Новости социальной поддержки

Порядок подачи и рассмотрения электронных обращений граждан

Обращение, направленное на официальный сайт Министерства по электронной почте, должно содержать фамилию, имя, отчество заявителя, почтовый адрес, по которому должен быть направлен ответ, контактный телефон, суть обращения (далее — Интернет-обращение).

Интернет-обращение, поступившее на официальный сайт по электронной почте, распечатывается, и в дальнейшем работа с ним ведется в установленном порядке в соответствии с Федеральным законом от 02.05.2006 г. N 59-ФЗ «О порядке рассмотрения обращений граждан Российской Федерации», административным регламентом предоставления министерством труда и социальной защиты населения Ставропольского края государственной услуги «Организация приема граждан, обеспечение своевременного и полного рассмотрения обращений граждан, принятие по ним решений и направление ответов заявителям в установленный законодательством Российской Федерации срок» (далее — Административный регламент).

По электронному адресу, указанному в обращении направляется уведомление о приеме обращения.

Для приема Интернет-обращения заявителя в форме электронного сообщения применяется специализированное программное обеспечение, предусматривающее заполнение заявителем, реквизитов, необходимых для работы с обращениями и для письменного ответа. Адрес электронной почты заявителя (законного представителя) и электронная цифровая подпись являются дополнительной информацией.

Основаниями для отказа в рассмотрении Интернет-обращения, помимо указанных оснований, в пункте 2.9 Административного регламента, также являются:

• отсутствие адреса (почтового или электронного) для ответа;
• поступление дубликата уже принятого электронного сообщения;
• некорректность содержания электронного сообщения.

Ответ заявителю на Интернет-обращение может направляться как в письменной форме, так и в форме электронного сообщения.

Заявителю гарантируется не разглашение без его согласия сведений, содержащихся в Интернет-обращении, а также сведений, касающихся частной жизни гражданина. Информация о персональных данных заявителей хранится и обрабатывается с соблюдением требований российского законодательства о персональных данных.

Интернет-обращения представляются руководству Министерства для рассмотрения. На наиболее часто задаваемые вопросы периодически публикуются ответы руководителей Министерства. Ваш вопрос, заданный в Интернет-обращении может быть опубликован на сайте в обезличенной форме.

Закрыть

Алгоритмы трудоустройства «до карантина» уже устарели. Как кризис повлиял на поиск работы |

Если прямо сейчас вы ищите работу, вы не одиноки. В связи с эпидемиологической ситуацией, эксперты допускают рост безработицы в 3 раза. Не стоит сидеть сложа руки – рынок динамично меняется, ежедневно открываются новые вакансии, но только для тех, кто готов меняться под новые требования рынка. Как кризис повлиял на поиск работы – от подачи резюме до собеседования? Мы узнали, что по этому поводу говорят HR-специалисты и готовы поделиться с вами результатами.

Нетворкинг

Еще большее значение сейчас приобретают знакомства. Ввиду сложившейся ситуации у большинства работодателей нет времени обучать и тестировать на профпригодность новых сотрудников, поэтому они, скорее, будут искать проверенного специалиста или фрилансера через знакомых.

Активно взаимодействуйте с сетью ваших знакомств. Расскажите о том, что вы ищите работу, в своих социальных сетях, указав какими навыками владеете. Свяжитесь с бывшими коллегами по работе, если вы с ними в хороших отношениях, возможно, они смогут дать вам наводку на вакансию или ценные рекомендации.

Резюме

Очевидно, обновлять резюме надо регулярно – учитывать новый опыт, навыки. Но условия, в которых мы живем, предъявляют дополнительные требования к его содержанию.

Клаудио Фернандес-Араос, один из самых влиятельных мировых экспертов в области подбора кадров, считает, что сейчас на первый план выходят компетенции в области антикризисного менеджмента, управления и оптимизации бизнес-процессов. Иными словами, работодателю интересны соискатели, которые могут помочь бизнесу преодолеть сложный период.

Дистанционное собеседование

Поскольку многие компании до сих пор работают в удаленном режиме, есть большая вероятность, что и вы будете проходить собеседование из дома. Это накладывает на интервью ряд особенностей, которые необходимо учитывать.

Во-первых, техническое обеспечение. Уточните, с помощью какой платформы будет проводиться интервью, ознакомьтесь с ее интерфейсом и принципом работы (вы же не хотите выглядеть профаном в технологиях). Настройте видео и звук, убедитесь, что интернет стабилен. Отрепетируйте заранее, чтобы быть уверенным в работоспособности своего оборудования.

Во-вторых, внешний вид. В пиджаке на фоне домашней обстановки вы будете выглядеть неуместно. Подберите приличную нейтральную одежду – однотонную футболку или рубашку, но не выходите на связь в толстовке или домашней пижаме.

В-третьих, атмосфера. Найдите тихое место в чистой светлой комнате. Если интерьер вашей квартиры позволяет (в ней нет ковров на стенах и сервантов), необязательно в качестве фона выбирать голую стену. «Живой» фон может оказать более благоприятное впечатление. Тем не менее стена не худший вариант, если сравнивать его с пляжными фонами в Zoom.

Ну и, наконец, эмоции. Изоляция сделала людей более эмоциональными, мы тянемся к живому общению. Поэтому не бойтесь проявлять свои человеческие качества. Можно даже несколько преувеличивать эмоции (но осторожно), так как видеосвязь «съедает» мимику и интонации, заметные при личном общении.

Искать работу всегда нелегко, но сейчас этот процесс становится еще сложнее. Лучшее, что мы можем сделать – работать над собой, адаптируясь под изменения окружающей среды. Главное –не бояться действовать.

Вакансии нашего агенства | Агентство «Алгоритм Успеха»

Приглашаем в нашу команду талантливых и энергичных людей, желающих проявить себя, развиваться и постигать новые ступеньки карьерной лестницы.

У нас вы получите: достойную и своевременную оплату труда, официальное трудоустройство с полным соц. пакетом, возможность профессионального роста, дружелюбную атмосферу, кофе и печенье.

Верстальщик

Условия:

• работа 5 дней в неделю по 8 часов
• молодой дружный коллектив
• трудоустройство по ТК РФ
• чай, кофе
• достойная з/п

Требования:

• Отличное знание HTML
• Отличное знание CSS
• Знание пост/пре- процессоров CSS
• Знание JQuery
• Знание основ адаптивной верстки
• Грамотность
• Коммуникабельность
• Ответственность
• Обучаемость

Приветствуется:

• Знание JavaScript
• Знание frontend фреймворков

Веб-программист

Условия:

• работа 5 дней в неделю по 8 часов
• молодой дружный коллектив
• трудоустройство по ТК РФ
• чай, кофе
• достойная з/п

Требования:

• Образование не ниже среднеспециального
• Отличное знание PHP, MySQL, AJAX
• Желательно знание CMS Drupal, Bitrix
• Знание основ HTML, CSS, JS, JQuery
• Грамотность
• Коммуникабельность
• Ответственность
• Обучаемость

Обязанности:

• Back-end разработка сайтов
• Разработка специализированных систем
• Техническая поддержка сайтов
• Доработка существующих сайтов
• и др.

Контент-менеджер

Условия:

• работа 5 дней в неделю по 8 часов
• молодой дружный коллектив
• трудоустройство по ТК РФ
• чай, кофе
• достойная з/п

Обязанности:

• Сбор и структурирование информации
• Текстовое наполнение web-сайтов
• Обработка фотографий, подготовка, размещение
• Написание рекламных объявлений, размещение и др.

Требования:

• Образование не ниже среднеспециального
• Знание компьютера, офисных программ и оргтехники
• Грамотность речи и письма
• Коммуникабельность
• Ответственность
• Обучаемость

Веб-дизайнер

Условия:

• работа 5 дней в неделю по 8 часов
• молодой дружный коллектив
• трудоустройство по ТК РФ
• чай, кофе
• достойная з/п

Обязанности:

• Создание дизайн-макетов сайтов
• Разработка логотипов
• Дизайн лендингов
• Дизайн элементов для сайта (иллюстрации, иконки)
• Обработка фотографий, подготовка
• и др.

Требования:

• Образование не ниже среднеспециального
• Знание компьютера, офисных программ и оргтехники
• Знание графических программ Photoshop, Corel Draw
• Знание правил композиции и типографики
• Коммуникабельность
• Ответственность
• Обучаемость

Обучение программированию с целью трудоустройства с нуля

С первых дней жизни мы постоянно учимся и продолжаем учиться до глубокой старости. Но как учиться быстро и эффективно? Как с нуля изучить программирование и успешно трудоустроиться?

С вами Сергей Никонов и в этой статье я поделюсь своими мыслями, опытом и рассмотрю пример алгоритма обучения для успешного трудоустройства.

Прежде чем приступать к изучению чего-либо, я не бросаюсь скупать всевозможные курсы, книги по данной теме. Прежде всего я формирую цель, чему именно я хочу научиться и что в конечном итоге мне это даст. После формирования цели я вижу итоговую картину более ярко. Я не хочу лить воду и абстрактно рассказывать, поэтому буду приводить примеры.  

Итак, предположим, что вы хотите научиться программировать. Если вы поставите цель Научиться программировать с нуля, возможно, над формулировкой вашей цели нужно поработать. Здесь нужно подумать для чего вы хотите научиться программировать? Над чем вы хотите работать? Создавать веб-сайты или программировать микроконтроллеры? Для чего вам это нужно? Чтобы устроиться на работу или вы хотите научиться создавать веб-сайты, для того, чтобы реализовать какой-то свой гениальный проект, который станет популярнее YouTube и Facebook? Или вы хотите просто создать небольшую страницу о себе и выложить ее в интернет? Или вы хотите создать интернет-магазин, чтобы доставлять продукты с вашей фермы?

Ок, например вы определились, что хотите научиться создавать веб-сайты для того, чтобы устроится на работу. И здесь, опять-таки вам нужно конкретизировать цель. Где вы хотите работать? В офисе в крупной компании, в маленькой веб-студии или удаленно из дома на фрилансе. Над какими проектами вы хотите работать? Сколько вы хотите зарабатывать? В каких конкретно компаниях вы хотите работать?

Этот этап конкретизации цели очень важен, от этого зависят ваши дальнейшие шаги и сколько времени вы потратите на обучение — 3 дня или несколько лет.  Когда вы хорошо подумаете над этими вопросами и определитесь для себя, считайте вы уже прошли половину пути и сэкономили возможно месяцы, а то и годы вашего времени. 

Начните с локальных компаний, которые находятся в вашем городе или в соседнем городе. Если вы живете в маленьком городе, возможно в них тоже есть ИТ-компании местные или даже филиалы крупных компаний. Естественно, большое количество компаний находится в столицах, в Киеве, Москве, Минске. 

В крупных компаниях есть свои плюсы и минусы. Часто в крупных компаниях есть несколько направлений, которые могут использовать разные технологии. Также у вас будут тимлиды и более опытные коллеги, с кем вы будете достаточно плотно общаться и перенимать опыт, но об этом позже. 

Минусы некоторых крупных компаний в том, что они могут использовать очень старые технологии и оставаться на них долгие годы и в дальнейшем вам может попасться один из таких проектов. 

В маленьких компаниях есть также плюсы и минусы. Из плюсов в том, что в таких компаниях мало бюрократии, могут использовать интересные технологии в тоже время, маленькая компания может очень быстро закрыться. 

Крупные компании можно определить по численности сотрудников. Достаточно сделать запрос в гугл. 

Если вы уже знаете в какую компанию вы хотите попасть, можно поискать наличие вакансий. Вакансии эти компании могут публиковать на своем сайте, в соц. сетях и специализированных сайтах по поиску работы, например на hh.ru

И далее алгоритм трудоустройства следующий:

1 этап — Найти общие технологии в той сфере, в которой хотите работать (Frontend, Backend)

2 этап — Изучение общих технологий и формирование портфолио

3 этап — Подготовка к собеседованию (составление резюме с портфолио, изучение частых вопросов на собеседованиях) 

4 этап — Отклики на вакансии и прохождение собеседований

5 этап — Трудоустройство и прохождение испытательного срока

 

Этап 1.

Найти общие технологии в той сфере, в которой хотите работать (Frontend, Backend)

Когда вы определись с тем, чем вы хотите заниматься, нашли подходящие вакансии и компании для старта, пришло время отметить технологии, которые вам необходимо изучить, для того, чтобы соответствовать данным вакансиям. 

 

Для того, чтобы вам эффективнее работать и ничего не забыть, я рекомендую завести блокнот. Я использую программу Evernote. Эта программа идеально подходит для агрегации информации. Вы можете создать в этой программе документ с общим списком технологий для изучения, затем для каждой изучаемой технологии выписывать термины, примеры кода и прочее, чтобы в дальнейшем смогли вернуться к этим записям и освежить память. 

 

Evernote умеет синхронизироваться между устройствами и информация, которую вы записываете, всегда будет доступна для вас. Или вы можете найти аналогичную программу — главное выписывайте информацию, как я рекомендую. Так вы многократно повысите вашу эффективность.

 

Этап 2. Изучение общих технологий и формирование портфолио

Этот этап изучения только тех технологий и терминов, которые вам действительно потребуются. 

 

Грубо говоря, вы можете выписать себе в блокнот все непонятные слова из вакансии и загуглить их. После того, как вы найдете описание, например Что такое SPA, прочитайте несколько раз, пока не поймете суть прочитанного и своими словами напишите в вашем блокноте, что обозначает SPA и опишите как вы понимаете данную технологию. 

 

При изучении пользуйтесь несколькими источниками информации, если вам какая-то тема не понятна, а также задавайте вопросы на специализированных форумах и соц. сетях. Не стесняйтесь задавать вопросы в наше комьюнити FructCode, даже если вам кажется, что эти вопросы слишком глупые.

 

Когда вы узнаете, что обозначают технологии из вакансии, вам нужно будет начать их изучать и обязательно изученное закреплять на практике и выписывать примеры кода в ваш блокнот. Если вы изучаете только теорию — это не даст результата. Вы можете прочитать, например, обо всех HTML-тэгах, но если вы не сверстаете хотя бы несколько страниц, просто теория не даст вам ничего.

 

Это все равно, что если бы вы хотели сбросить лишний вес или накачать мышцы, просто читали об этом, но не бегали, не соблюдали диету и не ходили в тренажерный зал. Ваш лишний вес остался бы с вами, но зато вы бы знали сколько калорий содержит гамбургер. 

 

Кстати, именно по этой причине в моих курсах программирования я делаю большой упор на практику и даю минимум теории. Я не рассказываю о всевозможных HTML-тэгах и CSS-стилях, а даю только нужную в данный момент вам информацию, когда паралельно со мной вы создаете учебный сайт.

 

Также при изучении технологий из вакансии не пытайтесь изучить только теорию и всевозможные нюансы технологии. На это у вас уйдут возможно годы. 

 

Изучайте только необходимое, то что вы применяете в данный момент, а ко всему остальному вы придете позже, когда реально поймете преимущества. Например, если вы просто для себя изучаете верстку сайтов, не нужно вам сразу изучать препроцессоры, например Sass. К этой технологии вы придете позже, когда реально осознаете ее преимущество.

 

Технологий в нашей профессии очень много и вы можете бесконечно учиться и так не выйдя на работу. Я занимаюсь программированием и разработкой уже около 15 лет, но до сих пор продолжаю учиться. Не лучше ли изучить необходимый минимум, трудоустроиться и доучивать остальное имея зарплату? 

 

Еще раз. Главное много практики. Если вы изучаете HTML и CSS, начните с простой страницы, даже если на ней будет просто написано Ваше имя на белом фоне — это уже хорошее начало, дальше усложняйте. Найдите интересные сайты, но для начала сайты с простой версткой. Тот же учебный сайт Киномонстр, который я создаю в моих курсах HTML и CSS, Bootstrap.

 

Когда создадите страницу из урока, на основе ее создайте еще несколько своих страниц, измените дизайн, расположение блоков — главное пробуйте и когда вы не будете знать как например разместить какой-либо элемент, спрашивайте, ищите информацию в гугл и так вы будете эффективно учиться. Главное много практики! И не бойтесь если у вас что-то не получается с первого раза, не отчаивайтесь, пробуйте, экспериментируйте!

 

 

Этап 3. Подготовка к собеседованию (составление резюме с портфолио, изучение частых вопросов на собеседованиях)

Подготовка к собеседованию. Составление резюме, подбор портфолио, изучение частых вопросов на собеседовании. Отнеситесь к составлению резюме очень внимательно. От этого этапа зависит пригласят вас на собеседование или нет. Дело в том, что поиском кандидатов и отбором резюме может заниматься не сам разработчик, который разбирается во всех требуемых технологиях, а hr-специалист, другими словами кадровик, который может не знать, что EСMA SCRIPT 6, в вашем резюме, это ES6 в вакансии.

 

И когда hr смотрит на ваше резюме, в идеале он должен видеть максимально приближенное соответствие вашего резюме и требуемых технологий из вакансии, а также должность вашего резюме должна соответствовать должности вакансии. Если в вашем резюме последние места работы и должности например, Продавец-консультант, Кладовщик и претендуете вы внезапно на вакансию Frontend-разработчик, 100% ваше резюме отправится в мусорную корзину.

 

Лучше у вас будет один пункт в резюме с Frontend-разработчик, чем шесть нерелевантных пунктов опыта. И если вы делали какие-то проекты на фриланс, лучше напишите в истории должностей Freelance, описание ваших проектов и используемых технологий. Помните — вы должны максимально соответствовать требованиям из вакансии!

 

Этап 4. Отклики на вакансии и прохождение собеседований

На этом этапе вы сообщаете своим потенциальным работодателям о желании работать и начинаете ходить на собеседования. Прохождения собеседований, даже если вам отказывают, очень важный этап. На этом этапе вы понимаете, какие пробелы есть у вас в знаниях и что нужно дополнительно изучить. Не стесняйтесь после того как вам откажут, попросить обратную связь, где вы провалились и на основе этих данных изучайте дополнительно технологии.

 

Есть один важный момент. Некоторые соискатели могут негативно реагировать на отказ и уходить в депрессию, опускать руки и забрасывать учебу. Ни в коем случаи не стоит расстраиваться, если вам отказали. Даже если вы на 100% подходите, вам могут отказать, потому-что ранее уже определились с кандидатом и на всякий случай, если кандидат фаворит откажется, могут взять вас, т.е. провели с вами собеседование на всякий случай. 

 

Не нужно гнаться за хорошей зарплатой на первом же месте работы по данной профессии. Ваша цель — это устроиться на работу и пройти испытательный срок и в последствии, вы можете найти более выгодное предложение и как только в вашем резюме появятся 2 — 3 места работы по профессии, вы уже будете интересным кандидатом и сами работодатели будут вам предлагать трудоустройство и предлагать хорошее вознаграждение за ваш труд. 

 

Этап 5. Трудоустройство и прохождение испытательного срока

После того как вас взяли на работу, для вас наступает самое важное время — это испытательный срок. Вам необходимо справляться с задачами которые вам ставят. Так как вы все еще новичок, многие задачи будут новыми для вас и для того, чтобы разобраться вам потребуется дополнительное время.  

 

Я рекомендую в период испытательного срока максимально сконцентрироваться на работе и дополнительно дома изучать технологии, которые используются в задачах, чтобы вы смогли быстро решать поставленные перед вами задачи и соответственно успешно прошли испытательный срок. Не стесняйтесь общаться с коллегами и если вы попадете в нормальную команду, вас обязательно поддержат, подскажут и даже научат. 

 

 

С вами был Сергей Никонов. И помните, что все мои актуальные курсы, а также новые курсы, находятся только на моем сайте FructCode.com

 

Алгоритм при подаче заявления ЛИЧНО

Этап	Действия	Примечание
1	Внимательно изучить перечень специальностей (профессий) по которым ведется набор для обучения в колледж в 2020 году.	Официальный сайт колледжа: http://nyagtk. ru/applicants/the_admissions_committee/perechen-spetsialnostey-professiy/
2	Выбрать специальности (профессии) по которым Вы хотели бы обучаться.	Рекомендуем выбрать не более 3-х специальностей и профессий.
3	Установить приоритет среди выбранных Вами специальностей (профессий)	Какая из специальностей (профессий) более для Вас подходящая (первая), какие менее подходящие (вторая, третья и т.п.)?
4	Подготовить полный пакет необходимых при поступлении документов в соответствии с требованиями Правил приема	Перечень документов на официальном сайте колледжа: http://nyagtk.ru/applicants/the_admissions_committee/perechen-dokumentov-pri-podache-zayavleniya/
4. 1.	Иметь в наличии при посещении колледжа ОРИГИНАЛЫ ДОКУМЕНТОВ: 1)    Паспорт поступающего гражданина 2)    Паспорт одного родителя (законного представителя) несовершеннолетнего поступающего 3)    Аттестат или диплом с приложением 4)    4 фото (3х4) 5)    Результаты обязательного предварительного медицинского осмотра для поступающих (справка №086у) для всех поступающих, кроме тех, кто поступает на специальность «Дошкольное образование» 6)    Медицинская карта из школы №026 7)    Сертификат (карта) профилактических прививок	Для поступающих на специальность «Дошкольное образование» — справка 086у с расширенным медицинским осмотром.   Перечень специалистов, лабораторных исследований, необходимых для проведения обязательного предварительного медицинского осмотра при поступлении в колледж: http://nyagtk. ru/applicants/the_admissions_committee/obyazatelnyy-meditsinskiy-osmotr/
4.2.	Иметь в наличии при посещении колледжа КОПИИ ДОКУМЕНТОВ: 1)       Паспорт поступающего гражданина (2-е страницы – личные данные и регистрация по месту постоянного проживания) 2)       Паспорт одного родителя (законного представителя) несовершеннолетнего поступающего (2-е страницы – личные данные и регистрация по месту постоянного проживания) 3)       ИНН 4)       СНИЛС 5)       Медицинский полис	Иметь также в наличии при посещении колледжа копии документов (если такие есть у Вас в наличии): 1)     Документы, подтверждающие отсутствие родительского попечения 2)     Договор о целевом обучении 3)     Индивидуальные достижения (грамоты), полученные в соответствии с приказом Министерства просвещения РФ* 4)     Индивидуальная программа реабилитации инвалидов 5)     Справка об установлении инвалидности 6)     Заключение территориальной ПМПК 7)    Свидетельство о заключении брака
5	Предварительно с 10. 00 до 13.00 записаться на прием документов по телефонам: 8 (34672) 26-1-26 добавочный 200	Адрес колледжа: г.Нягань, микрорайон 10, дом 4 В субботу и воскресенье запись не осуществляется.
6	Подойти в колледж к назначенному времени с пакетом документов (оригиналов и копий по п.п. 4.1, 4.2)	Допуск на территорию колледжа осуществляется только в МАСКАХ и ПЕРЧАТКАХ. Сдавать документы приходят только абитуриент и один родитель (законный представитель) несовершеннолетнего абитуриента.

Трудовая миграция – MuнТруд ЧР

Уважаемые соискатели!

Консультации по всем вопросам трудовой миграции – тел.  (8712) 29-54-42;

или по адресу: Министерство труда, занятости и социального развития Чеченской Республики (Минтруд ЧР) г. Грозный, Ул. Деловая, 15, Департамент по вопросам занятости населения, отдел трудоустройства и специальных программ, каб. №№14,11. или в центрах занятости населения.

В 2015 году Министерство труда, занятости и социального развития Чеченской Республики  продолжает оказывать содействие гражданам, ищущим работу в трудоустройстве за пределами региона.

В центрах занятости населения  и отделе трудоустройства и специальных программ Департамента по вопросам занятости населения Минтруда ЧР можно получить сведения  о потребности в рабочей силе в других регионах страны, в том числе с предоставлением жилья и других видах дополнительного мотивирования.

Уважаемые граждане, ищущие работу за пределами Чеченской Республики! Сведения о свободных рабочих местах в других регионах страны представлены на сайте в разделе Работа в других регионах РФ

Если Вы заинтересованы в трудоустройстве за пределами Северо-Кавказского Федерального округа, Вам необходимо:

– обратиться в центр занятости населения по месту жительства;

– зарегистрироваться в целях поиска подходящей работы;

– заполнить резюме, установленной формы непосредственно в центре занятости населения или заблаговременно

– по истечении установленного времени получить варианты подходящей работы (специалисты свяжутся с Вами по телефону)

– пройти видео (он-лайн) собеседование с потенциальным работодателем;

– получить направление на работу;

– отбыть и приступить к работе.

Трудоустроиться  за пределами республики может как безработный гражданин, так и гражданин, желающий сменить место работы.

 

Представляем партнера:  ”Межрегиональный ресурсный центр”

ИЗ ГОСУДАРСТВЕННОЙ  ПРОГРАММЫ РФ “СОДЕЙСТВИЕ ЗАНЯТОСТИ НАСЕЛЕНИЯ ” на период 2013 – 2020 годы:
“Трудовая миграция является одним из важнейших элементов российской экономики, действенным инструментом защиты внутреннего рынка труда, стабилизации социально-политической ситуации, как в отдельных регионах страны, так и в Российской Федерации в целом”.

По инициативе Заместителя Председателя Правительства Российской Федерации,  полномочного представителя Президента Российской Федерации в Северо-Кавказском федеральном округе Александра Хлопонина распоряжением Правительства Ставропольского края от 20 октября  2010 года № 414-рп создано государственное казенное учреждение службы занятости населения Ставропольского края ”Межрегиональный ресурсный центр” ( МРЦ). МРЦ призван обеспечить комплексное регулирование вопросов трудоустройства, территориального перераспределения рабочей силы, переселения жителей СКФО в другие субъекты РФ с целью трудоустройства. Межрегиональным ресурсным центром  заключено свыше  100 соглашений о сотрудничестве с субъектами РФ, с образовательными учреждениями высшего профессионального образования, с кадровыми агентствами, компаниями работодателями. База данных МРЦ постоянно пополняется вакансиями для замещения свободных рабочих мест на предприятиях и в организациях, осуществляющих свою деятельность за пределами СКФО, гражданами РФ, проживающих в Северо-Кавказском федеральном округе. Проводятся межрегиональные ярмарки вакансий, при участии МРЦ, на которых сотрудниками центра организуются видеособеседования между работодателями и соискателями. С момента образования учреждения специалисты МРЦ приняли участие в организации и проведении 12 межрегиональных интерактивных ярмарок вакансий замещения свободных рабочих мест. Участие в данных мероприятиях приняли 3 259 человек. МРЦ в своей деятельности активно использует новейшие информационные технологии (видеоконференцсвязь между работодателями и соискателями, IP-телефонию, Интернет-ресурсы, включая социальные сети (Twitter, Facebook, Одноклассники, ВКонтакте и др.), для размещения информации о возможностях трудоустройства граждан СКФО. В МРЦ с октября 2011 года работает бесплатный общефедеральный телефонный номер, по которому можно получить исчерпывающую информацию по вопросам трудоустройства. Специалисты МРЦ приняли участие в 63 выездных рабочих совещаниях в регионах России по вопросам трудоустройства граждан Северо-Кавказского федерального округа в других регионах Российской Федерации, в ходе которых изучались потребность бизнеса принимающего региона, решение социально-экономических и бытовых вопросов, условий труда и отдыха работников, а так же соблюдения работодателями трудового законодательства. За время деятельности учреждения в МРЦ обратилось более 3,5 тысяч жителей СКФО, изъявивших желание быть трудоустроенными. Было трудоустроено 2 102 человека (62,8% от поступивших резюме). За 2012 год специалистами МРЦ трудоустроено 1016 жителей Северного Кавказа.

Адрес «Межрегионального ресурсного центра»
г. Пятигорск, проспект Калинина 50
Телефон:  (8793) 40-54-70 Факс:(8793) 40-54-70
E-mail:

Алгоритм трудоустройства при содействии  МРЦ

Если Вы заинтересованы в трудоустройстве за пределами Северо-Кавказского Федерального округа, Вам необходимо:
– обратиться в центр занятости населения по месту жительства;
– зарегистрироваться в целях поиска подходящей работы;
– заполнить резюме, установленной формы непосредственно в центре занятости населения или заблаговременно
– по истечении установленного времени получить варианты подходящей работы (специалисты свяжутся с Вами по телефону)
– пройти видео (он-лайн) собеседование с потенциальным работодателем;
– получить направление на работу;
– отбыть и приступить к работе.

Трудоустроиться при содействии МРЦ может как безработный гражданин, так и гражданин, желающий сменить место работы.

ТЕЛЕФОН СОДЕЙСТВИЯ ТРУДОВОЙ МИГРАЦИИ ЧЕРЕЗ МРЦ
8-800-200-54-70

Все алгоритмы найма могут вызвать предвзятость

Избегают ли алгоритмы найма предвзятости или усиливают ее? Этот фундаментальный вопрос возник как точка напряженности между сторонниками технологии и ее скептиками, но найти ответ сложнее, чем кажется.

Прием на работу редко является единичным решением, а скорее является кульминацией серии более мелких, последовательных решений. На протяжении этого процесса алгоритмы играют разные роли: одни направляют объявления о вакансиях определенным кандидатам, а другие помечают пассивных кандидатов для приема на работу.Инструменты прогнозирования анализируют и оценивают резюме, а также помогают менеджерам по найму по-новому оценивать компетенции кандидатов, используя как традиционные, так и новые данные.

Многие надеются, что алгоритмы помогут людям, принимающим решения, избежать собственных предрассудков, добавив последовательности в процесс найма. Но алгоритмы сами по себе создают новые риски. Они могут воспроизводить институциональные и исторические предубеждения, усиливая недостатки, скрывающиеся в таких данных, как посещаемость университета или оценки успеваемости.Даже если алгоритмы устраняют некоторую субъективность процесса найма, люди по-прежнему очень активно участвуют в окончательных решениях о найме. Аргументы, в соответствии с которыми «объективные» алгоритмы считаются более справедливыми и точными, чем люди, подверженные ошибкам, не в полной мере признают, что в большинстве случаев оба играют роль.

Понимание предвзятости в алгоритмах найма и способов ее смягчения требует от нас изучения того, как работают прогностические технологии на каждом этапе процесса найма. Хотя они обычно разделяют основу машинного обучения, инструменты, использованные ранее в процессе, могут существенно отличаться от тех, которые использовались позже.Даже инструменты, которые, кажется, выполняют одну и ту же задачу, могут полагаться на совершенно разные типы данных или представлять прогнозы существенно разными способами.

Наш анализ инструментов прогнозирования в процессе найма помогает прояснить, что именно делают «алгоритмы найма», и где и как предвзятость может влиять на процесс. К сожалению, мы обнаружили, что большинство алгоритмов найма по умолчанию смещаются в сторону предвзятости. Хотя их потенциал по уменьшению межличностной предвзятости не следует сбрасывать со счетов, только инструменты, которые проактивно устраняют более глубокие диспропорции, вселяют надежду на то, что технологии прогнозирования могут способствовать обеспечению справедливости, а не разрушать ее.

Формирование кадрового резерва

Процесс приема на работу начинается задолго до того, как соискатель подаст заявку. На этапе «поиска» или приема на работу технологии прогнозирования помогают рекламировать вакансии, уведомлять соискателей о потенциально привлекательных вакансиях и выявлять потенциальных кандидатов для рекрутеров для проактивного охвата.

Чтобы привлечь соискателей, многие работодатели используют алгоритмические рекламные платформы и доски объявлений о вакансиях, чтобы охватить наиболее «подходящих» соискателей. Эти системы, которые обещают работодателям более эффективное использование бюджетов найма, часто делают весьма поверхностные прогнозы: они предсказывают не то, кто будет успешным на этой должности, а то, кто, скорее всего, нажмет на это объявление о вакансии.

Эти прогнозы могут привести к тому, что объявления о вакансиях будут размещаться таким образом, чтобы укреплять гендерные и расовые стереотипы, даже если работодатели не имеют таких намерений. В недавнем исследовании, которое мы провели вместе с коллегами из Северо-Восточного университета и Университета Южной Калифорнии, мы обнаружили, среди прочего, что объявления с широким таргетингом в Facebook о вакансиях кассиров в супермаркетах показывались аудитории из 85% женщин, в то время как вакансии в компаниях такси были ограничены аудитория, которая составляла примерно 75% черных.Это типичный случай алгоритма, воспроизводящего систематическую ошибку из реального мира без вмешательства человека.

Между тем, персонализированные доски объявлений, такие как ZipRecruiter, стремятся автоматически узнавать предпочтения рекрутеров и использовать эти прогнозы для поиска похожих кандидатов. Как и Facebook, такие системы рекомендаций созданы специально для поиска и воспроизведения шаблонов в поведении пользователей, динамически обновляя прогнозы по мере взаимодействия работодателей и соискателей работы. Если система замечает, что рекрутеры чаще взаимодействуют с белыми мужчинами, она вполне может найти прокси для этих характеристик (например, называться Джаредом или играть в лакросс в старшей школе) и воспроизвести эту модель.Такого рода неблагоприятное воздействие может произойти без явных инструкций или, что еще хуже, без ведома кого-либо.

Алгоритмы поиска поставщиков вряд ли являются главной заботой большинства людей, когда они думают об «алгоритме найма». Но автоматизированные решения на этой ранней стадии воронки приема на работу широко распространены. Например, инструмент, который Amazon отбросил из-за того, что женщины находятся в невыгодном положении, был не инструментом отбора для оценки реальных кандидатов, а инструментом, который помогал обнаруживать пассивных кандидатов, которые рекрутеры искали.

Алгоритмы поиска могут не отклонять открыто кандидатов, но, как утверждала правовед Полин Ким, «не информирование людей о возможности трудоустройства является очень эффективным препятствием» для людей, ищущих работу.Эти инструменты не всегда могут вызывать антиутопические заголовки, но они играют решающую роль в определении того, кто вообще имеет доступ к процессу найма.

Сужение воронки

Как только заявки начинают поступать, работодатели стремятся сосредоточить внимание на самых сильных кандидатах. Хотя алгоритмы, используемые на этом этапе, часто представляют собой вспомогательные средства для принятия решений менеджерами по найму, в действительности они могут автоматически отклонять значительную часть кандидатов.

Некоторые из этих алгоритмов скрининга — просто старые методы, одетые в новые технологии.Работодатели давно задают «нокаутные вопросы», чтобы установить, обладают ли кандидаты минимальной квалификацией; Теперь эту задачу выполняют чат-боты и инструменты анализа резюме. Другие инструменты идут дальше, используя машинное обучение для прогнозирования на основе прошлых решений по проверке, экономя время работодателей и, как утверждается, сводя к минимуму влияние человеческих предрассудков. На первый взгляд может показаться естественным, что инструменты отбора могут моделировать прошлые решения о найме. Но эти решения часто отражают те самые модели, которые многие работодатели активно пытаются изменить с помощью инициатив разнообразия и интеграции.

Другие инструменты отбора включают машинное обучение, чтобы предсказать, какие кандидаты будут «успешными» на работе, что часто измеряется сигналами, связанными с сроком полномочий, производительностью или производительностью (или отсутствием сигналов, таких как опоздание или дисциплинарные меры). Новые инструменты в этой области утверждают, что помогают работодателям использовать более тонкие сигналы для своих прогнозов, такие как игровой процесс или видеоанализ.

Примечательно, что в США такие процедуры отбора подпадают под традиционные правила. Работодатели обязаны проверять свои инструменты оценки на предмет неблагоприятного воздействия на демографические подгруппы и могут нести ответственность за использование процедур, которые чрезмерно благоприятствуют определенной группе соискателей. Некоторые поставщики услуг по оценке подробно описывают шаги, которые они предпринимают для «снижения предвзятости» своих алгоритмов, — шаги, которые также необходимы для обеспечения соблюдения их клиентами закона.

Но сам процесс дифференциации высокоэффективных сотрудников от низкоэффективных часто отражает субъективные оценки, которые являются печально известным источником дискриминации на рабочих местах.Если лежащие в основе данные о производительности загрязнены сохраняющимися эффектами сексизма, расизма или других форм структурной предвзятости, устранение предвзятости в алгоритме найма, построенном на этих данных, — это просто пластырь на гнойной ране. И если работодатель может доказать, что его инструмент выбора служит конкретным деловым интересам — относительно низкая планка — он может легко оправдать использование алгоритма выбора, который приводит к несправедливым результатам. Некоторые промышленно-организационные психологи, которые часто участвуют в разработке процедур приема на работу, скептически относятся к тому, чтобы полагаться исключительно на теоретические корреляции в качестве основы для новых инструментов отбора, но ничто в текущих нормативных положениях не требует от работодателей делать намного больше.

Наконец, как только работодатель выбирает кандидата для найма, другие инструменты прогнозирования стремятся помочь работодателю сделать предложение, которое кандидат, скорее всего, примет. Такие инструменты могут подорвать законы, запрещающие работодателям напрямую спрашивать об истории заработной платы, заблокировать или, по крайней мере, затруднить исправление давних моделей неравенства в оплате труда.

Изменение алгоритмов найма в сторону капитала

Несмотря на то, что действующее законодательство США накладывает некоторые ограничения на работодателей, использующих инструменты прогнозирования приема на работу, оно плохо приспособлено для устранения растущих рисков, связанных с инструментами найма с улучшенными возможностями машинного обучения.

Итак, как мы можем гарантировать, что алгоритмы найма действительно способствуют справедливости? Регулирование (которое идет медленно) и передовые отраслевые практики (которые только зарождаются), безусловно, должны сыграть свою роль. Тем временем поставщики, создающие инструменты для прогнозирования найма, и работодатели, использующие их, должны думать на больше, чем минимальные требования соответствия . Они должны четко учитывать, действительно ли их алгоритмы приводят к более справедливым результатам найма. Прежде чем использовать какой-либо инструмент прогнозирования, они должны оценить, насколько субъективные критерии успеха могут отрицательно повлиять на прогнозы инструмента с течением времени.И помимо простой проверки на наличие неблагоприятного воздействия на этапе отбора, работодатели должны отслеживать свой конвейер от начала до конца, чтобы выявлять места, где скрытая предвзятость скрывается или возникает заново.

Если те, кто рекламирует возможности алгоритмов для снижения предвзятости при найме на работу, не решат проактивно создавать и тестировать свои инструменты с учетом этой цели, технология в лучшем случае будет бороться за выполнение этого обещания — а в худшем — подорвать его.

Amazon отказывается от секретного инструмента рекрутинга AI, который показал предвзятое отношение к женщинам

SAN FRANCISCO (Reuters) — Amazon.Специалисты по машинному обучению AMZN.O com Inc обнаружили большую проблему: их новая система набора персонала не нравилась женщинам.

Команда разрабатывала компьютерные программы с 2014 года для проверки резюме соискателей с целью механизации поиска лучших талантов, сообщили Reuters пять человек, знакомых с этой работой.

Автоматизация сыграла ключевую роль в доминировании Amazon в сфере электронной коммерции, будь то склады или принятие решений о ценообразовании. В экспериментальном инструменте найма компании использовался искусственный интеллект, чтобы дать кандидатам на работу оценку от одной до пяти звезд — так же, как покупатели оценивают товары на Amazon, сказали некоторые люди.

«Все хотели этот Святой Грааль», — сказал один из людей. «Они буквально хотели, чтобы это был двигатель, на котором я дам вам 100 резюме, он выдаст пятерку лучших, и мы их возьмем на работу».

Но к 2015 году компания осознала, что ее новая система не оценивает кандидатов на должности разработчиков программного обеспечения и другие технические должности нейтрально с гендерной точки зрения.

Это связано с тем, что компьютерные модели Amazon были обучены проверять соискателей путем наблюдения закономерностей в резюме, представленных компании за 10-летний период.Большинство из них исходили от мужчин, что является отражением мужского доминирования в технологической индустрии.

Фактически система Amazon научилась тому, что кандидаты-мужчины предпочтительнее. Он наказывал резюме, которое содержало слово «женское», например, «капитан женского шахматного клуба». По словам источников, знакомых с этим вопросом, он снизил оценку выпускников двух женских колледжей. Названия школ не уточняли.

Amazon изменил программы, чтобы сделать их нейтральными по отношению к этим конкретным условиям. Но это не было гарантией, что машины не разработают другие способы сортировки кандидатов, которые могут оказаться дискриминационными, сказали люди.

Сиэтлская компания в конце концов распустила команду к началу прошлого года, потому что руководители потеряли надежду на проект, по словам людей, которые говорили на условиях анонимности. Рекрутеры Amazon при поиске новых сотрудников смотрели на рекомендации, выдаваемые этим инструментом, но никогда не полагались только на эти рейтинги.

Amazon отказалась комментировать проблемы технологии, но сказала, что этот инструмент «никогда не использовался рекрутерами Amazon для оценки кандидатов.Компания не стала вдаваться в подробности. Он не оспаривал, что рекрутеры смотрели на рекомендации, выдаваемые механизмом найма.

Эксперимент компании, о котором первым сообщило Рейтер, предлагает тематическое исследование ограничений машинного обучения. Он также служит уроком для растущего списка крупных компаний, включая Hilton Worldwide Holdings Inc HLT.N и Goldman Sachs Group Inc. GS.N, которые стремятся автоматизировать часть процесса найма.

Около 55 процентов U.Согласно опросу, проведенному в 2017 году фирмой CareerBuilder, занимающейся программным обеспечением для талантов, менеджеры по персоналу S. A. заявили, что искусственный интеллект или ИИ станет регулярной частью их работы в течение следующих пяти лет.

Работодатели давно мечтают об использовании технологий для расширения сети приема на работу и уменьшения зависимости от субъективного мнения кадровых агентств. Но компьютерные ученые, такие как Нихар Шах, преподающий машинное обучение в Университете Карнеги-Меллона, говорят, что впереди еще много работы.

«Как обеспечить справедливость алгоритма, как убедиться, что алгоритм действительно интерпретируем и объясним — это еще далеко», — сказал он.

MASCULINE LANGUAGE

Эксперимент Amazon начался в поворотный момент для крупнейшего в мире интернет-магазина розничной торговли. Машинное обучение набирало обороты в мире технологий благодаря резкому росту недорогих вычислительных мощностей. И отдел кадров Amazon собирался приступить к набору сотрудников: с июня 2015 года глобальная численность сотрудников компании увеличилась более чем втрое и составила 575 700 человек, согласно нормативным документам.

Таким образом, они создали команду в инженерном центре Amazon в Эдинбурге, которая выросла примерно до десятка человек.По словам людей, знакомых с этим вопросом, их целью было разработать ИИ, который мог бы быстро сканировать Интернет и выявлять достойных кандидатов на работу.

Группа создала 500 компьютерных моделей, ориентированных на конкретные функции и места работы. Они научили каждого распознавать около 50 000 терминов, которые использовались в резюме прошлых кандидатов. По словам людей, алгоритмы научились придавать мало значения навыкам, которые были общими для всех соискателей ИТ, например, умению писать различные компьютерные коды.

Вместо этого технология отдавала предпочтение кандидатам, которые описывали себя с помощью глаголов, которые чаще встречаются в резюме мужчин-инженеров, таких как «казнен» и «схвачен», — сказал один человек.

Гендерная предвзятость была не единственной проблемой. По словам людей, проблемы с данными, которые лежали в основе суждений моделей, означают, что неквалифицированных кандидатов часто рекомендовали на любую работу. По их словам, из-за того, что технология возвращала результаты почти наугад, Amazon закрыла проект.

ПРОБЛЕМА ИЛИ ЛЕЧЕНИЕ?

Другие компании продвигаются вперед, подчеркивая стремление работодателей использовать ИИ для найма на работу.

Кевин Паркер, исполнительный директор HireVue, стартапа недалеко от Солт-Лейк-Сити, сказал, что автоматизация помогает компаниям выйти за рамки тех же сетей найма, на которые они давно полагаются. Его фирма анализирует речь и выражения лиц кандидатов в видео-интервью, чтобы не полагаться на резюме.

«Вы не вернулись в прежние места, вы не вернулись только в школы Лиги плюща», — сказал Паркер. Среди клиентов его компании Unilever PLC ULVR.L и Hilton.

Goldman Sachs создал собственный инструмент анализа резюме, который пытается сопоставить кандидатов с тем подразделением, в котором они будут «лучше всего подходить», заявили в компании.

Microsoft Corp. MSFT.O LinkedIn, крупнейшая в мире профессиональная сеть, пошла дальше. Он предлагает работодателям алгоритмическое ранжирование кандидатов на основе их соответствия вакансиям на своем сайте.

Тем не менее, Джон Джерсин, вице-президент LinkedIn Talent Solutions, сказал, что эта служба не заменяет традиционных рекрутеров.

«Я бы определенно не стал доверять сегодняшней системе искусственного интеллекта самостоятельно принимать решение о найме», — сказал он. «Технология еще не готова.

Некоторые активисты говорят, что их беспокоит прозрачность ИИ. Американский союз гражданских свобод в настоящее время оспаривает закон, разрешающий уголовное преследование исследователей и журналистов, которые тестируют алгоритмы найма веб-сайтов на предмет дискриминации.

«Мы все больше сосредотачиваемся на алгоритмической справедливости как проблеме», — сказала Рейчел Гудман, штатный поверенный Программы расовой справедливости в ACLU.

Тем не менее, Гудман и другие критики искусственного интеллекта признали, что подать в суд на работодателя из-за автоматического найма может быть чрезвычайно сложно: кандидаты на вакансии могли никогда не узнать, что это использовалось.

Что касается Amazon, компании удалось спасти часть того, что она извлекла из неудачного эксперимента с ИИ. Теперь он использует «сильно разбавленную версию» механизма набора персонала, чтобы помочь с некоторыми рудиментарными делами, включая удаление дубликатов профилей кандидатов из баз данных, сказал один из людей, знакомых с проектом.

Другой сообщил, что в Эдинбурге сформирована новая команда, чтобы еще раз попробовать автоматизированный скрининг трудоустройства, на этот раз с упором на разнообразие.

Отчетность Джеффри Дастин из Сан-Франциско; Редактирование Джонатана Вебера и Марлы Дикерсон

Предотвращают ли алгоритмы найма предвзятость или усиливают ее, и как это исправить? > Новости поиска и найма

В некоторых кругах эти алгоритмы приобретают имидж «беспристрастной заинтересованной стороны» в процессе найма.Часто менеджеры предполагают, что, поскольку программное обеспечение лишено эмоций (в отличие от людей), их использование будет означать полное устранение личностно-мотивированных предубеждений в процессе найма.

Любое приложение AI (искусственного интеллекта) или машинного обучения (ML) учится на существующих данных, передаваемых в него. Это вызывает такие опасения, как усиление ранее существовавшей предвзятости в данных, из-за чего менеджеры по найму подходят к ним с осторожностью.

Эксперимент Amazon по подбору персонала на основе искусственного интеллекта был отменен после того, как он начал штрафовать резюме , которые включали термин «женские» или названия женских колледжей.По сути, программа научилась предпочитать резюме кандидатов-мужчин резюме кандидатов-женщин.

Еще одно исследование , , проведенное Национальным бюро экономических исследований (NBER), доказало расположение рынка к белым именам (таким как «Эмили» или «Грег»), которые получили больше отзывов на собеседованиях, чем черные имена (например, «Лакиша»). и «Джамал»).

Это вызывает вопросы о том, как работают эти алгоритмы.

Работа алгоритмов найма

Алгоритмы найма — это широкий термин, обозначающий алгоритмы, которые используются досками по трудоустройству, сайтами найма или инструментами оценки резюме.Алгоритмы находят свое место на протяжении всего цикла приема на работу.

Эти системы найма имеют свои преимущества . Однако задокументированное усиление предвзятости только затрудняет доверие менеджерам по найму.

Чтобы понять, как преодолеть эти предубеждения, мы должны изучить, как они вносят предвзятость на каждом этапе.

Смещение в алгоритмах поиска источников

Доски вакансий привлекают рекрутеров для размещения рекламы на своей платформе, обещая более широкий охват и эффективное расходование бюджета найма.

Они распространяют описания должностей на своей платформе, используя алгоритмы прогнозирования. Этот процесс объявления вакансии вводит первый уровень предвзятости.

Эти советы направлены на оптимизацию рекламных расходов. Они рекламируют вакансии на основе того, кто, скорее всего, нажмет на объявление о вакансии, а не на основе соответствия кандидату вакансии. Они заимствуют логику распространения рекламы из реальных данных, и именно здесь они обнаруживают предвзятость.

Например, если реальные данные отражают структуру чернокожих кандидатов, претендующих на низкооплачиваемую работу, та же модель будет использоваться для распространения рекламы.Большинство объявлений о вакансиях с низкими доходами будет показано чернокожим кандидатам. Это лишает более квалифицированных чернокожих кандидатов места с высокими доходами.

Реальные предубеждения больше повторяются, чем содержатся в этом процессе. И рекрутеры не могут это контролировать; часто они даже не подозревают об этом.

Некоторые доски объявлений о вакансиях или сайтов шаблонов резюме заявляют, что персонализация является их главной особенностью. Они учатся на предпочтениях рекрутера, когда с течением времени реагируют на профили кандидатов для конкретных должностей. Это делает их очень похожими на Facebook, потому что они повторяют те предубеждения, которые наблюдаются в поведении рекрутеров

Если рекрутер подсознательно связывает определенные хобби, образовательные выборы или имена с определенной группой, эта закономерность подбирается, воспроизводится и, наконец, отражается в профиле кандидата, который видит рекрутер.

Таким образом, инструменты поиска влияют на видимость вакансий, отражая реальные предубеждения.

Смещение в алгоритмах выбора

В процессе отбора менеджеры по найму часто используют «выбивающие» вопросы, исходя из основного характера требований к должности, но могут выходить за рамки описания должности.Эти вопросы поступают непосредственно от самих рекрутеров и не проверяются на предвзятость. Даже включенные в короткий список кандидаты не могут пройти дальше, если предубеждение рекрутера проявляется до или после разговора с кандидатом.

Некоторые инструменты используют машинное обучение (ML), чтобы в некоторой степени обойти эту межличностную предвзятость. Даже в этом случае эти инструменты учатся на прошлых данных отбора, которые, как и следовало ожидать, часто пахнут расовыми или сексуальными предрассудками.

Фактически, эти алгоритмы на основе машинного обучения работают против самой цели программ разнообразия и инклюзивности, направленных на устранение этого предубеждения.

Более сложные инструменты используют такие факторы, как продолжительность жизни, производительность, продуктивность, отсутствие дисциплинарных мер или частая смена работы, для прогнозирования успеха кандидата «на рабочем месте».

Поскольку эти меры регулируются государством в США, поставщики услуг оценки должны доказать, как они устраняют предвзятость в своих алгоритмах. Эти шаги представляют собой не что иное, как субъективные оценки внутри компании, что является еще одним источником предвзятости, просачивающейся в процесс найма.

Обход этих мер означает оправдание использования алгоритмов (дающих несправедливые результаты) конкретными деловыми интересами.

Как убрать предвзятость в алгоритмах найма

Первый шаг к устранению предвзятости, вносимой или усиливаемой алгоритмами найма, — это отказаться от идеи, что эти алгоритмы безупречны. Чтобы построить лучший процесс в будущем, вы должны смотреть на положительные и отрицательные результаты несправедливых алгоритмов найма.

Итак, как могут рекрутеры, которые полагаются на алгоритмы найма, по-прежнему делать его справедливым и беспристрастным?

1. Добавьте разнообразный набор данных в алгоритм найма

Как мы уже знаем, алгоритмы найма не действуют в одиночку. Алгоритмы найма оптимизируют результаты для доминирующей группы в пределах своих входных наборов данных. Если их результаты указывают на предвзятость, то данные, которые им были переданы, должны содержать такую ​​же предвзятость, хотя и в меньшей степени.

Чтобы исключить предвзятость в результатах, необходимо исключить его из вводимых в него данных.Используйте более разнообразный набор данных для обучения алгоритму найма на основе ИИ.

Если у вас нет разнообразного набора данных, вы можете обучить свой ИИ оптимизировать для недостаточно представленных факторов второстепенных или второстепенных групп. Если ваши резюме ограничены определенным географическим положением, используйте названия женских колледжей в этом городе / штате / регионе. При оптимизации против расовых предубеждений научите свой ИИ уделять больше внимания небелым именам.

Если у вас есть разнообразный набор данных, но доминирующие группы все еще могут указывать на смещение, измените определение доминирующих групп для вашего алгоритма ИИ.Подайте им модели данных, которые сосредоточены на других факторах, представляющих неосновные группы.

2. Сделайте свою команду сотрудников более разнообразной

Поскольку ИИ имеет тенденцию следовать за реальным миром, а не улучшать его, сделайте свой набор сотрудников и команды ИИ более разнообразными. Не только люди, различающиеся по половому или расовому признаку, нанимают людей с нетрадиционным профессиональным образованием. Это включает в себя привлечение креативщиков, лингвистов, социологов и увлеченных людей из других слоев общества в ваш искусственный интеллект и команду найма.

Сосредоточение внимания на разнообразной команде профессионалов может по-прежнему не учитывать лучших сотрудников, если вы полагаетесь на устаревшие показатели успеха, такие как обязательная квалификация. Чтобы создать действительно разнообразную команду, откройте прием на работу для кандидатов с неакадемическим опытом, сосредоточив внимание на более широком наборе навыков.

Часто небольшие стартапы могут не иметь ресурсов для капитального ремонта процесса найма. В таких случаях подумайте о пополнении своих сотрудников сотрудниками из другого, более разнообразного агентства. Убедитесь, что вы следуете передовой практике по увеличению штата на протяжении всего вашего взаимодействия.

Для долгосрочной устойчивости таких инициатив рассмотрите возможность разработки программ обучения, которые помогут разным кандидатам интегрироваться в ваши команды по найму и ИИ.

3. Отслеживайте результаты ИИ вашего алгоритма найма на всех этапах

Перед тем, как перейти к теме найма на основе искусственного интеллекта, поговорите с поставщиком указанного программного обеспечения для найма и попросите его объяснить процесс. Если они ссылаются на проблемы с IP, или если они не хотят делиться своим алгоритмом, попросите их провести тест.

Внимательно ознакомьтесь с существующими смещениями в вашем выборочном наборе данных, прежде чем вводить их в инструмент.

Если вы уже используете такой инструмент найма (собственный или сторонний), наймите аудитора для тестирования вашего программного обеспечения. Вы также можете самостоятельно проверить результаты, ища ранее незамеченные тенденции среди выбранных и отклоненных пулов кандидатов.

Эти аудиты помогут вам понять масштаб, глубину и частоту переобучения, необходимого для устранения отраженных в нем потенциальных предубеждений.

Заключительные слова

Идеальным решением была бы система сквозной проверки предвзятости, направленная на устранение предвзятости во всем процессе приема на работу — от поиска до отбора. Это требует поддержки всех заинтересованных сторон. Только если вы рассмотрите побочные эффекты использования этих алгоритмов, вы можете создать план, который решает основные проблемы.

Исследователи считают, что даже в алгоритмах «справедливого» найма могут быть ошибки

Алгоритмы ранжирования

широко используются на таких платформах найма, как LinkedIn, TaskRabbit и Fiverr.Поскольку они склонны к предвзятости, многие из этих платформ предприняли шаги, чтобы обеспечить их справедливость, сбалансированность и предсказуемость. Но, согласно исследованию исследователей, связанных с Гарвардом и Техническим университетом Берлина, которые изучали влияние «справедливых» алгоритмов ранжирования на гендер, даже якобы искаженные алгоритмы ранжирования непоследовательно относятся к определенным кандидатам.

Исследователи специально рассмотрели алгоритмы, используемые на TaskRabbit, торговой площадке, которая подбирает пользователей для таких задач, как уборка, переезд и доставка. Как они отмечают в документе, описывающем свою работу, TaskRabbit использует алгоритмы ранжирования для сортировки доступных работников и создания ранжированного списка кандидатов, подходящих для данной задачи. Поскольку это напрямую влияет на средства к существованию, если лежащие в основе алгоритмы смещены, они могут отрицательно повлиять на недопредставленные группы. Эффект может быть особенно острым в таких городах, как Сан-Франциско, где гигантами чаще всего становятся цветные люди и иммигранты.

Соавторы из Гарварда изучали, как предубеждения — особенно гендерные — проникают в TaskRabbit и влияют на решения о найме в реальном мире.Для этого они проанализировали различные источники предвзятости, включая типы алгоритмов ранжирования, контекст работы и присущие работодателям предубеждения, которые взаимодействуют друг с другом.

Исследователи провели опрос 1079 человек, набранных через Amazon Mechanical Turk, с использованием реальных данных TaskRabbit. Каждый респондент выступал в роли «доверенного работодателя», необходимого для отбора кандидатов, чтобы помочь им с тремя различными задачами, а именно с покупками, укомплектованием персоналом для мероприятий и помощью при переезде. С этой целью новобранцам был показан список из 10 ранжированных кандидатов для каждой задачи и их попросили выбрать 4 лучших в каждом случае.Затем им были предоставлены ранжированные списки, сгенерированные одним из трех алгоритмов ранжирования — один, который ранжировал кандидатов случайным образом (RandomRanking), второй, который ранжировал кандидатов на основе их оценок TaskRabbit (RabbitRanking), и «справедливый» алгоритм ранжирования (FairDet-Greedy) — или версии алгоритмов, которые меняли пол кандидатов с мужского на женский и наоборот.

В своем анализе исследователи обнаружили, что, хотя алгоритмы справедливого ранжирования, такие как FairDet-Greedy, помогают увеличить количество нанятых недостаточно представленных кандидатов, их эффективность ограничена условиями работы, в которых работодатели отдают предпочтение определенному полу.Респонденты с меньшей вероятностью выбирали женщин для переезда на работу по сравнению, например, с мужчинами, и с меньшей вероятностью нанимали мужчин для персонала мероприятий, чем женщины.

Исследователи также сообщают, что, по их мнению, справедливое ранжирование более эффективно, когда недопредставленные кандидаты (например, женщины) похожи на тех, кто представлен слишком далеко (например, мужчины). Но они также обнаружили, что справедливое ранжирование неэффективно для увеличения представительства, когда работодатели пытаются представить «демографический паритет», то есть когда они активно пытаются, но иногда не могут сделать разнообразный выбор.

«Наше исследование показывает, что справедливое ранжирование может успешно расширить возможности, доступные недостаточно представленным кандидатам. Однако мы обнаружили, что эффективность справедливого ранжирования непостоянна в зависимости от условий работы и характеристик кандидата, что позволяет предположить, что этого может быть недостаточно для увеличения результатов репрезентации во всех условиях », — пишут исследователи. «Мы надеемся, что эта работа представляет собой шаг к лучшему пониманию того, как алгоритмические инструменты могут (или не могут) уменьшить гендерную предвзятость при приеме на работу. ”

Предвзятость в алгоритмах найма не является чем-то новым — в недавнем примере Amazon отказалась от системы набора персонала, которая показала явную предвзятость в отношении женщин. Но это становится все более актуальным в свете того факта, что все больше компаний, включая Hilton и Goldman Sachs, стремятся автоматизировать отдельные части процесса найма. Фактически, около 55% менеджеров отдела кадров США заявили, что ИИ станет регулярной частью их работы в течение следующих пяти лет, согласно опросу 2017 года, проведенному компанией CareerBuilder, занимающейся программным обеспечением для талантов.

В отчете Brookings Institution предлагается несколько подходов к уменьшению предвзятости в алгоритмах, используемых при найме на работу, включая определение диапазона входных данных модели, которые могут быть предсказуемыми для всей популяции, и разработку различных наборов данных, содержащих примеры успешных кандидатов из самых разных слоев общества. Но в отчете также отмечается, что эти шаги не обязательно могут быть предприняты путем снижения уровня модели.

«Алгоритмический прием на работу приносит новые обещания, возможности и риски. В отсутствие контроля алгоритмы могут закрепить те же предубеждения и дискриминацию, которые присутствуют в существующей практике найма », — говорится в отчете Брукингса.«Существующие правовые средства защиты от дискриминации при приеме на работу действительно применяются при использовании этих алгоритмических инструментов; однако алгоритмы поднимают ряд нерешенных вопросов политики, которые требуют дальнейшего внимания ».

VentureBeat

Миссия VentureBeat — стать цифровой городской площадью, где лица, принимающие технические решения, могут получить знания о трансформирующих технологиях и транзакциях. На нашем сайте представлена ​​важная информация о технологиях и стратегиях обработки данных, которая поможет вам руководить своей организацией.Мы приглашаем вас стать членом нашего сообщества, чтобы получить доступ:

• актуальная информация по интересующей вас тематике
• наши информационные бюллетени
• закрытый контент для лидеров мнений и доступ со скидкой к нашим ценным мероприятиям, таким как Transform
• сетевых функций и многое другое

Стать членом

Нью-Йорк предлагает алгоритмы регулирования, используемые при найме

В 1964 году Закон о гражданских правах запретил людям, принимавшим решения о приеме на работу, проводить дискриминацию по признаку пола или расы. Теперь программное обеспечение часто способствует принятию решений о найме, помогая менеджерам просматривать резюме или интерпретировать видео-интервью.

Это беспокоит некоторых технических экспертов и группы по гражданским правам, которые приводят доказательства того, что алгоритмы могут воспроизводить или усиливать предубеждения, проявляемые людьми. В 2018 году агентство Reuters сообщило, что Amazon отказалась от инструмента, фильтрующего резюме на основе прошлых моделей найма, поскольку он дискриминировал женщин.

Законодательство, предложенное городским советом Нью-Йорка, направлено на обновление правил дискриминации при найме на работу в эпоху алгоритмов.Законопроект требует, чтобы компании сообщали кандидатам, когда они были оценены с помощью программного обеспечения. Компании, которые продают такие инструменты, должны будут проводить ежегодные аудиты, чтобы убедиться, что их технология сортировки людей не дискриминирует.

Это предложение является частью недавнего движения на всех уровнях правительства по наложению юридических ограничений на алгоритмы и программное обеспечение, которые определяют судьбоносные решения, которые могут перейти на новый уровень, когда демократы возьмут под контроль Белый дом и обе палаты Конгресс.

Более дюжины городов США запретили государственное использование распознавания лиц, а штат Нью-Йорк недавно ввел двухлетний мораторий на использование этой технологии в школах. Некоторые федеральные законодатели предложили закон, регулирующий алгоритмы распознавания лиц и автоматизированные инструменты принятия решений, используемые корпорациями, в том числе при найме на работу. В декабре 10 сенаторов обратились в Комиссию по равным возможностям трудоустройства с просьбой выявить предвзятое отношение к инструментам найма ИИ, заявив, что они опасаются, что технология может усугубить расовое неравенство в сфере занятости и повредить экономическому восстановлению от Covid-19 в маргинализированных сообществах.Также в прошлом году в Иллинойсе вступил в силу новый закон, требующий согласия перед использованием видеоанализа кандидатов на работу; аналогичный закон Мэриленда ограничивает использование технологии анализа лиц при приеме на работу.

Законодатели больше склонны говорить о регулировании новых алгоритмов и инструментов ИИ, чем о реализации таких правил. Спустя несколько месяцев после того, как Сан-Франциско запретил распознавание лиц в 2019 году, ему пришлось внести поправки в постановление, поскольку оно непреднамеренно сделало принадлежащие городу iPhone незаконными.

Предложение города Нью-Йорка, выдвинутое членом совета Демократической партии Лори Камбо, потребует от компаний использования так называемых автоматизированных инструментов принятия решений о приеме на работу, чтобы помогать отбирать кандидатов или определять такие условия, как компенсация, за раскрытие информации об использовании технологии.Поставщики такого программного обеспечения должны будут ежегодно проводить «аудит предвзятости» своих продуктов и предоставлять результаты клиентам.

«Это заставит людей раскрыть, что они были оценены как машиной, так и человеком».

Юлия Стоянович, директор Центра ответственного ИИ, NYU

Предложение встречает сопротивление со стороны некоторых необычных союзников, а также нерешенные вопросы о том, как оно будет действовать. Эрик Эллман, старший вице-президент по государственной политике в Consumer Data Industry Association, которая представляет фирмы, занимающиеся проверкой кредитоспособности и биографии, говорит, что закон может сделать прием на работу менее справедливым, возложив новое бремя на компании, которые проводят проверку данных от имени работодателей.Он утверждает, что такие проверки могут помочь менеджерам преодолеть нежелание нанимать людей из определенных демографических групп.

Некоторые группы гражданских прав и эксперты AI также выступают против законопроекта — по разным причинам. Альберт Фокс Кан, основатель проекта по надзору за технологиями видеонаблюдения, организовал письмо от 12 групп, включая NAACP и Институт AI Now при Нью-Йоркском университете, с протестом против предложенного закона. Кан хочет регулировать технологию найма, но он говорит, что предложение Нью-Йорка может позволить программному обеспечению, которое увековечивает дискриминацию, штамповать как прошедшее аудит справедливости.

Кан хочет, чтобы любой закон дал более широкое определение охватываемой технологии, не позволял поставщикам решать, как проводить аудит их собственных технологий, и позволял отдельным лицам подавать иски для обеспечения соблюдения закона. «Мы не видели каких-либо значимых форм принуждения к дискриминации, которая нас беспокоит», — говорит он.

У других есть опасения, но они все еще поддерживают предложение Нью-Йорка. «Я надеюсь, что закон будет принят», — говорит Юлия Стоянович, директор Центра ответственного ИИ при Нью-Йоркском университете.«Я также надеюсь, что он будет пересмотрен».

Как работают алгоритмы рекрутинга?

Когда возникает тема искусственного интеллекта (ИИ), возникают две разные стороны. Одна сторона считает, что эти технологии нужно развивать осторожно, чтобы мы не оказались в каком-то неминуемом апокалипсисе а-ля Матрица или Терминатор. Другой не верит в эту точку зрения и считает, что нам нечего опасаться новейших технологий, которые позволяют нам делегировать самые рутинные задачи машинам. И последняя точка зрения, кажется, касается всех секторов бизнеса .

Как и все остальное, область цифрового рекрутинга расширяется, несмотря на то, что процесс трудоустройства в значительной степени связан с эмоциональными навыками через людей, а не с прагматизмом через роботов. Фактически, несколько компаний сделали своим основным бизнесом продвижение эффективных технологических решений для найма, поиска идеального человека для заполнения вакансии или помощи сужению выбора на основе резюме.

Эти решения заманчивы для HR-отделов, потому что плохо рассчитанный прием на работу может дорого обойтись компаниям. Согласно последнему изданию Tilkee своего барометра привычек рекрутеров, рекрутер в настоящее время тратит в среднем 34 секунды на чтение резюме — на 21% меньше времени, чем в 2017 году, — что заставляет нас задаться вопросом, что алгоритм может сделать за 34 секунды.

Как работает технология?

Merriam-Webster определяет алгоритм как — процедуру решения математической задачи за конечное число шагов, которая часто включает повторение операции . Другими словами, мы должны представить маленького виртуального робота , который может применять с феноменальной скоростью правила, запрограммированные одним человеком, для выполнения задачи, выполнение которой у другого человека заняло бы гораздо больше времени. Затем мы добавляем измерение «машинное обучение» к этому определению и, в более широком смысле, к измерению ИИ. С этого момента наш маленький робот теперь может использовать опыт своей работы для создания новых правил для дальнейшего и более быстрого продвижения, как это делают люди, только на гораздо более эффективном уровне.Здесь мы будем говорить о прогнозной аналитике , используемой при найме на работу, где алгоритмы используются для прогнозирования будущей производительности сотрудников в их новых компаниях , и мы также будем различать поиск, фильтрацию и сопоставление алгоритмы.

Алгоритмы поиска

Они настроены для поиска в Интернете идеальных кандидатов на любую заданную работу. Они работают так же, как приложения для знакомств: компания перечисляет навыки, которые они ищут, а затем программное обеспечение использует алгоритм для анализа тысяч онлайн-резюме через LinkedIn или общедоступные базы данных.Выделяют наиболее совместимые и отправляют в отдел кадров. Все, что нужно сделать HR сейчас, — это связаться с людьми из списка. На рынке появляется все больше и больше подобных решений, таких как Yatedo Talent, которая позиционирует себя как « Google по подбору персонала. ”

Алгоритмы фильтрации

После того, как максимальное количество резюме собрано (алгоритмом поиска или HR), пора алгоритму фильтрации выполнить свою работу. Как следует из названия, они действуют как начальный фильтр .Они используют гипотезу соответствия в качестве первого фильтра и отправляют только самые квалифицированные профили лицу, отвечающему за набор. В этих условиях алгоритм не только анализирует информацию о резюме, но и расшифровывает используемую семантику путем экстраполяции оборотов фраз и слов, цель состоит в том, чтобы глубже изучить анализ кандидатов.

AssessFirst, компания, предлагающая решения для прогнозирующего найма, делает шаг вперед: на основе трех определяемых ими поведенческих критериев система ИИ может определить степень совместимости между кандидатом и будущим руководителем .

Алгоритмы сопоставления

Алгоритмы поиска и фильтрации были созданы, чтобы помочь службам набора персонала выполнять свою работу, но платформы алгоритмов сопоставления, такие как ZipRecruiter, функционируют как поисковая машина для людей, ищущих работу . Кандидаты публикуют свое резюме, которое затем анализируется с помощью прогнозного анализа, чтобы найти вакансии, которые лучше всего соответствуют навыкам, указанным в их резюме.

ZipRecruiter предлагает открытые вакансии через алгоритм, и кандидат может выбирать из различных компаний.Но компании также участвуют, так как они будут получать отобранных кандидатов по тому же алгоритму, что улучшает классический процесс найма.

Преимущества использования AI

Лучшая оперативность для соискателей

Барометр Тилки также утверждает, что в среднем рекрутеру требуется 44 часа, чтобы связаться с кандидатом — довольно простой рекорд для программного обеспечения, которое может обрабатывать данные с феноменальной скоростью . Это более быстрое средство реагирования — ключевая добавленная стоимость для компаний — по крайней мере, когда речь идет о первоначальном контакте.С помощью этой технологии стопку резюме можно обработать до совершенства всего за несколько секунд, одновременно уменьшив вероятность ошибки.

Диапазон возможностей

На этапе поиска работы часто трудно представить себе реальную работу. Проще выбрать легкий выход и ограничиться позициями, которые, по нашему мнению, больше соответствуют нашим желаниям и нашим навыкам. Алгоритм сопоставления может быть полезен для соискателей, поскольку, анализируя их резюме на более глубоком уровне, ИИ может предлагать вакансии, которые они не рассматривали бы, и, таким образом, открывает ряд возможностей.В конечном итоге в предложениях о работе выбираются лучшие профили, а не наоборот.

Интервью более высокого качества

Для предприятий алгоритмы могут предоставить информацию, выходящую за рамки того, что кто-то написал в своем резюме. Ранее мы говорили о семантическом анализе, который является сложной задачей для человека, который не обучен, и даже если он обучен, предел ошибки будет слишком велик. Напротив, алгоритм становится более быстрым и эффективным после анализа каждого резюме.

Данные, которые можно извлечь с помощью семантических инструментов, могут предоставить дополнительную информацию о личности кандидата и его опыте, в зависимости от использования формулировок и технических терминов. На той же основе ИИ может легко выявлять проблемы с датами или местоположениями, которые человек может не обнаружить. Это облегчает компании организацию личного собеседования и подготовку более конкретных вопросов для соискателя. В целом, первый контакт будет проходить более плавно .

Ответ на дискриминацию?

На первый взгляд, доверие машине выполнять первоначальную сортировку кандидатов кажется обнадеживающим: машина не является расистской по своей природе.Он анализирует данные в чистом виде. Он устанавливает флажки и отправляет положительный или отрицательный ответ. Этого должно быть достаточно, чтобы успокоить всех, кто занимается наймом, не так ли? На самом деле, все не так просто, и не все хорошо в мире прогнозной аналитики.

Почему алгоритмы все еще далеки от безошибочности

Дискриминационный алгоритм Amazon

Дискриминация при найме на работу, даже когда машины выполняют важную работу по фильтрации, все еще присутствует.Хотя алгоритм по своей природе лишен мыслей, стереотипов и предрассудков, факт остается фактом: его конфигурация выполняется руками человека. В 2014 году Amazon начала изучать, может ли ИИ помочь отсортировать людей, претендующих на работу в компании. К следующему году стало ясно, что алгоритм одобряет только резюме, присланное мужчинами. Этот неожиданный результат позже был объяснен тем фактом, что система рассматривала заявки за предыдущие 10 лет, период, в течение которого мужчины доминировали в технологической индустрии, поэтому математические расчеты сделали вывод, что мужчины были более подходящими для этого типа. позиции.

Ошибка не имела ничего общего с каким-либо злым умыслом со стороны человека, настроившего алгоритм, но подчеркнула сложность построения идеального алгоритма (и слепого доверия ему). В 2017 году Amazon свернула проект и вернулась к традиционным методам найма, отложив использование прогнозной аналитики для найма на более позднее время.

Эффект имитации

Прогнозная аналитика, дискриминирующая кандидатов на вакансию по их полу, не является повсеместной проблемой; это было специфично для Amazon и алгоритма, который они построили.Самая распространенная ошибка ИИ, которая не является уникальной для мира вербовки, — это эффект имитации .

Обычно для настройки алгоритма набора кадров отдел кадров вводит текущую информацию о сотрудниках, чтобы алгоритм мог построить профили идеальных кандидатов, которые соответствуют ценностям и духу компании. Это используется в надежде уменьшить количество ошибок при приеме на работу кого-то, чей профиль не соответствует идеалу компании. В результате алгоритм будет отдавать предпочтение кандидатам, которые ближе к тому, что он считает лучшими профилями, и, следовательно, значительно сокращает разнообразие кандидатов .Естественно, это повлияет на разнообразие кандидатов с точки зрения опыта, навыков и личности.

Риск не увидеть целевые профили

Этот феномен «точной копии» не только снижает разнообразие внутри компании, но также имеет тенденцию игнорировать нетипичные профили, чьи резюме не отмечены правильно. Кандидату, выбравшему необычный карьерный путь, не повезет с первоначальной фильтрацией, если алгоритм основывает свои расчеты только на негибких параметрах, что потенциально лишает компанию человека с высоким потенциалом.С наибольшей вероятностью это испытают те, кто меняет профессию. Может произойти и обратное: профиль, в котором отмечены все флажки, может помочь, но ценности кандидата могут не совпадать с ценностями компании.

Алгоритмы, хотя и многообещающие, еще не готовы полностью заменить кадровых агентов. Даже с точки зрения искусственного интеллекта, прогнозная аналитика остается всего лишь инструментом, запрограммированным и настроенным человеком . Если этому человеку не хватает доброй воли или предусмотрительности, алгоритм может легко различать на разных уровнях.С другой стороны, если алгоритм создан правильно, он может оказаться бесценным на первых этапах процесса подачи заявки.

Хотя алгоритмы приема на работу в настоящее время используются предприятиями в качестве «самонаводящихся устройств» для нахождения идеального профиля среди большого объема полученных резюме, они имеют ограничения при попытке количественно оценить личность человека. Когда встает вопрос об оценке личных навыков квалифицированного специалиста, который хочет, чтобы его наняли на ключевую работу с очень высокой зарплатой, люди, вероятно, всегда должны участвовать.На самом деле, когда дело доходит до определения мягких навыков любого кандидата, нет ничего лучше эмоционального интеллекта, который технологии искусственного интеллекта в настоящее время не могут реализовать.

Рекрутинг уже перевернулся с помощью прогнозной аналитики, но определенные человеческие качества остаются лучшим средством для оценки социальных и эмоциональных качеств других . Алгоритмы остаются на уровне помощников, выполняющих скучные и трудоемкие задачи, но может случиться так, что мы не видели последний из них, и однажды они будут использоваться для сбора информации из наших социальных сетей для формирования более сложный взгляд на наши личности.Кто знает…?

Иллюстрация MarcelSinge

Перевод Мэри Вагоннер-Мориц

Подпишитесь на «Добро пожаловать в джунгли» на Facebook, чтобы каждый день видеть наши статьи в своей ленте!

Аудиторы проверяют алгоритмы приема на работу на предмет предвзятости, но остаются большие вопросы

ORCAA и HireVue сосредоточили свой аудит на одном продукте: оценке приема на работу HireVue, которую многие компании используют для оценки недавних выпускников колледжей. В данном случае ORCAA не проводила оценку технического дизайна самого инструмента.Вместо этого компания провела интервью с заинтересованными сторонами (включая соискателя вакансии, специалиста по этике ИИ и несколько некоммерческих организаций) о потенциальных проблемах с инструментами и дала HireVue рекомендации по их улучшению. Окончательный отчет публикуется на веб-сайте HireVue, но его можно будет прочитать только после подписания соглашения о неразглашении.

Алекс Энглер, научный сотрудник Брукингского института, изучавший инструменты найма ИИ и знакомый с обоими аудитами, считает, что Pymetrics — лучший вариант: «Существует большая разница в глубине проведенного анализа, — говорит он.Но, опять же, ни одна из проверок не касалась того, действительно ли продукты помогают компаниям лучше выбирать сотрудников. И оба финансировались проверяемыми компаниями, что создает «небольшой риск того, что на аудитора повлияет тот факт, что это клиент», — говорит Ким.

По этим причинам, говорят критики, добровольных аудитов недостаточно. Специалисты по анализу данных и эксперты по отчетности сейчас настаивают на более широком регулировании инструментов найма ИИ, а также стандартов для их аудита.

Заполнение промежутков

Некоторые из этих мер начинают появляться в США.Еще в 2019 году сенаторы Кори Букер и Рон Виден и представитель Иветт Кларк представили Закон об алгоритмической отчетности, чтобы сделать аудит предвзятости обязательным для любых крупных компаний, использующих ИИ, хотя закон не был ратифицирован.

Между тем на государственном уровне есть подвижки. Закон о видеоинтервью AI в Иллинойсе, который вступил в силу в январе 2020 года, требует, чтобы компании сообщали кандидатам, когда они используют AI в видеоинтервью. Города также принимают меры — в ноябре член городского совета Лос-Анджелеса Джо Бускайно предложил справедливое предложение о найме сотрудников на автоматизированные системы.

Законопроект Нью-Йорка, в частности, может служить образцом для городов и штатов по всей стране. Это сделает обязательными ежегодные аудиты для поставщиков автоматизированных инструментов найма. Также потребуется, чтобы компании, использующие эти инструменты, сообщали кандидатам, какие характеристики их система использовала для принятия решения.

Но вопрос о том, как на самом деле будут выглядеть эти ежегодные аудиты, остается открытым. Для многих экспертов аудит, подобный тому, что сделала Pymetrics, не зайдет очень далеко в определении того, различают ли эти системы, поскольку этот аудит не проверял пересечение и не оценивал способность инструмента точно измерять черты, которые, по его утверждению, измеряются. люди разных рас и полов.

.