Parlons de la collision entre l'apprentissage automatique et la gestion des ressources humaines ?

Préface

Ces dernières années, de nombreuses avancées majeures ont été réalisées dans le domaine de l'apprentissage automatique, et les produits de services de gestion des ressources humaines pilotés par la technologie de l'intelligence artificielle disposent également d'un marché énorme et dynamique. De plus en plus d'entreprises et d'agences gouvernementales réfléchissent progressivement à appliquer la technologie d'apprentissage automatique à la gestion des ressources humaines, à prendre des décisions efficaces via les réseaux de neurones et à prédire avec précision les résultats de la gestion des ressources humaines.

Cet article présente quatre aspects de l'application de l'apprentissage automatique à la recherche sur la gestion des ressources humaines, notamment les difficultés techniques, l'introduction aux systèmes de prise de décision en matière de gestion des ressources humaines, les méthodes de conception de systèmes et la sécurité des systèmes. recherche connexe.

Difficultés techniques

En 2019, les PDG de 20 grandes entreprises aux États-Unis ont organisé des séminaires pertinents. Les résultats ont montré que l'application de la technologie d'apprentissage automatique est confrontée à des défis uniques dans le domaine de la gestion des ressources humaines. Le développement de systèmes décisionnels utiles en matière de GRH présente non seulement des défis techniques, mais également des obstacles à la gestion de la complexité inhérente aux résultats de la GRH, ainsi que des données difficiles à traiter, des contraintes éthiques et juridiques et des préoccupations concernant les employés concernés ou d'autres parties prenantes. processus que certains estiment controversé. Les décisions de gestion des ressources humaines doivent éviter les procédures de sélection susceptibles de faire l’objet de contestations judiciaires ou considérées comme controversées par les employés ou d’autres parties prenantes.

Le résumé présente les aspects suivants :

• Comment établir et superviser une série de projets de recherche et développement pour explorer l'application de l'apprentissage automatique dans la gestion des ressources humaines ;
• Comment développer efficacement des systèmes d'aide à la décision basés sur la PNL ;
Comment tester les systèmes d'aide à la décision pour confirmer qu'ils peuvent être utilisés en toute sécurité dans la prise de décision ;
• Comment réussir à convertir les systèmes en utilisations acceptables une fois qu'ils ont été développés et testés.

Introduction aux systèmes décisionnels en matière de gestion des ressources humaines

La mise en œuvre de systèmes décisionnels en matière de gestion des ressources humaines est confrontée aux défis suivants :

Le système doit-il automatiser la prise de décision, fournir une contribution aux décideurs humains, ou autrement interagir avec le processus de prise de décision ?
• De quelles informations les décideurs humains ont-ils besoin et dans quelle mesure les systèmes d'apprentissage automatique candidats sont-ils efficaces pour fournir ces informations ?
• Compte tenu du niveau de fonctionnalité actuellement disponible dans les différents systèmes candidats, quels sont les risques des différents types d'aide à la décision ?

Ce cadre démontre les principes d'un système d'apprentissage automatique pour conceptualiser la conception et la gestion des ressources humaines. L'idée derrière ce cadre est que la conception du système est indissociable des objectifs les plus prioritaires du système. Les objectifs de GRH aident les concepteurs à choisir parmi les nombreuses façons possibles par lesquelles l'apprentissage automatique peut soutenir le processus décisionnel en matière de GRH. La conception de la mise en œuvre affecte à son tour la manière dont le système est évalué. Par exemple, les systèmes qui automatisent la prise de décision peuvent être évalués en fonction de leur exactitude ou d'autres critères importants, et les systèmes qui fournissent des entrées doivent être jugés en fonction de l'exactitude des entrées et de la manière dont elles affectent le résultat global de la décision. Si le système ne répond pas aux normes de sécurité, la conception de la mise en œuvre doit être modifiée jusqu'à ce que le concepteur soit en mesure d'obtenir un système utile pour les objectifs de gestion des ressources humaines et capable de respecter les paramètres de sécurité.

Figure Cadre du système d'apprentissage automatique

Méthodologie de conception du système

Dans les premiers stades de développement, il existe de nombreuses options de conception pour intégrer les entrées basées sur l'apprentissage automatique dans la prise de décision. Les conceptions varient en termes de timing (par exemple, avant ou après que les humains prennent des décisions) et de degré d'influence (par exemple, recommander une option plutôt que d'attirer l'attention sur des caractéristiques importantes). Cinq implémentations majeures de conception de systèmes décisionnels d'apprentissage automatique seront mises en évidence ici :

Au moment de la décision, les systèmes d'apprentissage automatique notent les enregistrements de gestion des ressources humaines et prennent des décisions automatiquement sans l'implication de décideurs humains.

2. Recommandé. Les systèmes d’apprentissage automatique fournissent des recommandations aux décideurs humains en guise d’entrée supplémentaire.

3. Les systèmes d’apprentissage automatique transmettent les scores aux humains en guise d’entrée supplémentaire.

4.Résumé. Les systèmes d'apprentissage automatique résument automatiquement pour les décideurs humains.

5.Vérification. Les systèmes d’apprentissage automatique signalent les irrégularités pour examen par les décideurs humains dans le cadre du processus d’audit.

Le processus de conception commence par la détermination des objectifs prioritaires du système d'apprentissage automatique. Différentes combinaisons d'objectifs nécessitent différentes implémentations de conception, comme indiqué dans le tableau.

Photo

Ces objectifs mettent également en évidence des mesures potentielles de l'efficacité du processus d'évaluation. Par exemple, si l'objectif est de réduire la charge de travail, le système doit réduire le nombre de décideurs humains ou le temps qu'ils passent à enregistrer les évaluations ; si l'objectif est d'améliorer la prise de décision humaine, le système doit contribuer à améliorer la qualité des décisions ; en les mesurant avec des preuves. Mieux contribuer aux résultats importants en matière de gestion des RH.

Les systèmes d'apprentissage automatique qui résument automatiquement les enregistrements narratifs peuvent servir de modèle d'aide à la décision. La plupart des dossiers RH d'une personne sont divisés en deux types de texte libre et d'attributs de personne. Texte de forme libre tel que des listes de tâches, des descriptions de responsabilités et des résumés des principales réalisations. Les attributs du personnel sont des données pré-quantifiées, interprétables et utiles à la gestion, telles que les années d'expérience, l'ordre de mérite ou les résultats des tests de promotion. Bien que ce dernier type d’informations soit plus facile à traiter et à utiliser dans des modèles ou des visualisations, le premier type d’informations est également nécessaire pour prendre des décisions pleinement éclairées en matière de gestion des ressources humaines.

Les décisions de traitement de gestion nécessitent un examen réfléchi des dossiers et un processus d'examen manuel ou de notation par un personnel expérimenté. Parmi les différentes implémentations de conception considérées pour prendre en charge la révision manuelle, le « résumé » est la plus polyvalente. Il s’agit de la seule conception qui soit modérément ou hautement cohérente avec tous les objectifs de gestion des ressources humaines. Les résumés automatisés sont utiles pour fournir des commentaires, accroître la transparence et améliorer la précision de la prise de décision humaine, et ils sont au moins quelque peu utiles pour standardiser et réduire la charge de travail manuelle. Dans le même temps, la mise en œuvre sommaire maintient un degré élevé de contrôle manuel sur le processus de prise de décision, de sorte qu'elle est plus susceptible que d'autres conceptions de répondre aux normes de sécurité. En effet, le résumé met en évidence les éléments du texte que le système juge importants et constitue donc une explication des décisions du système. Par conséquent, les résumés peuvent constituer une aide utile pour aider les gestionnaires à comprendre les résultats du modèle dans d’autres implémentations de conception.

Sécurité du système

Les décisions en matière de gestion des ressources humaines sont une force vitale qui affecte l'avenir de l'entreprise. Par conséquent, le principe « ne pas nuire » doit être adopté lors de changements importants dans le processus décisionnel. À mesure que les investissements dans l’apprentissage automatique augmentent, une multitude de documents de recherche et de politiques visent à fournir des orientations normatives pour une utilisation responsable et éthique de l’apprentissage automatique (et de l’intelligence artificielle en général).

Par exemple, les règles et cadres existants visant à protéger la vie privée des membres continueront de s'appliquer à tout projet de développement. Lors du développement et du déploiement, trois principes sont particulièrement pertinents pour tester les systèmes, qui nécessitent que les systèmes d'apprentissage automatique soient précis, équitables et interprétables :

La précision signifie qu'un système d'apprentissage automatique ou le modèle qu'il contient prédit correctement l'intérêt avec une forte probabilité de résultat de.

L'équité signifie que le système d'apprentissage automatique traite les sous-groupes de manière égale.

L'explicabilité signifie que les humains peuvent comprendre les facteurs et les relations qui conduisent aux résultats d'un système d'apprentissage automatique.

Ces normes de sécurité entrent parfois en conflit les unes avec les autres. Pour accroître l'équité, les concepteurs peuvent imposer des limitations au système qui réduisent sa précision ou son interprétabilité. Pour accroître l'interprétabilité, les concepteurs de systèmes peuvent utiliser des méthodes de modélisation plus interprétables (mais moins flexibles), ce qui peut avoir un impact sur la précision et l'équité. Les tests doivent inclure un équilibre entre l'exactitude, l'équité et l'interprétabilité pour arriver à une conception qui répond aux objectifs de gestion des ressources humaines ainsi qu'aux contraintes juridiques et éthiques.

Concernant l'équité, il est important de noter qu'il n'existe pas de définition unique de l'équité, et qu'il est souvent impossible de satisfaire des types d'équité compétitifs. Par conséquent, les agences doivent choisir une définition pour procéder aux tests. Une distinction est faite ici entre l'équité procédurale, qui garantit qu'un processus ou un algorithme de gestion des ressources humaines traite les membres de différents sous-groupes de manière égale, et l'équité des résultats, qui vérifie si le résultat d'un modèle ou d'un processus est biaisé.

Enfin, l’explicabilité est essentielle pour atteindre les objectifs de GRH, car les gens peuvent ignorer ou abuser du système s’ils ne comprennent pas comment il contribue à une meilleure prise de décision. De plus, la définition de l’explicabilité est indissociable du public cible, car différents types d’utilisateurs nécessitent différents niveaux d’explication. Les concepteurs peuvent envisager d'utiliser des modèles intrinsèquement interprétables pour augmenter l'interprétabilité, et ils peuvent également effectuer des tests humains dans la boucle pour évaluer dans quelle mesure les gens comprennent les fonctionnalités du système.

Petit résumé

Cet article présente principalement brièvement la recherche sur l'apprentissage automatique dans le domaine de la gestion des ressources humaines sous quatre aspects : les difficultés techniques, l'introduction aux systèmes décisionnels en matière de gestion des ressources humaines, les méthodes de conception de systèmes et la sécurité des systèmes. Nous espérons qu'il pourra être utile aux lecteurs qui souhaitent avoir une compréhension préliminaire de cette recherche.

Référence : "Tirer parti de l'apprentissage automatique pour améliorer la gestion des ressources humaines"