Träningsdata avgörande när HR automatiseras

AI och maskininlärning driver digitaliseringen av världens HR-avdelningar framåt. I ett område där mänskliga egenskaper är centralt gäller det att algoritmerna utvecklas utifrån rätt träningsdata. 

Om du knappar in orden ”lediga jobb nära mig” i Googles sökmotor använder algoritmerna uppgifter om var du befinner dig för att skapa ett relevant sökresultat. Det blir länkar till lokala arbetsgivare, till regionala undersajter hos de stora rekryteringstjänsterna och så vidare.

Gör man motsvarande sökning i USA ser resultatet helt annorlunda ut. ”Jobs near me” visar platsannonserna direkt, inhämtade från sajter runt om på webben, inklusive LinkedIn och Facebook. Med möjligheter att filtrera, gallra och prenumerera på nya annonser.

På Googles stora utvecklarkonferens I/O tidigare i år presenterade företaget satsningen Google for Jobs. Vad det innebär sammanfattades i en tweet: ”We’ll use machine learning to help people find jobs, and make it easier for companies to find talent.”

Google är inte den enda it-jätten som vill använda maskininlärning för att underlätta det dagliga arbetet för HR-experter och jobbsökande runt om i världen. It-lösningar för världens HR-avdelningar är ett glödhett område just nu. Microsoft köpte LinkedIn i december. Oracle lanserade en ny HR-lösning för några år sedan. Facebook Workplace är en intranätsvariant av världens största sociala nätverk. IBM:s Watson, som bland annat används för att hjälpa cancerläkare runt om i världen, har anpassats för HR-relaterade uppgifter. Till de här bekanta namnen går det också att lägga en lång rad av nystartade bolag.

Automatiserar rekrytering

Precis som i alla andra nischer kliver de nya tekniska lösningarna in på två olika sätt: Antingen genom att automatisera de processer som idag görs manuellt eller för att erbjuda helt nya möjligheter. I den senare kategorin återfinns många av de lösningar som marknadsförs med termer som artificiell intelligens och maskininlärning.

Hos bland andra Google och IBM är maskininlärning en viktig del av erbjudandet. Med datorer som kan tolka mänskligt språk löser Google problemet med sökordsfokuserade rekryteringsprocesser. En utmaning är att i en jobbannons beskriva vad en befattning egentligen innebär. Samma begrepp kan beskriva olika typer av arbetsuppgifter, samtidigt som en arbetsuppgift kan beskrivas på många olika sätt.

Det gör det svårt både för rekryterande företag och jobbsökande: De måste tänka i samma termer. I IBM:s lösningar används Watsons ”språkförmåga” för att analysera löpande text i bland annat ansökningsbrev och vaska fram de kandidater som bedöms ha bästa möjligheter att lyckas i organisationen.

Träningsdata och algoritmer

Gör du en sökning på ”people analytics” hittar du massor av texter om en annan av de tekniktrender som finns inom HR, och där inslagen av maskininlärning ibland är stora. Syftet är att utifrån information om de anställda, om resultat, försäljning och annat dra slutsatser om olika aspekter av företagets personal: Vilka nyckelpersoner kan vara på väg att byta jobb? Vilka behöver vidareutbildas? Varför är sjukfrånvaron betydligt större på ett av lokalkontoren? Och så vidare.

Men i en tid då allt fler tjänster marknadsförs med termer som ”artificiell intelligens” och ”maskininlärning” är det också viktigt att stanna upp och fråga leverantörerna om vilken träningsdata de använder.

När det gäller självkörande bilar finns det ett enkelt sätt att kontrollera om tekniken fungerar eller inte. Genom att observera hur de faktiskt kör. För en mjukvara som ska ge rekommendationer kring HR-frågor är det inte säkert att det är lika enkelt för användarna att bedöma om förslaget är rimligt och bra eller inte.

Viktigt fråga om träningsdata

När ett företag lovar ”fördomsfri rekrytering” med sin nya mjukvara är det därför viktigt att komma ihåg att resultatet absolut inte bara en fråga om hur algoritmerna är konstruerade. Eftersom det ofta finns stora inslag av maskininlärning är det oerhört viktigt att ställa frågor om träningsdatan. Används uppgifter om de personer som redan är anställda, då kommer algoritmen att tränas till att fortsätta rekrytera på samma sätt som tidigare.

En annan viktig sak att fundera över är hur återkopplingslooparna i systemen ser ut. I onlinetjänster som används av miljontals användare finns stora möjligheter att i realtid anpassa sig efter deras beteenden. På HR-avdelningar är cyklerna betydligt längre – det kan ta lång tid innan det visar sig om en rekrytering var lyckad eller inte – och datavolymerna betydligt mindre.

Och det förutsätter att det överhuvudtaget sker en återkoppling från de företag som utnyttjar en tjänst för rekrytering till företaget som utvecklar den.

När det gäller Googles nya funktioner för att hitta lediga jobb eller lämpliga personer att anställa, beroende på vem du är, är det inte osannolikt att de är en första indikation på att hela rekryteringsnischen på sikt står inför en ny omvandling.

För ett drygt decennium sedan var en papperstidning full med lediga jobb, idag finns de annonserna på nätet. I hög utsträckning fortfarande som traditionella annonser, även om sök- och bevakningsmöjligheterna givetvis är större på nätet än i tryckt utförande. Möjligheterna att låta AI och maskininlärning hjälpa till i matchningen mellan jobbsökande och arbetsgivare kan göra det lättare och träffa rätt.

Och de som har störst möjligheter att lyckas där är inte nödvändigtvis de som sitter på flest platsannonser idag, utan de som sitter på mest data för att träna upp sina algoritmer.

Anders Thoresson har bevakat IT och telekom sedan 1999, först som reporter på Ny Teknik och sedan 2006 som frilans. Genom åren har hans texter bland annat publicerats i Dagens Nyheter, Dagens Industri, Forskning och Framsteg, IVA Aktuellt och Ny Teknik. Han har också skrivit flera Internetguider åt IIS och gör poddcasten Digitalsamtal. Du når Anders via hans webbplats.