近年、機械学習の分野で多くの大きな進歩があり、人工知能技術によって推進される人材管理サービス製品も巨大でダイナミックな市場を持っています。ますます多くの企業や政府機関が、機械学習テクノロジーを人事管理に適用し、ニューラル ネットワークを通じて効果的な意思決定を行い、人事管理の結果を正確に予測することを検討しています。
この記事では、主に技術的な困難さ、人事管理の意思決定システムの紹介、システム設計方法、システムのセキュリティなど、機械学習を人材管理研究に適用する4つの側面を紹介します。読者が予備的な理解を得ることができることを願っています。関連する研究。
2019 年に米国の大企業 20 社の CEO が関連セミナーを実施した結果、機械学習テクノロジーの応用が人事管理の分野で特有の課題に直面していることがわかりました。価値のある HRM 意思決定システムの開発には、技術的な課題だけでなく、HRM の結果に固有の複雑さのベクトル化や、影響を受ける従業員やその他の利害関係者の選択に関する対処が困難なデータ、倫理的、法的制約、懸念も伴います。このプロセスは物議を醸していると一部の人が信じています。人事管理の決定では、法的異議の影響を受けやすい選考手順、または従業員やその他の利害関係者によって物議を醸すとみなされる選考手順を回避する必要があります。
この概要には次の側面があります:
人事管理意思決定システムの概要
人事管理意思決定システムの実装は、次の課題に直面しています:
このフレームワークは、設計と人材管理を概念化するための機械学習システムの原理を示しています。このフレームワークの背後にある考え方は、システム設計はシステムの最優先目標と切り離せないということです。 HRM 目標は、設計者が機械学習で HRM の意思決定プロセスをサポートできるさまざまな方法を選択するのに役立ちます。実装の設計は、システムの評価方法に影響を与えます。たとえば、意思決定を自動化するシステムは、その精度やその他の重要な基準に基づいて評価される場合があり、入力を提供するシステムは、入力の精度と、入力が全体的な意思決定の結果にどのように影響するかに基づいて判断する必要があります。システムがセキュリティ標準を満たしていない場合は、設計者が人事管理の目的にとって価値があり、セキュリティ パラメータを満たすことができるシステムを取得できるまで、実装設計を変更する必要があります。
図 機械学習システムのフレームワーク
開発の初期段階では、機械学習ベースの入力を意思決定に統合するための設計オプションが多数あります。デザインは、タイミング (例: 人間が決定を下す前または後) と影響の程度 (例: オプションを推奨するか、重要な機能に注意を向けるか) の点で異なります。ここでは、機械学習意思決定システムの 5 つの主要な設計実装を取り上げます:
意思決定時に、機械学習システムは人事管理記録をスコアリングし、人間の意思決定者の介入なしに自動的に意思決定を行います。
2. お勧めします。機械学習システムは、人間の意思決定者に追加の入力として推奨事項を提供します。
3. スコア。機械学習システムは、追加の入力として人間にスコアを提供します。
4. 概要。機械学習システムは、人間の意思決定者のために自動的に要約します。
5. 監査。機械学習システムは、監査プロセスの一環として、人間の意思決定者によるレビューのために異常にフラグを立てます。
設計プロセスは、機械学習システムの優先目標を決定することから始まります。表に示すように、目標の組み合わせが異なると、異なる設計実装が必要になります。
写真
これらの目標は、評価プロセスの有効性の潜在的な尺度も示しています。たとえば、目標が作業負荷の削減である場合、システムは人間の意思決定者の数や評価の記録に費やす時間を削減する必要があります。目標が人間の意思決定の向上である場合、システムは意思決定の質の向上に役立つ必要があります。証拠に基づいて評価することで、重要な人事管理の成果にさらに貢献します。
物語記録を自動的に要約する機械学習システムは、意思決定支援のモデルとして機能します。個人の人事レコードのほとんどは、自由形式のテキストと個人の属性の 2 種類に分かれています。タスクリスト、責任の説明、主な成果の概要などの自由形式のテキスト。人事属性は、経験年数、功績順位、昇進試験のスコアなど、事前に定量化され、解釈可能な、管理に役立つデータです。後者のタイプの情報は、モデルや視覚化での処理と使用が容易ですが、十分な情報に基づいて人事管理の意思決定を行うには、前者のタイプの情報も必要です。
管理処理の決定には、記録の慎重なレビューと、経験豊富な担当者による手動レビューまたはスコアリングプロセスが必要です。手動レビューをサポートすると考えられるさまざまな設計実装の中で、「概要」が最も多用途です。これは、すべての人的資源管理目標と中程度または高度に一致する唯一の設計です。自動化された要約は、フィードバックの提供、透明性の向上、人間の意思決定の精度の向上に役立ち、手動作業負荷の標準化と削減にも少なくともある程度役立ちます。同時に、概要実装では意思決定プロセスに対する高度な手動制御が維持されるため、他の設計よりもセキュリティ基準を満たす可能性が高くなります。実際、要約はシステムが重要とみなすテキストの要素を強調しており、したがってシステムの決定の説明になります。したがって、概要は、管理者が他の設計実装におけるモデルの出力を理解するのに役立ちます。
人事管理の決定は、企業の将来に影響を与える重要な要素です。したがって、意思決定プロセスに重大な変更を加える場合には、「まず害を及ぼさない」という原則を採用する必要があります。機械学習への投資が増加するにつれて、機械学習 (およびより広範な人工知能) の責任ある倫理的な使用に関する規範的なガイダンスを提供することを目的とした、豊富な研究および政策文書が作成されています。
たとえば、メンバーのプライバシーを保護するための既存のルールとフレームワークは、あらゆる開発プロジェクトに引き続き適用されます。開発と展開の際、3 つの原則はシステムのテストに特に関連しており、機械学習システムが正確、公平、解釈可能であることが求められます:
精度とは、機械学習システムまたはそれに含まれるモデルが、高い確率で関心を正確に予測することを意味します。の結果。
公平性とは、機械学習システムがサブグループを平等に扱うことを意味します。
説明可能性とは、機械学習システムの結果につながる要因と関係を人間が理解できることを意味します。
これらの安全基準は時々相互に矛盾します。公平性を高めるために、設計者はシステムに制限を課して、その精度や解釈可能性を低下させる場合があります。解釈可能性を高めるために、システム設計者は、より解釈しやすい (ただし柔軟性に劣る) モデリング手法を使用することがありますが、これは精度と公平性に影響を与える可能性があります。テストには、人的資源管理の目標および法的および倫理的制約を満たす設計に到達するために、正確性、公平性、説明可能性のバランスを考慮する必要があります。
公平性に関しては、公平性の単一の定義はなく、競争タイプの公平性を満たすことは多くの場合不可能であることに注意することが重要です。したがって、政府機関はテストを進めるために定義を選択する必要があります。ここでは、人事管理プロセスまたはアルゴリズムが異なるサブグループのメンバーを平等に扱うことを保証する手続きの公平性と、モデルまたはプロセスの結果に偏りがあるかどうかをチェックする結果の公平性が区別されます。
最後に、HRM の目標を達成するには、説明可能性が重要です。なぜなら、システムがより良い意思決定にどのように貢献するのか理解していないと、システムを無視したり悪用したりする可能性があるからです。さらに、ユーザーのタイプが異なれば必要な説明レベルも異なるため、説明可能性の定義は対象ユーザーと切り離すことができません。設計者は、本質的に解釈可能なモデルを使用して解釈可能性を高めることを検討できます。また、人間参加型テストを実施して、ユーザーがシステムの機能をどの程度理解しているかを評価することもできます。
この記事では主に、技術的困難さ、人事管理意思決定システムの紹介、システム設計手法、システムセキュリティの4つの側面から人事管理分野における機械学習の研究を紹介します。この研究について予備的な理解を求めている読者に役立つことを願っています。
以上が機械学習と人事管理の衝突について話しましょうか?の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。
![[Web フロントエンド] Node.js クイック スタート](https://img.php.cn/upload/course/000/000/067/662b5d34ba7c0227.png)
