世纪金融网
传统的招聘过程是失败的候选人，公司和招聘人员。它围绕人类对复杂数据的解释而展开，这些数据太容易受到偏见和精神捷径的影响。
由机器学习辅助的招聘过程可以消除将社会地位置于技能之上的系统性偏见。但是，在最近的新闻中，算法在该任务上失败了。亚马逊开发的简历筛选算法对女性申请人产生了偏见。另一种这样的算法偏爱打曲棍球的名叫贾里德 (Jared) 的候选人。
如果我们将机器学习应用于简历-当今人类在招聘过程中使用的相同数据源-我们将使偏见永久化。为了减少招聘中的偏见，我们必须将机器学习应用于新的数据源，这些数据源更客观，太复杂，以至于人们无法审查。
技能测试可以提供新的数据来源。在招聘的第一步，机器学习模型可以分析技能测试而不是简历，以做出更客观的招聘决策。
我想讨论一下为什么我们所有人都应该比当前系统更喜欢基于机器学习的方法。
失败的过程
在硅谷，招聘经理面临两个相互关联的问题，这使招聘工程师变得困难。第一个问题是，对具有技术技能的人才的需求远远超过了供给。第二个问题是每个公开工作的申请弹幕。
招聘经理通常会收到数百份空缺职位的申请。为了过滤噪音，他们依靠捷径，例如优先考虑最著名的大学和公司的申请人。然而，斯坦福大学、麻省理工学院和常春藤盟校不会将班级规模增加三倍来满足这一需求。他们是高度选择性的机构，而不是企业。
尽管人才紧缺，但招聘经理忽略了非常规的候选人，这些候选人可能比来自精英背景的候选人更熟练。他们知道其中一些候选人会很好，但是当人类必须进行所有筛选时，找到他们需要太多的时间和金钱。
随着 “软件吞噬世界”，对工程师的需求不断增加，每个公司都必须学习如何构建自己的软件以保持竞争力。工业公司，消费品品牌和金融机构都在雇用软件工程师。与此同时，谷歌、Facebook和亚马逊等老牌科技巨头继续扩大他们的野心，并开发新产品，进一步增加他们对技术人才的需求。
结果: 传统的招聘正在失败。审查简历的人根本无法足够快地识别出技术熟练的候选人来满足需求。但是，基于机器学习的招聘过程可以解决我提出的问题。通过使用技能测试，机器学习算法可以分析分数并将候选人与空缺职位进行匹配，公司可以快速识别并雇用熟练的候选人。出于几个原因，基于机器学习的招聘比传统招聘提供了巨大的改进。
1.阅读简历效率低下。如果您需要查看100简历，则别无选择，只能使用基本的启发式方法 (例如寻找特定的学院或公司) 来竞赛。同样，如果您尝试进行人类管理和评分技能测试，那么当竞争对手提出要约时，您将忙于审查这些数据。
2.人力招聘是有偏见的。许多研究表明，在招聘方面存在系统性偏见。面试官有意识和无意识地根据性别、种族、情感、体重甚至一个人的声音进行歧视。评论者根据 “文化契合度” 筛选出熟练的候选人，这个概念虽然对成功招聘很重要，但很少被认为是招聘标准。以技能数据的机器学习分析为指导的招聘过程可以消除许多偏见，至少在最后的面对面面试之前是这样。
3.人类判断错误的事情。如果工程师在电话面试中听起来很奇怪，谁在乎呢？雇用工程师来制造产品，而不是销售产品。不幸的是，面试的背景-在电话上讲话-使面试官远离了应该评估的内容: 分析和解决问题的技能。机器学习抵消了这些错误的判断，因为它没有任何社会和文化意识 (在这种情况下这是一个属性)。
4.任何人都可以参加。公司将招聘工作投资于顶尖大学，因为如果人类从事这项工作，则更广泛的范围太昂贵了。机器学习可以筛选任何规模的候选人。如果你想要世界上最好的数据科学家，请全世界申请。机器学习欢迎来自非洲，亚洲和中东的申请人加入招聘过程，否则该过程将偏爱少数学校的精英。
5.招聘人员有更多有价值的事情要做。招聘人员代表了他们公司的文化、价值观和使命。阅读简历并不是使工作有意义的原因。我认识的最好的招聘人员喜欢与应聘者建立关系，并为人们提供梦想中的机会。在机器学习的帮助下，招聘人员可以更多地关注这一人文方面-机器学习无法做到或欣赏的方面。
招聘中的正义
基于机器学习的招聘纠正了传统的流程，该流程将状态优先于技能，将背景优先于能力。但是，并非所有候选人都将从更公平的招聘中受益。
那些在常春藤盟校接受教育并有望铺开红地毯的人将会受苦。在豪华度假胜地像对待客人一样对待学生的大学-并针对 “用户满意度” 进行了优化-他们的招聘统计数据将有所下降。大学将不得不提供教育，而不仅仅是适销对路的地位符号 (akaquiparis)。
另一方面，非常规的候选人-自学成才的编码员，在线学生和致力于改变生活的年轻人-将拥有自己的时刻。机器学习不会像许多人担心的那样非人化招聘，而是帮助企业实现自己的价值观，并真正雇佣最优秀的人才。
