Один из новых трендов в HR — smart-рекрутинг. Это переход от простейшей автоматизации при поиске по базе резюме к использованию технологий машинного обучения для многофакторного подбора кандидатов, который мы разберем на примере российского стартапа Sever.AI.
Платформа для автоматизации рекрутинга Sever.AI (за рубежом известная как North.AI) — это часть строящейся экосистемы TalentTech (принадлежит одноименной компании, входящей в состав ООО «Севергрупп»). По заказу HR-специалиста Sever.AI выполняет поиск сотрудников и проводит их оценку, используя методы искусственного интеллекта. Проект вырос из сервиса подбора кандидатов JungleJobs, где работодатели размещают вакансии, а рекрутеры борются за них, предлагая наиболее подходящих кандидатов.
На международном саммите HR Digital 2018 особо подчеркивалась важность подобных инструментов, поскольку прежние методы кадровых агентств уже не позволяют им ни вовремя закрывать вакансии, ни эффективно конкурировать друг с другом.
Сам рынок труда стал очень динамичным. Сотрудники (особенно молодые специалисты) постоянно ищут новые возможности, осваивают смежные специальности и редко задерживаются в одной компании дольше нескольких лет. В свою очередь, фирмы сталкиваются с большой текучкой кадров и стремятся найти дешевую рабочую силу в регионах. Им требуется расширять отделы управления персоналом, постоянно проводить собеседования с новыми кандидатами, а затем помогать им влиться в коллектив и научить корпоративной культуре. Поэтому традиционные методы в HR уже малоэффективны. Компании месяцами не могут сформировать рабочие группы, а отдельные вакансии так и остаются незакрытыми.
Выходом из сложившейся ситуации может стать максимальная автоматизация рутинных действий HR-специалистов. Программным роботам уже давно поручают поиск резюме в многочисленных онлайновых базах, но это лишь простой фильтр ключевых слов. Если к ним добавить технологии искусственного интеллекта, то они смогут выполнять и более сложные задачи, например предварительный отсев претендентов. Вот как это работает на примере Sever.AI:
1. Сначала платформа выполняет поиск резюме по всем доступным базам и формирует общую таблицу. В ней кандидаты ранжируются по указанным компетенциям, опыту работы и другим критериям. Причем, в отличие от классических поисковых фильтров, ИИ может лучше анализировать текст. Например, он добавит кандидата с опытом работы в Debian, если для вакансии указано «знание Linux».
2. На следующем этапе происходит техномагия: Sever.AI сам позвонит отобранным кандидатам и спросит у них, насколько им интересна предлагаемая вакансия. Он может сразу ответить на некоторые вопросы (например, о зарплате и условиях работы) и назначить время очного собеседования с HR-специалистом. Подобным образом работает недавно представленный голосовой помощник Google Duplex, но он гораздо лучше интонирует и вообще на слух неотличим от живого собеседника. Робот Sever.AI не пытается имитировать тонкости человеческой речи.
3. После обзвона всех подходящих кандидатур Sever.AI составит список согласившихся и передаст его рекрутеру вместе с расписанием запланированных собеседований. Затем робот разошлет SMS-уведомления с напоминаниями о встрече. Вот краткая видеодемонстрация:
Дополнительно робот может предложить кандидатам записать видеоинтервью и самостоятельно оценит его по разным параметрам, включая темп речи, мимику, время задержки при ответе и другие исчисляемые характеристики. Отделу кадров останется только составить личное мнение о выбранных кандидатах, не тратя время на их поиск и приглашение.
Общение с роботом — спорный момент. Одних оно раздражает, а у других, наоборот, снимает психологическое напряжение. Человек меньше волнуется и чаще дает ответы по существу. Особенно часто это заметно у молодых ИТ-специалистов, привыкших к автоматизации своих повседневных задач. Это самая лояльная к роботам аудитория.
Во время предварительного отбора при помощи Sever.AI у соискателей нет возможности воздействовать на эмоциональную сферу HR-специалиста. Как правило, это эффектные дамы, которых стремятся впечатлить, соблазнить или просто подкупить. В обратную сторону это тоже работает. Иногда бывает, что у рекрутера с утра болела голова и он вам отказал, а потом передумал и снова пригласил на собеседование. Робот куда более постоянен и беспристрастен в своих решениях.
По собственной оценке специалистов Sever.AI, во время пилотного запуска платформы экономия времени HR-менеджера на рутинных задачах составила 56%, а общий эффект экономии — несколько миллионов рублей в год.
Схема монетизации у Sever.AI очень прозрачная. Счет выставляется за фактически проделанные роботом операции. Оценка каждого резюме обойдется в 2 рубля, совершение звонков — по 10 рублей, отправка SMS — по 4 рубля. Самой дорогой и сложной задачей является оценка видеоинтервью: анализ каждого стоит 150 рублей (все цены приводятся без НДС).
В настоящее время Sever.AI налаживает партнерство с разными компаниями в России и за рубежом, предлагая им доступ к функционалу своей платформы через API. Недавно демонстрация проводилась в Сингапуре на базе экспоцентра Suntec.
Развитие технологий машинного обучения в HR сдерживается низкой осведомленностью руководителей о современных возможностях автоматизации бизнес-процессов. Издательство «Открытые системы» даже учредило премию CDO Award для популяризации профессии директора по данным (CDO, Chief Data Officer). Этой весной ее обладателем стал директор по цифровым технологиям Sever.AI Азат Шамсутдинов, причем сразу в двух номинациях: «За вклад в профессию» и «За реализацию инновационной идеи».
Однако у каждой медали есть и обратная сторона. При работе с инновационными компаниями всегда есть риск оказаться в плену очарования buzz-words — звучных терминов, вокруг которых много шума. Потенциальные заказчики посмотрели презентацию и уже готовы внедрять блокчейн с бигдатой или AI с ML, не отдавая себе отчета в особенностях конкретного продукта. Выход простой: исходить из определения и сравнивать, насколько ему соответствует представленная технология.
платформу Sever.AI: «Для хранения «больших данных» (в интервью уточняется, что речь идет о терабайтах. — Прим. ред.) у нас используется Hadoop, для обработки данных — Spark, для обработки потоковых данных — Spark Streaming. При дальнейшей обработке применяем разные инструменты, в том числе проприетарные — Tableau, Power BI. Можем использовать внешние базы SQL для тех проектов, где нет «больших данных» и нужны быстрые доступность и обработка».
Действительно, пара терабайт — это не уровень «больших данных». Big data подразумевает одновременное выполнение как минимум трех ключевых условий: объемы от петабайта, легкое масштабирование БД и ее структура, оптимизированная для сложных, гибких запросов. Все остальное — это классические высоконагруженные системы и реляционные базы. Использовать для них фреймворки Apache Hadoop и Spark просто нецелесообразно, особенно если массив разделен на отдельные таблицы. В таком случае больше подойдут простые инструменты вроде библиотеки Pandas или вообще построчной обработки скриптами. Но такое решение непрезентабельно, а на его развитие не дадут инвестиций. Поэтому любой ИТ-стартап стремится сразу выйти на рынок под флагом Big Data, даже если его данные станут «большими» лишь в туманной перспективе.
Термин «искусственный интеллект» по отношению к Sever.AI я бы применял с большой осторожностью. Сильный ИИ так и остается фантастикой, вроде «позитронного мозга» у Азимова, а слабый ИИ не понимает смысла обрабатываемых данных. Он лишь переводит запросы на естественном языке в поисковые фильтры, с каждой итерацией подбирая все лучшие совпадения. Загвоздка лишь в том, где взять подходящий массив данных для обучения.
Технических деталей о работе Sever.AI в открытом доступе нет, но точно известно, что в ней используется балльная система оценки. Есть два массива: резюме соискателей и набор вакансий. Между ними ищется соответствие по ряду критериев. К примеру, если в анкете найдено 87 совпадений из 100, то кандидат на 87% удовлетворяет запросам компании. Такую работу прекрасно выполняют сверточные нейросети (CNN), но только после качественного обучения на большой выборке.
Существует два принципиально разных подхода к обучению нейросетей: с учителем и без него. В первом случае HR-специалист вручную тренирует Sever.AI, «скармливая» ему сотни анкет (разработчик рекомендует 500-1000) и оценивая корректность их анализа. Довольно утомительный подход, особенно с учетом того, что мы хотели разгрузить кадровика, а не найти ему новую рутинную работу. Более того, если задача изменится, придется повторить обучение. Нельзя подобрать секретаря по тем же критериям, что и грузчика.
Во втором случае требуются более сложные алгоритмы самообучения и максимально большая обучающая база — десятки и сотни миллионов верифицированных записей. Доступа к этому Святому Граалю «больших данных» нет даже у гигантов ИТ-индустрии уровня IBM, Google и Facebook.
Складывается впечатление, что Sever.AI — это, скорее, продвинутая скоринговая система с функциями голосового помощника и чат-бота, которую сначала нужно адаптировать к особенностям конкретного заказчика. Вы точно не получите «электронный мозг», который из коробки запрыгнет в кресло HR-специалиста и станет работать за десятерых в первый же день.
Еще одна особенность скоринговых систем с элементами ИИ — их привязка к статистике. Они тем лучше выполняют анализ, чем чаще встречается шаблон. Поэтому я считаю, что Sever.AI будет сравнительно просто научить подбирать персонал низшего уровня, вроде кассиров и сотрудников колл-центра, а вот на руководящие должности и нетиповые вакансии его не натаскаешь: нет в онлайновых базах столько резюме от подходящих специалистов, не на чем проводить масштабное обучение.
В каждой технологии есть немного от мистики, особенно если она работает по принципу «черного ящика». В описании Sever.AI говоритсяоб «оценке 128 параметров тональности голоса кандидата в видеоинтервью». Предполагается, что это заменяет роботу интуицию, позволяя анализировать степень уверенности кандидата при ответе на разные вопросы, определять его искренность и заинтересованность.
Оставим в стороне красивое число два в седьмой степени (типичное для градации одного параметра в восьмибитной системе с одним контрольным битом). С точки зрения нейрофизиологии, такая оценка параметров эмоциональной сферы сама по себе не совсем корректна. Машину можно научить «читать» человека только после долгой настройки на конкретную персону. Не случайно тесты на детекторе лжи начинаются с так называемых установочных вопросов и занимают продолжительное время. Нужно сначала изучить реакцию на простейшие вопросы, задать базовые уровни регистрации сигналов, отфильтровать артефакты статистическими методами и сделать уйму другой сложной работы вручную. Только после этого получится интерпретировать психофизиологические реакции конкретного собеседника с точностью выше 50% (то есть чуть лучше простого угадывания). Более высокая точность достигается путем непропорционально большого увеличения времени всей процедуры.
Насколько мне известно, сейчас тонкая настройка на разных кандидатов у Sever.AI не выполняется, а без нее можно сколько угодно ловить колебания тембра голоса и «распознавать» в них, что хочется. Человек вообще редко реагирует только на происходящее в данный момент. Он может вспоминать что-то в момент интервью или представлять перспективы — все это отразится на лице и голосе.
Я говорю «на лице», поскольку , что во время видеоинтервью «снимается физиогномика, оценивается логика изложения и эмоции». Извините, но в клинической психологии физиогномику считают псевдонаукой — такой же ересью, как френология, на основании которой нацисты пытались доказать превосходство белой расы (см. «Экспериментальная психология» от Энн Майерс . Логику изложения ИИ принципиально не способен оценить, поскольку он оперирует отдельными терминами и лингвистическими шаблонами, располагая их по частоте встречаемости, но никак не увязывая по смыслу. Именно поэтому в сгенерированных ИИ текстах очень хорошо имитируется стиль (хоть Пушкина, хоть научного издания), но встречаются перлы, явно выдающие происхождение текста, вроде «старый мальчик оделся и лег спать» или «кубический корень однолетнего растения относится к нечетным функциям». С точки зрения ИИ эти фразы безупречны.
Поэтому не рассчитывайте на глубокую автоматизацию HR-сферы с первого дня использования Sever.AI. Как говорил Азат Шамсутдинов в интервью CIO: «В первую очередь проблемой становится соответствие ожиданиям клиентов. Часто они хотят получить готовое работающее решение и не желают включаться в работу по его созданию. А ведь робота нужно сперва обучить, настроить, и все эти процедуры должны проходить с участием заказчиков, требуется понять их внутреннюю кухню. Поэтому приходится объяснять клиентам, что их участие в проекте все-таки необходимо».
Автоматизация в HR переходит на новый уровень. Все больше рутинных операций учатся выполнять программные роботы, обзаведясь продвинутыми алгоритмами на основе методов машинного обучения. Пока они далеки от совершенства, но уже способны существенно разгрузить целые отделы. Модель SaaS делает их доступными не только для крупных кадровых агентств, но и для отдельных рекрутеров.
Эффективность HR-специалистов сегодня определяется не только их опытом работы, но и умением осваивать новые инструменты. Можно и дальше пытаться работать на прежнем технологическом уровне, но тогда вряд ли удастся оперативно удовлетворять растущие потребности компаний в новых кадрах, особенно при массовом наборе.
Некоторые боятся, что ИИ оставит их без работы, но это напрасные опасения неолуддитов. Конечное решение всегда принимает человек, а такие прорывные технологии экономят время и позволяют сосредоточиться на более творческой работе. Освободившись от горы анкет и часов однотипного общения по телефону, HR-специалист сможет больше времени уделять адаптации сотрудников и формированию эффективных рабочих групп.
