A.I. sebagai Talent Scout: Karyawan yang Tidak ortodoks, dan Mungkin Bayaran Lebih Rendah

Suatu hari musim gugur ini, Ashutosh Garg, kepala eksekutif layanan perekrutan yang disebut Eightfold.ai, membuat resume yang menarik minatnya.

Itu milik seorang ilmuwan data prospektif, seseorang yang menggali pola dalam data untuk membantu bisnis membuat keputusan, seperti bagaimana menargetkan iklan. Tapi anehnya, resume menampilkan istilah “ilmu data” di mana-mana.

Sebaliknya, resume milik seorang analis di Barclays yang telah melakukan pekerjaan sarjana di bidang fisika di University of California, Los Angeles. Meskipun profilnya di jejaring sosial LinkedIn menunjukkan bahwa ia tidak pernah bekerja sebagai ilmuwan data, peranti lunak Eightfold menandainya dengan baik. Dia serupa dalam cara-cara kunci tertentu, seperti matematika dan komputernya, dengan empat ilmuwan data aktual yang telah diinstruksikan Mr. Garg pada perangkat lunak untuk dipertimbangkan sebagai model.

Idenya bukan untuk fokus pada jabatan, tetapi “keterampilan apa yang mereka miliki,” kata Mr. Garg. “Anda benar-benar mencari orang yang belum melakukannya, tetapi dapat melakukannya.”

Kekuatan teknologi semacam itu akan segera terlihat bagi setiap perusahaan yang berusaha keras untuk mengisi pekerjaan di pasar tenaga kerja yang ketat – tidak terkecuali posisi untuk para ilmuwan data, yang perusahaan-perusahaan seperti Google, Facebook dan Amazon bersaing untuk menarik.

Berkat layanan seperti Eightfold, yang mengandalkan algoritme canggih untuk mencocokkan pekerja dan pekerjaan, banyak pengusaha mungkin segera memiliki akses ke alam semesta calon pekerja – bahkan untuk peran yang sulit diisi – yang mungkin tidak mereka temui sebelumnya.

Dan sementara itu juga dapat membantu beberapa kandidat, ada potensi kerugian bagi pencari kerja: Algoritme seperti itu juga dapat menurunkan upah di bidang ini, kata Bo Cowgill, seorang ekonom di Universitas Columbia yang telah mempelajari penggunaan kecerdasan buatan dalam perekrutan.

“Anda mendapatkan orang yang lebih non-tradisional, sama-sama berkualitas, berkinerja tinggi,” kata Mr. Cowgill. Tetapi majikan “sepertinya tidak harus bersaing untuk mereka sebanyak itu.”

Selama bertahun-tahun, pengusaha dan perantara online telah menggunakan algoritma untuk membantu mengisi lowongan pekerjaan, tetapi metode mereka sering kali kasar. Komputer akan mengidentifikasi kata-kata kunci pada resume, kemudian menentukan apakah kata-kata itu sesuai dengan teks dalam deskripsi pekerjaan.

Meskipun pendekatan ini bisa lebih efisien daripada mencari situs seperti LinkedIn secara manual, namun ada kekurangannya. Pelamar dapat membuat game proses dengan membaca resume mereka dengan istilah yang cenderung dicari mesin. Sebaliknya, daftar pekerjaan dengan kata-kata yang buruk dapat menyebabkan komputer mengabaikan kandidat yang memenuhi syarat.

Tetapi kemajuan terbaru dalam bentuk kecerdasan buatan yang dikenal sebagai pembelajaran mendalam telah membuat mesin yang digunakan oleh beberapa perusahaan, seperti Eightfold dan hub pekerjaan online ZipRecruiter, jauh lebih kuat. Alih-alih hanya memindai kata-kata di halaman dan mencocokkannya dengan kata-kata dalam deskripsi pekerjaan, mesin sekarang dapat mengidentifikasi keterampilan dan bakat yang tidak secara eksplisit muncul pada resume kandidat.

Sebagai ilustrasi, Mr. Garg menunjukkan bahwa sekitar 90 persen insinyur perangkat lunak di perusahaan perangkat lunak keuangan Intuit di Mountain View, California, mengetahui bahasa pemrograman Java, menurut data yang telah dianalisis Eightfold. Itu berarti mesin berada di tempat yang aman, menyimpulkan bahwa seorang insinyur perangkat lunak Intuit mengenal Java, bahkan jika dia tidak mencantumkan keterampilan dalam resume.Dengan melakukan latihan serupa di seluruh resume, perangkat lunak perusahaan dapat membuat profil terperinci dari pelamar pekerjaan. Ini dapat mengekstraksi lebih dari jumlah informasi dari kategori seperti pendidikan (disiplin ilmu tertentu di universitas yang kurang menonjol, seperti pemrosesan bahasa alami di Universitas Massachusetts, Amherst, menghasilkan pekerja berprestasi) dan bahkan hobi (pemain catur cenderung pandai coding, pemain basket di penjualan).

Eightfold, yang berbasis di Silicon Valley, juga melakukan perdagangan yang cerdas dengan klien: untuk meningkatkan hasilnya, Eightfold meminta klien untuk menggunakan perangkat lunak sumber daya manusianya, yang mengimpor data karyawan dalam bentuk anonim. Ini termasuk informasi tentang bagaimana pekerja dengan latar belakang berbeda melakukan dalam pekerjaan yang berbeda, dan berapa banyak yang mereka hasilkan.Eightfold kemudian dapat menggunakan data ini untuk memprediksi kinerja dengan lebih baik – katakanlah, seberapa baik seorang insinyur perangkat lunak Intuit yang bermain catur dan lulus dari University of Massachusetts mungkin melakukannya di Amazon atau Microsoft.

Intuit tidak menanggapi permintaan komentar.

Alat perangkat lunak dapat sangat kuat untuk niat pengusaha dalam memperluas pencarian di luar kandidat dengan pengalaman dan kualifikasi konvensional. Dalam hal itu, seorang perekrut dapat menentukan kriteria (seperti industri dan lokasi, dan bahkan seberapa besar kemungkinan kandidat menerima tawaran) yang akan menghasilkan resume yang lebih tradisional.

Claudia Villanueva, seorang pejabat perekrutan dan keragaman di AdRoll Group, yang membantu klien dengan iklan digital dan pemasaran, mengatakan dia baru-baru ini menggunakan Eightfold ketika mencoba mengisi posisi perencanaan keuangan. Kandidat teratas memiliki pengalaman dalam industri yang sering dijauhi dunia teknologi, seperti manufaktur. Tetapi algoritma Eightfold menandainya sebagai pemenang.

“Industri teknologi terkadang mengalami kesulitan bergerak melewati pengalaman teknologi,” kata Villanueva. “Kami terus mempekerjakan orang yang sama di industri ini. Bagi saya ini adalah contoh yang sangat menarik tentang bagaimana kita memutus siklus itu sedikit. ”

Dalam kasus analis Barclays, perangkat lunak Eightfold mengaitkannya sebagai ilmuwan data pemula sebagian karena ia memiliki gelar master dalam statistik dan tahu bahasa pemrograman komputer seperti C ++ dan Matlab, meskipun ia tidak memiliki latar belakang yang jelas dalam ilmu data.

“Kami telah maju dan menganalisis puluhan juta hingga ratusan juta profil orang untuk melihat bagaimana orang-orang telah bergerak dalam karier mereka,” kata Mr. Garg. “Anda dapat memprediksi apa yang akan mereka lakukan selanjutnya dengan sangat mudah,” ia mengakui bahwa pendekatan tersebut bekerja kurang baik di bidang baru atau tidak jelas dengan data terbatas.

Steve Goodman, kepala eksekutif Restless Bandit, perusahaan lain yang menerapkan kecerdasan buatan untuk merekrut, membandingkan latihan menemukan kandidat nontradisional dengan mengisi daftar olahraga profesional.

Waralaba olahraga cenderung membayar jauh lebih banyak untuk agen gratis yang meninggalkan tim mereka sebelumnya daripada untuk pemain yang mereka rekrut dari perguruan tinggi atau sekolah menengah, karena agen bebas memiliki catatan. Tetapi jika komputer dapat memprediksi kinerja draft pick dengan presisi relatif, ini dapat mengubah kalkulus mereka. Harga agen bebas mungkin turun, dan harga penandatanganan draft pick akan naik. Ini, pada dasarnya, apa yang dapat dicapai oleh perangkat lunak menggunakan kecerdasan buatan.

“Kami memunculkan orang-orang yang kami pikir akan menjadi draft picks yang baik,” daripada orang-orang yang melakukan pekerjaan yang sama, kata Goodman. “Orang ini sedikit lebih junior, tetapi berdasarkan jalur karier mereka, orang-orang yang terlihat seperti mereka lebih murah dan lebih baik untukmu.”

Mr Cowgill, ekonom Columbia, mengatakan logika ini sebagian besar benar, tetapi dengan satu kerutan kunci: Menurut penelitiannya, keuntungan bagi kandidat yang kurang memenuhi syarat yang digali dengan mesin bisa sangat besar sehingga mereka mengimbangi kerugian yang lebih kecil untuk kandidat konvensional.

Dalam bidang teknis seperti rekayasa perangkat lunak, misalnya, putus sekolah dari universitas tanpa nama bisa berakhir dengan kehidupan yang sangat nyaman setelah diketahui oleh para pemberi kerja. Tetapi coders yang mapan cukup dalam permintaan bahwa upah cenderung tetap tinggi bahkan ketika menjadi lebih mudah untuk menemukan alternatif.

Di bidang yang membutuhkan keterampilan teknis lebih sedikit, di sisi lain, upah bisa turun secara signifikan.

Pertimbangkan, katakanlah, pekerjaan pemasaran senior, di mana perusahaan besar sering memerlukan gelar master dalam administrasi bisnis. Jika mesin dapat secara andal mengidentifikasi kandidat yang kurang berpengalaman, kurang kredensial yang cenderung unggul, itu bisa menekan upah.

“Anda dapat memikirkan kasus-kasus di pasar produk di mana orang berpikir mereka membutuhkan sesuatu yang istimewa dan Anda benar-benar tidak melakukannya – komoditas, orang berbiaya rendah mengambil alih,” kata John Horton, seorang ekonom tenaga kerja di N.Y.U. Pikirkan kamera video genggam setelah proliferasi smartphone.”Itu bisa terjadi di pasar tenaga kerja dengan kesadaran bahwa Anda tidak memerlukan sesuatu yang istimewa di sini,” kata Mr. Horton.

Semua ini mengandaikan, bagaimanapun, bahwa teknologi pembelajaran yang dalam layak untuk digunakan dalam perekrutan dan sumber daya manusia dan pada akhirnya bisa menjadi hal biasa. Survei menunjukkan bahwa hanya sebagian kecil perusahaan yang menggunakan alat ini, dan bahkan lebih sedikit yang merasa siap untuk mengeksploitasinya.

Sebuah makalah baru-baru ini merangkum temuan sebuah konferensi di University of Pennsylvania, yang melibatkan sekitar 20 pengusaha, mengutip berbagai masalah. Di antara mereka adalah kesulitan mengukur kinerja karyawan dan perasaan tidak adil yang mungkin dirasakan pekerja jika komputer membuat keputusan perekrutan, pemecatan dan promosi.

Mungkin perhatian terbesar adalah titik metodologis dasar – sebut saja N.B.A. masalah. Jika Anda mempelajari pemain National Basketball Association untuk mengetahui apa yang membuatnya hebat, Anda akan menemukan hampir tidak ada korelasi antara kinerja dan tinggi badan. Hampir setiap orang di dunia yang dijernihkan ini lebih tinggi dari rata-rata. Dan mereka yang tidak mengimbangi hadiah lain, seperti kecepatan dan atletis yang tidak biasa.

Jika, di sisi lain, Anda memilih orang secara acak dari populasi umum dan mengukur potensi bola basket mereka, Anda akan menemukan bahwa itu sangat berkorelasi dengan ketinggian.

Kekhawatirannya adalah bahwa mesin, pada dasarnya, hanya mempelajari N.B.A. pemain – orang-orang yang sudah memiliki pekerjaan di perusahaan, atau bahkan orang-orang yang mencari pekerjaan – bukan populasi umum.

Pak Cowgill percaya ada solusi. Dia menulis sebuah makalah yang menunjukkan bahwa pelamar yang tampaknya tidak memenuhi syarat yang diwawancarai perusahaan secara tidak sengaja memungkinkan mesin untuk mensimulasikan eksperimen acak kasar, membantu perusahaan mempelajari lebih lanjut tentang apa yang membuat karyawan yang baik.

Tetapi mungkin yang lebih jelas adalah bahwa perusahaan teknologi canggih sudah menggunakan kecerdasan buatan untuk membantu mengisi pekerjaan. Mr. Garg, yang bekerja sebagai ilmuwan riset di Google selama empat tahun, mengatakan perusahaan menggunakan teknik seperti itu dalam perekrutannya.

Google mengatakan mereka menggunakan mesin untuk melihat kembali resume dalam database-nya yang mungkin terlewatkan oleh perekrut manusia untuk serangkaian peran terbatas.

Keuntungan yang dimiliki vendor seperti Eightfold, Mr. Garg menegaskan, adalah akses ke data internal di lusinan perusahaan lain, sesuatu yang bahkan tidak bisa diklaim Google. “Kami sekarang dapat membangun model yang jauh lebih dalam daripada yang dapat dibangun sendiri oleh perusahaan ini,” katanya.

 

Leave a comment

Your email address will not be published. Required fields are marked *