Mari kita bincangkan tentang perlanggaran antara pembelajaran mesin dan pengurusan sumber manusia?

Preface

Dalam beberapa tahun kebelakangan ini, banyak kejayaan besar telah dibuat dalam bidang pembelajaran mesin, dan produk perkhidmatan pengurusan sumber manusia yang dipacu oleh teknologi kecerdasan buatan juga mempunyai pasaran yang besar dan dinamik. Semakin banyak syarikat dan agensi kerajaan secara beransur-ansur memikirkan tentang menggunakan teknologi pembelajaran mesin kepada pengurusan sumber manusia, membuat keputusan yang berkesan melalui rangkaian saraf dan meramalkan hasil pengurusan sumber manusia dengan tepat.

Artikel ini memperkenalkan empat aspek mengaplikasikan pembelajaran mesin kepada penyelidikan pengurusan sumber manusia, terutamanya termasuk kesukaran teknikal, pengenalan kepada sistem membuat keputusan pengurusan sumber manusia, kaedah reka bentuk sistem dan keselamatan sistem penyelidikan berkaitan.

Kesukaran Teknikal

Pada 2019, CEO 20 syarikat besar di Amerika Syarikat telah menjalankan seminar yang berkaitan Hasilnya menunjukkan bahawa penerapan teknologi pembelajaran mesin menghadapi cabaran unik dalam bidang pengurusan sumber manusia. Membangunkan sistem pembuatan keputusan HRM yang berharga bukan sahaja memberikan cabaran teknikal, tetapi juga halangan untuk memvektorkan kerumitan yang wujud dalam hasil HRM, serta data yang sukar ditangani, kekangan etika, undang-undang dan kebimbangan mengenai pekerja yang terjejas atau pihak berkepentingan lain proses yang dipercayai oleh sesetengah pihak sebagai kontroversi. Keputusan pengurusan HR perlu mengelakkan prosedur pemilihan yang terdedah kepada cabaran undang-undang atau yang dianggap kontroversi oleh pekerja atau pihak berkepentingan lain.

Ringkasan ini mempunyai aspek berikut:

• Cara mewujudkan dan menyelia satu siri projek penyelidikan dan pembangunan untuk meneroka aplikasi pembelajaran mesin dalam pengurusan sumber manusia
• Cara membangunkan sistem sokongan keputusan berasaskan NLP dengan berkesan;
Bagaimana Menguji sistem sokongan keputusan untuk mengesahkan ia selamat untuk digunakan dalam membuat keputusan
• Cara untuk berjaya menukar sistem kepada kegunaan yang boleh diterima setelah ia dibangunkan dan diuji.

Pengenalan Sistem Pembuatan Keputusan Pengurusan Sumber Manusia

Pelaksanaan sistem pembuatan keputusan pengurusan sumber manusia menghadapi cabaran berikut:

Sekiranya sistem mengautomasikan pembuatan keputusan, memberikan input kepada pembuat keputusan manusia, atau berinteraksi dengan proses membuat keputusan dengan cara lain?
• Apakah input yang diperlukan oleh pembuat keputusan manusia, dan sejauh manakah keberkesanan sistem pembelajaran mesin calon dalam menyediakan input ini?
• Memandangkan tahap kefungsian yang tersedia pada masa ini dalam sistem calon yang berbeza, apakah risiko jenis sokongan keputusan yang berbeza?

Rangka kerja ini menunjukkan prinsip sistem pembelajaran mesin untuk mengkonseptualisasikan reka bentuk dan pengurusan sumber manusia. Idea di sebalik rangka kerja ialah reka bentuk sistem tidak dapat dipisahkan daripada matlamat keutamaan tertinggi sistem. Objektif HRM membantu pereka bentuk memilih daripada banyak kemungkinan cara pembelajaran mesin boleh menyokong proses membuat keputusan HRM. Reka bentuk pelaksanaan pula mempengaruhi cara sistem dinilai. Contohnya, sistem yang mengautomasikan pembuatan keputusan boleh dinilai berdasarkan ketepatannya atau kriteria penting lain, dan sistem yang menyediakan input mesti dinilai berdasarkan ketepatan input dan cara ia mempengaruhi hasil keputusan keseluruhan. Sekiranya sistem gagal memenuhi piawaian keselamatan, reka bentuk pelaksanaan mesti diubah suai sehingga pereka bentuk dapat memperoleh sistem yang bernilai untuk objektif pengurusan sumber manusia dan mampu memenuhi parameter keselamatan.

Rajah Rangka Kerja Sistem Pembelajaran Mesin

Metodologi Reka Bentuk Sistem

Pada peringkat awal pembangunan, terdapat banyak pilihan reka bentuk untuk mengintegrasikan input berasaskan pembelajaran mesin ke dalam membuat keputusan. Reka bentuk berbeza dari segi masa (cth., sebelum atau selepas manusia membuat keputusan) dan tahap pengaruh (cth., mengesyorkan pilihan berbanding menumpukan perhatian kepada ciri penting). Lima pelaksanaan reka bentuk utama sistem membuat keputusan pembelajaran mesin akan diserlahkan di sini:

Pada masa membuat keputusan, sistem pembelajaran mesin menjaringkan rekod pengurusan HR dan membuat keputusan secara automatik tanpa penglibatan pembuat keputusan manusia.

2. Sistem pembelajaran mesin memberikan cadangan kepada pembuat keputusan manusia sebagai input tambahan.

3. Sistem pembelajaran mesin memberikan markah kepada manusia sebagai input tambahan.

4. Sistem pembelajaran mesin meringkaskan secara automatik untuk pembuat keputusan manusia.

5. Sistem pembelajaran mesin menandakan penyelewengan untuk semakan oleh pembuat keputusan manusia sebagai sebahagian daripada proses audit.

Proses reka bentuk bermula dengan menentukan matlamat keutamaan sistem pembelajaran mesin Gabungan matlamat yang berbeza memerlukan pelaksanaan reka bentuk yang berbeza, seperti yang ditunjukkan dalam jadual.

Gambar

Objektif ini juga menunjukkan potensi ukuran keberkesanan proses penilaian. Sebagai contoh, jika matlamatnya adalah untuk mengurangkan beban kerja, sistem harus mengurangkan bilangan pembuat keputusan manusia atau masa yang mereka habiskan untuk merekodkan penilaian jika matlamatnya adalah untuk meningkatkan pembuatan keputusan manusia, sistem harus membantu meningkatkan kualiti keputusan dengan mengukurnya dengan bukti Lebih baik menyumbang kepada keputusan pengurusan HR yang penting.

Sistem pembelajaran mesin yang meringkaskan rekod naratif secara automatik boleh berfungsi sebagai model untuk sokongan keputusan. Kebanyakan rekod HR seseorang dibahagikan kepada dua jenis teks bentuk bebas dan atribut orang. Teks berbentuk bebas seperti senarai tugasan, penerangan tentang tanggungjawab dan ringkasan pencapaian utama. Atribut kakitangan ialah data pra-kuantifikasi, boleh ditafsir, berguna untuk pengurusan, seperti tahun pengalaman, susunan merit atau markah ujian kenaikan pangkat. Walaupun jenis maklumat yang terakhir lebih mudah untuk diproses dan digunakan dalam model atau visualisasi, jenis maklumat yang terdahulu juga diperlukan untuk membuat keputusan pengurusan sumber manusia yang termaklum sepenuhnya.

Keputusan pemprosesan pengurusan memerlukan semakan rekod yang teliti dan semakan manual atau proses pemarkahan oleh kakitangan yang berpengalaman. Daripada pelbagai pelaksanaan reka bentuk yang dianggap menyokong semakan manual, "ringkasan" adalah yang paling serba boleh. Ini adalah satu-satunya reka bentuk yang sederhana atau sangat konsisten dengan semua matlamat pengurusan sumber manusia. Ringkasan automatik berguna untuk memberikan maklum balas, meningkatkan ketelusan dan meningkatkan ketepatan pembuatan keputusan manusia, dan ia sekurang-kurangnya berguna untuk menyeragamkan dan mengurangkan beban kerja manual. Pada masa yang sama, pelaksanaan ringkasan mengekalkan tahap kawalan manual yang tinggi ke atas proses membuat keputusan, jadi lebih berkemungkinan daripada reka bentuk lain untuk memenuhi piawaian keselamatan. Malah, ringkasan tersebut menyerlahkan unsur-unsur teks yang dianggap penting oleh sistem dan, oleh itu, merupakan penjelasan tentang keputusan sistem. Oleh itu, ringkasan boleh berfungsi sebagai bantuan berguna dalam membantu pengurus memahami output model dalam pelaksanaan reka bentuk lain.

Keselamatan sistem

Keputusan pengurusan sumber manusia adalah kuasa penting yang mempengaruhi masa depan perusahaan. Oleh itu, prinsip "tidak memudaratkan dahulu" mesti diterima pakai apabila membuat perubahan ketara kepada proses membuat keputusan. Apabila pelaburan dalam pembelajaran mesin meningkat, pelbagai dokumen penyelidikan dan dasar bertujuan untuk menyediakan panduan normatif untuk penggunaan pembelajaran mesin yang bertanggungjawab dan beretika (dan kecerdasan buatan secara lebih meluas).

Sebagai contoh, peraturan dan rangka kerja sedia ada untuk melindungi privasi ahli akan terus digunakan untuk mana-mana projek pembangunan. Semasa pembangunan dan penggunaan, tiga prinsip amat relevan untuk sistem ujian, yang memerlukan sistem pembelajaran mesin supaya tepat, adil dan boleh ditafsir:

Ketepatan bermaksud sistem pembelajaran mesin atau model yang terkandung di dalamnya meramalkan minat dengan kebarangkalian tinggi keputusan.

Kesaksamaan bermaksud sistem pembelajaran mesin melayan subkumpulan secara sama rata.

Kebolehjelasan bermaksud manusia boleh memahami faktor dan hubungan yang membawa kepada hasil sistem pembelajaran mesin.

Standard keselamatan ini kadangkala bercanggah antara satu sama lain. Untuk meningkatkan kesaksamaan, pereka bentuk boleh mengenakan had pada sistem yang mengurangkan ketepatan atau kebolehtafsirannya. Untuk meningkatkan kebolehtafsiran, pereka bentuk sistem mungkin menggunakan kaedah pemodelan yang lebih boleh ditafsir (tetapi kurang fleksibel), yang mungkin memberi kesan kepada ketepatan dan keadilan. Ujian mesti merangkumi ketepatan pengimbangan, keadilan dan kebolehtafsiran untuk mencapai reka bentuk yang memenuhi objektif pengurusan sumber manusia serta kekangan undang-undang dan etika.

Berkenaan keadilan, adalah penting untuk ambil perhatian bahawa tiada definisi tunggal bagi keadilan, dan selalunya mustahil untuk memenuhi jenis keadilan yang kompetitif. Oleh itu, agensi mesti memilih definisi untuk bergerak ke hadapan dengan ujian. Perbezaan dibuat di sini antara keadilan prosedur, yang memastikan bahawa proses atau algoritma pengurusan HR memperlakukan ahli subkumpulan yang berbeza secara sama rata, dan keadilan hasil, yang menyemak sama ada model atau hasil proses adalah berat sebelah.

Akhir sekali, kebolehjelasan adalah penting untuk mencapai matlamat HRM kerana orang ramai mungkin mengabaikan atau menyalahgunakan sistem jika mereka tidak memahami cara ia menyumbang kepada pembuatan keputusan yang lebih baik. Tambahan pula, mentakrifkan kebolehjelasan tidak dapat dipisahkan daripada khalayak sasaran, kerana jenis pengguna yang berbeza memerlukan tahap penjelasan yang berbeza. Pereka bentuk boleh mempertimbangkan untuk menggunakan model yang boleh ditafsir secara semula jadi untuk meningkatkan kebolehtafsiran, dan mereka juga boleh menjalankan ujian manusia dalam gelung untuk menilai sejauh mana orang memahami fungsi sistem.

Ringkasan Kecil

Artikel ini terutamanya memperkenalkan penyelidikan pembelajaran mesin dalam bidang pengurusan sumber manusia dari empat aspek: kesukaran teknikal, pengenalan kepada sistem membuat keputusan pengurusan sumber manusia, kaedah reka bentuk sistem dan keselamatan sistem. Kami berharap ia dapat membantu pembaca yang ingin mempunyai pemahaman awal tentang penyelidikan ini.

Rujukan: "Memanfaatkan Pembelajaran Mesin untuk Meningkatkan Pengurusan Sumber Manusia"