungsfindungssystems für das Personalmanagement steht vor den folgenden Herausforderungen:

Sollte das System die Entscheidungsfindung automatisieren, Eingaben für menschliche Entscheidungsträger bereitstellen oder interagieren? mit dem Entscheidungsprozess auf andere Weise?
• Welche Eingaben benötigen menschliche Entscheidungsträger und wie effektiv sind mögliche maschinelle Lernsysteme bei der Bereitstellung dieser Eingaben?
• Welche Risiken bergen verschiedene Arten der Entscheidungsunterstützung angesichts des derzeit in verschiedenen Kandidatensystemen verfügbaren Funktionsumfangs?

Dieses Framework demonstriert die Prinzipien eines maschinellen Lernsystems zur Konzeptualisierung von Design und Personalmanagement. Die Idee hinter dem Framework ist, dass das Systemdesign untrennbar mit den Zielen mit der höchsten Priorität des Systems verbunden ist. HRM-Ziele helfen Designern dabei, aus den vielen Möglichkeiten auszuwählen, wie maschinelles Lernen den HRM-Entscheidungsprozess unterstützen kann. Das Design der Implementierung hat wiederum Einfluss darauf, wie das System bewertet wird. Beispielsweise können Systeme, die die Entscheidungsfindung automatisieren, auf der Grundlage ihrer Genauigkeit oder anderer wichtiger Kriterien bewertet werden, und Systeme, die Eingaben bereitstellen, müssen auf der Grundlage der Genauigkeit der Eingaben und ihrer Auswirkung auf das gesamte Entscheidungsergebnis beurteilt werden. Wenn das System die Sicherheitsstandards nicht erfüllt, muss der Implementierungsentwurf geändert werden, bis der Designer in der Lage ist, ein System zu erhalten, das für die Ziele des Personalmanagements wertvoll ist und in der Lage ist, Sicherheitsparameter zu erfüllen.

Figure Machine Learning System Framework

System Design Methodology

In den frühen Phasen der Entwicklung gibt es viele Designoptionen, um auf maschinellem Lernen basierende Eingaben in die Entscheidungsfindung zu integrieren. Designs variieren hinsichtlich des Zeitpunkts (z. B. bevor oder nachdem Menschen Entscheidungen treffen) und des Ausmaßes des Einflusses (z. B. Empfehlung einer Option oder Lenkung der Aufmerksamkeit auf wichtige Merkmale). Hier werden fünf wichtige Designimplementierungen von Entscheidungsfindungssystemen für maschinelles Lernen hervorgehoben:

Zur Entscheidungszeit bewerten Systeme für maschinelles Lernen HR-Management-Datensätze und treffen Entscheidungen automatisch, ohne dass menschliche Entscheidungsträger beteiligt sind.

2. Empfohlen. Maschinelle Lernsysteme stellen menschlichen Entscheidungsträgern Empfehlungen als zusätzlichen Input zur Verfügung.

3. Punkte. Maschinelle Lernsysteme geben Ergebnisse als zusätzlichen Input an den Menschen weiter.

4. Zusammenfassung. Maschinelle Lernsysteme fassen automatisch für menschliche Entscheidungsträger zusammen.

5. Prüfung. Maschinelle Lernsysteme kennzeichnen Anomalien zur Überprüfung durch menschliche Entscheidungsträger im Rahmen des Prüfungsprozesses.

Der Designprozess beginnt mit der Bestimmung der vorrangigen Ziele des maschinellen Lernsystems. Unterschiedliche Zielkombinationen erfordern unterschiedliche Designimplementierungen, wie in der Tabelle gezeigt.

Bild

Diese Ziele zeigen auch mögliche Messgrößen für die Wirksamkeit des Bewertungsprozesses auf. Wenn das Ziel beispielsweise darin besteht, die Arbeitsbelastung zu reduzieren, sollte das System die Anzahl der menschlichen Entscheidungsträger oder die Zeit, die sie mit der Erfassung von Bewertungen verbringen, reduzieren. Wenn das Ziel darin besteht, die menschliche Entscheidungsfindung zu verbessern, sollte das System dazu beitragen, die Qualität der Entscheidungen zu verbessern indem Sie sie mit Beweisen messen. Tragen Sie besser zu wichtigen HR-Management-Ergebnissen bei.

Maschinelle Lernsysteme, die narrative Aufzeichnungen automatisch zusammenfassen, können als Modell für die Entscheidungsunterstützung dienen. Die meisten HR-Datensätze einer Person sind in zwei Arten von Freitext und Personenattributen unterteilt. Freiformtext wie Aufgabenlisten, Beschreibungen von Verantwortlichkeiten und Zusammenfassungen wichtiger Erfolge. Bei Personalattributen handelt es sich um vorab quantifizierte, interpretierbare, für das Management nützliche Daten, wie z. B. jahrelange Erfahrung, Rangfolge oder Beförderungstestergebnisse. Während die letztere Art von Informationen einfacher zu verarbeiten und in Modellen oder Visualisierungen zu verwenden ist, wird die erstere Art von Informationen auch benötigt, um fundierte Entscheidungen im Personalmanagement zu treffen.

Managemententscheidungen erfordern eine sorgfältige Überprüfung der Aufzeichnungen und einen manuellen Überprüfungs- oder Bewertungsprozess durch erfahrenes Personal. Von den verschiedenen Entwurfsimplementierungen, die zur Unterstützung der manuellen Überprüfung in Betracht gezogen werden, ist „Zusammenfassung“ die vielseitigste. Dies ist das einzige Design, das mäßig oder sehr gut mit allen Zielen des Personalmanagements übereinstimmt. Automatisierte Zusammenfassungen sind nützlich, um Feedback zu geben, die Transparenz zu erhöhen und die Genauigkeit der menschlichen Entscheidungsfindung zu verbessern, und sie sind zumindest einigermaßen nützlich, um den manuellen Arbeitsaufwand zu standardisieren und zu reduzieren. Gleichzeitig behält die summarische Implementierung ein hohes Maß an manueller Kontrolle über den Entscheidungsprozess bei, sodass es wahrscheinlicher ist als bei anderen Designs, dass sie Sicherheitsstandards erfüllt. Tatsächlich hebt die Zusammenfassung die Elemente des Textes hervor, die das System für wichtig hält, und stellt daher eine Erläuterung der Entscheidungen des Systems dar. Daher können Zusammenfassungen als nützliche Hilfe dienen, um Managern dabei zu helfen, Modellausgaben in anderen Entwurfsimplementierungen zu verstehen.

Systemsicherheit

Entscheidungen im Personalmanagement sind eine entscheidende Kraft, die sich auf die Zukunft des Unternehmens auswirkt. Daher muss bei wesentlichen Änderungen im Entscheidungsprozess der Grundsatz „Zuerst keinen Schaden anrichten“ befolgt werden. Da die Investitionen in maschinelles Lernen steigen, zielen zahlreiche Forschungs- und Strategiedokumente darauf ab, normative Leitlinien für den verantwortungsvollen und ethischen Einsatz von maschinellem Lernen (und künstlicher Intelligenz im weiteren Sinne) bereitzustellen.

So gelten beispielsweise bestehende Regeln und Rahmenwerke zum Schutz der Privatsphäre der Mitglieder weiterhin für alle Entwicklungsprojekte. Während der Entwicklung und Bereitstellung gibt es drei Prinzipien, die besonders für Testsysteme relevant sind, die Genauigkeit, Fairness und Interpretierbarkeit von maschinellen Lernsystemen erfordern:

Genauigkeit bedeutet, dass ein maschinelles Lernsystem oder das darin enthaltene Modell das Interesse mit einem hohen Wert korrekt vorhersagt Wahrscheinlichkeit das Ergebnis von.

Fairness bedeutet, dass das maschinelle Lernsystem Untergruppen gleich behandelt.

Erklärbarkeit bedeutet, dass Menschen die Faktoren und Beziehungen verstehen können, die zu den Ergebnissen eines maschinellen Lernsystems führen.

Diese Sicherheitsstandards stehen manchmal im Widerspruch zueinander. Um die Fairness zu erhöhen, können Designer dem System Einschränkungen auferlegen, die seine Genauigkeit oder Interpretierbarkeit verringern. Um die Interpretierbarkeit zu verbessern, verwenden Systementwickler möglicherweise besser interpretierbare (aber weniger flexible) Modellierungsmethoden, was sich auf Genauigkeit und Fairness auswirken kann. Beim Testen müssen Genauigkeit, Fairness und Interpretierbarkeit gegeneinander abgewogen werden, um zu einem Design zu gelangen, das den Zielen des Personalmanagements sowie rechtlichen und ethischen Einschränkungen entspricht.

In Bezug auf Fairness ist es wichtig zu beachten, dass es keine einheitliche Definition von Fairness gibt und es oft unmöglich ist, konkurrierende Arten von Fairness zu erfüllen. Daher müssen Agenturen eine Definition wählen, um mit dem Testen voranzukommen. Dabei wird zwischen prozeduraler Fairness, die sicherstellt, dass ein HR-Management-Prozess oder Algorithmus Mitglieder unterschiedlicher Untergruppen gleich behandelt, und Outcome-Fairness, die prüft, ob ein Modell- oder Prozessergebnis verzerrt ist, unterschieden.

Schließlich ist die Erklärbarkeit von entscheidender Bedeutung für das Erreichen von HRM-Zielen, da Menschen das System möglicherweise ignorieren oder missbrauchen, wenn sie nicht verstehen, wie es zu einer besseren Entscheidungsfindung beiträgt. Darüber hinaus ist die Definition der Erklärbarkeit untrennbar mit der Zielgruppe verbunden, da unterschiedliche Benutzertypen unterschiedliche Erklärungsebenen erfordern. Designer können die Verwendung von inhärent interpretierbaren Modellen in Betracht ziehen, um die Interpretierbarkeit zu verbessern, und sie können auch Human-in-the-Loop-Tests durchführen, um zu beurteilen, wie gut Menschen die Funktionalität des Systems verstehen.

Kleine Zusammenfassung

Dieser Artikel stellt hauptsächlich kurz die Forschung zum maschinellen Lernen im Bereich Personalmanagement unter vier Aspekten vor: technische Schwierigkeiten, Einführung in Entscheidungssysteme im Personalmanagement, Systemdesignmethoden und Systemsicherheit. Wir hoffen, dass es für Leser hilfreich sein kann, die sich ein erstes Verständnis dieser Forschung verschaffen möchten.

Referenz: „Nutzung maschinellen Lernens zur Verbesserung des Personalmanagements“