Осознанный ИИ: Поэтапное внедрение в HR без лишних трат

Глава 3. Скрининг и отбор

Тот самый рекрутер из главы 1 — со ста двадцатью откликами на вакансию бизнес-аналитика, лежащими в очереди на полторы-две недели, — попробовал другой сценарий. Он загрузил все сто двадцать резюме в инструмент с ИИ-скорингом, задал требования вакансии как критерии, и через несколько минут получил не гору файлов, а список из пятнадцати имён, отсортированных по релевантности, с коротким объяснением по каждому: почему модель посчитала этого кандидата подходящим или нет. Полторы недели ожидания превратились в утро одного рабочего дня.

Ощущение, конечно, отличное. Но именно в этот момент — когда список кажется готовым и хочется просто взять топ-пять и назначить им звонки — начинается настоящая тема этой главы. Потому что список из пятнадцати имён — это не факт, а результат работы алгоритма, у которого есть свои сильные стороны и свои слепые зоны. И если довериться ему бездумно, можно случайно отсеять сильного кандидата или, что хуже, выстроить систему, которая систематически дискриминирует целые группы людей — незаметно для самого рекрутера.

Мы уже установили в главе 1, что скрининг резюме — одно из тех узких мест, которые съедают недели из общего time-to-fill, просто потому что у человека физически не хватает часов прочитать сотню откликов внимательно. С точки зрения принципа «ИИ эффективен там, где рутина, а не решение», скрининг — идеальный кандидат на автоматизацию: прочитать текст резюме и сопоставить его с формальными требованиями — это именно объём повторяющейся работы.

Но здесь есть важное отличие от того, что мы разбирали в главе 2 применительно к текстам вакансий и чат-ботам первого контакта. Там ошибка ИИ — это неудачная формулировка или неуместный ответ, который можно поправить или извинившись сгладить. Здесь ошибка ИИ — это конкретный человек, которого система молча вычеркнула из процесса, даже не узнав об этом. Скрининг — это точка, где рутинная задача незаметно перетекает в решение, влияющее на судьбу конкретного кандидата. Именно поэтому эта глава — не только про скорость, но и про то, где скорость нужно сознательно притормозить.

Начнём с той части, где ИИ действительно силён без всяких «но». Автопарсинг — это извлечение структурированных данных из неструктурированного текста резюме: опыт работы в годах, конкретные должности, упомянутые навыки и инструменты, образование, локация, ожидания по зарплате, если они указаны. Человеку, чтобы вытащить эти данные из ста двадцати разноформатных PDF-файлов, нужны часы. Языковая модель делает это за секунды на файл, и что важнее — делает это последовательно: не устаёт к сотому резюме, не начинает читать «по диагонали» к вечеру пятницы, как это неизбежно происходит с человеком.

Практическая польза здесь прямая. Вместо того чтобы рекрутер вручную сверял каждое резюме со списком из десяти требований вакансии, система делает это сопоставление автоматически и выдаёт результат в виде таблицы: кандидат — какие требования закрывает, какие не закрывает, какие данные отсутствуют или неясны. Это не решение «брать или не брать» — это структурирование информации, на основе которой решение принимать быстрее и точнее.

Важная деталь, о которой часто забывают: качество автопарсинга сильно зависит от качества исходного текста резюме. Если кандидат оформил документ нестандартно — в виде инфографики, с нетипичной структурой разделов, на языке, отличном от ожидаемого, — парсинг может ошибиться и потерять важную информацию. Это не гипотетический риск: нестандартно оформленные резюме нередко присылают именно нетипичные, но потенциально сильные кандидаты — те, кто пришёл в профессию через нестандартный путь. Здесь стоит закладывать в процесс простое правило: если система не смогла уверенно распарсить резюме (низкая «уверенность» в разборе, пустые обязательные поля), оно не отправляется автоматически в «отсев», а помечается для ручной проверки. Автопарсинг снимает рутину чтения, но не должен снимать ответственность за то, что происходит с теми, кого система не поняла.

Здесь стоит разделить два принципиально разных подхода, которые внешне выглядят похоже — оба выдают некий «балл» кандидату, — но работают совершенно по-разному и дают разное качество результата.

Скоринг по ключевым словам — более старый и до сих пор широко используемый в базовых ATS-системах подход. Система ищет в тексте резюме конкретные слова и фразы из описания вакансии и присваивает балл за каждое совпадение. Кандидат, который написал в резюме «SQL» — получает балл. Кандидат, который написал «работал с реляционными базами данных, писал запросы для выгрузки отчётности», но не упомянул слово «SQL» буквально, — не получает, хотя по сути обладает ровно тем навыком, который искали. Это создаёт два типа ошибок одновременно: ложные отсевы сильных кандидатов, которые просто иначе сформулировали свой опыт, и ложные пропуски слабых кандидатов, которые вписали в резюме модные слова, не имея реального опыта за ними.

Скоринг на основе современных языковых моделей работает иначе: он оценивает смысл, а не совпадение строк. Модель «понимает», что «писал запросы для выгрузки отчётности из реляционной базы» семантически близко к требованию «опыт работы с SQL», даже если буквального слова нет. Это резко снижает число ложных отсевов по формальному признаку формулировки.

Но здесь важно не впасть в другую крайность — представление, что смысловой скоринг автоматически «умнее» и «справедливее» просто потому, что он современнее. Смысловой скоринг тоже оценивает не реальные навыки человека, а то, насколько убедительно текст резюме описывает эти навыки. Кандидат, который умеет хорошо описывать свой опыт (или которому помогли с этим составлением текста — в том числе, иронично, тем же ИИ), получит более высокий балл, чем кандидат с таким же реальным опытом, но менее выразительным текстом. Формулировка навыков и сама квалификация — это не одно и то же, и ни один из двух подходов к скорингу это расхождение полностью не устраняет.

Практический вывод для рекрутера: смысловой скоринг — это лучший инструмент для первичной сортировки большого объёма, чем скоринг по ключевым словам, и в этом смысле его стоит предпочитать. Но результат в любом случае — это гипотеза о релевантности кандидата, которую предстоит проверить на следующих этапах воронки, а не окончательный вердикт.

Здесь начинается тема, которую нельзя пропускать, даже если очень хочется просто ускорить процесс и двигаться дальше. Модель скоринга — не абстрактный судья, который оценивает кандидатов «объективно». Она обучена на данных, и если эти данные отражают решения людей, принятые в прошлом, — модель с высокой вероятностью воспроизведёт логику этих решений, включая её предвзятости, только теперь в промышленном масштабе и без явного участия человека, который мог бы эту предвзятость осознать и остановить.

Механизм здесь довольно прозаичный. Если модель училась (напрямую или через размеченные данные, которые использовал разработчик инструмента) на исторических примерах «успешных найм в компании Х», а в прошлом в компании Х на определённые роли систематически нанимали выпускников конкретных университетов, людей определённого возраста или без длинных перерывов в карьере — модель усвоит эти закономерности как признаки «хорошего кандидата», даже если никто явно не просил её учитывать возраст или вуз. Классический и хорошо документированный в индустрии пример — системы скоринга, которые начинали занижать оценки резюме, где упоминались женские спортивные клубы или чисто женские учебные заведения, просто потому что в обучающих данных такие резюме реже соответствовали профилю «успешного найма» в технической компании с исторически мужским составом команды.

Особенно коварны пробелы в резюме — временные промежутки без официальной занятости. Модель, обученная на исторических данных, где кандидаты с длинными пробелами реже получали приглашения, будет занижать балл всем, у кого есть такой пробел, — не различая, стоит ли за этим декретный отпуск, забота о больном родственнике, смена профессии через переобучение или просто период целенаправленного поиска, а не признак ненадёжности. Формально возраст, пол или семейное положение в такой модели вообще не фигурируют как критерий — но результат оказывается практически идентичен прямой дискриминации по этим признакам, только скрытой за слоем статистических корреляций.

Отсюда прямо следуют юридические ограничения, о которых нужно знать заранее, а не постфактум. В большинстве юрисдикций трудовое законодательство запрещает дискриминацию по защищённым признакам (пол, возраст, инвалидность, национальность и ряд других) независимо от того, принял ли решение человек или алгоритм — юридическая ответственность за дискриминационный отбор лежит на компании, использующей инструмент, а не на его разработчике. Это означает, что «мы просто использовали инструмент, который так посчитал» не является защитой в случае претензии или судебного разбирательства. Компания обязана быть в состоянии объяснить, по каким критериям был произведён отбор, и по запросу показать, что эти критерии не коррелируют с защищёнными признаками — то есть алгоритм должен быть аудируемым, а не «чёрным ящиком», результатам которого просто доверяют.

Практический вывод здесь простой и не отменяет пользу от скоринга: относиться к нему как к инструменту первичной сортировки под присмотром человека, а не как к автономному фильтру. Random-проверка — регулярная ручная сверка выборки отсеянных резюме (а не только принятых) — должна быть встроена в процесс с самого начала, а не появляться как реакция на жалобу.

Вернёмся к рекрутеру со ста двадцатью резюме бизнес-аналитика и его списком из пятнадцати кандидатов после ИИ-скоринга. До внедрения скоринга ручной просмотр всех ста двадцати резюме занимал у рекрутера примерно шестнадцать часов чистого времени — то есть два полных рабочих дня, растянутых на полторы-две недели из-за параллельных задач. Итоговый список для звонков формировался почти интуитивно, без систематической сверки, и в среднем содержал восемь-десять кандидатов.

После внедрения смыслового скоринга: автопарсинг и ранжирование заняли около пятнадцати минут машинного времени, после чего рекрутер потратил ещё два часа не на сам скрининг, а на выборочную ручную проверку — просмотрел все пятнадцать кандидатов из топа модели, а также случайную выборку из двадцати резюме, которые модель оценила как нерелевантные, специально чтобы проверить качество отсева.

Результат проверки: из топ-15 четырнадцать кандидатов действительно выглядели релевантными при внимательном ручном чтении — модель ошиблась только в одном случае, переоценив кандидата, который упомянул нужные инструменты в контексте курса, а не реального проекта. Но в выборке из двадцати «отсеянных» резюме нашлись два кандидата с сильным реальным опытом, которых модель занизила: у одного была явная корреляция с длинным перерывом в карьере (полтора года ухода за ребёнком), у второго — нестандартно оформленное резюме в виде портфолио с ссылками, которое парсинг не смог корректно разобрать.

Итог: общее время рекрутера сократилось с шестнадцати часов до чуть более двух — почти восьмикратный выигрыш по скорости. Но без выборочной проверки отсеянных резюме двое сильных кандидатов были бы потеряны навсегда, а компания рисковала бы претензией по дискриминации хотя бы в отношении кандидата с перерывом на декрет. Скорость и качество отбора здесь не противоречат друг другу — но только при условии, что человек продолжает выборочно контролировать не только тех, кого алгоритм выбрал, но и тех, кого он отверг.

Заблуждение первое: «ИИ объективнее человека, потому что у него нет предрассудков». Это, пожалуй, самое опасное заблуждение во всей теме скрининга — именно потому что оно звучит логично. У модели действительно нет сознательных предрассудков в человеческом смысле. Но она обучена на данных, отражающих прошлые решения людей, и наследует статистические закономерности этих решений, включая дискриминационные, только без явного намерения и без возможности «одуматься» — потому что у алгоритма нет совести, которая могла бы среагировать на неловкость ситуации, как это иногда происходит у человека.

Заблуждение второе: «Раз это просто балльная система — можно доверять топ-10 без дополнительной проверки». Балл, который выдаёт модель, выглядит убедительно именно потому, что он числовой и кажется объективным измерением. Но, как мы разобрали выше, этот балл — продукт конкретной модели с конкретными данными обучения, а не физическая величина вроде температуры. Ровно то же самое численное представление результата подтолкнуло не одну компанию отключить критическое мышление там, где оно нужнее всего.

Скоринг сузил список кандидатов, но сам факт высокого балла ничего не говорит о том, подойдёт ли этот человек команде по стилю работы, культуре или тому, как он реагирует на нестандартные ситуации — а это уже не рутинная задача, а решение, которое, как мы договорились в главе 1, остаётся за человеком. Определить, кто из сокращённого списка на самом деле стоит приглашения на разговор, — задача следующего этапа воронки.

Прежде чем перейти туда, зафиксируйте практику в своей компании — небольшой чек-лист, который стоит пройти перед тем, как доверять ИИ-скорингу принимать решения за вас:

● Можете ли вы (или ваш поставщик инструмента) объяснить, на основе каких данных обучена модель скоринга, и есть ли в этих данных исторические решения вашей же компании?

Конец ознакомительного фрагмента.

Текст предоставлен ООО «Литрес».

Прочитайте эту книгу целиком, купив полную легальную версию на Литрес.

Безопасно оплатить книгу можно банковской картой Visa, MasterCard, Maestro, со счета мобильного телефона, с платежного терминала, в салоне МТС или Связной, через PayPal, WebMoney, Яндекс.Деньги, QIWI Кошелек, бонусными картами или другим удобным Вам способом.