O potencial da inteligencia artificial na gestão de recursos humanos

A inteligência artificial (IA) é inquestionavelmente uma ferramenta poderosa. Seu valor econômico está aumentando tremendamente e transformando inúmeras indústrias, tais como manufatura, fintech, medicina e automobilística. Trabalhadores em finanças e marketing têm muito sucesso usando tecnologias de inteligência artificial, enquanto os profissionais de recursos humanos acham bastante difícil integrá-los em suas práticas diárias.

Prasanna Tambe, Peter Cappelli e Valery Yakubovich afirmam em sua pesquisa: “Há diferenças sistêmicas e estruturais para o RH que tornam mais difícil, quando você está construindo um sistema baseado em IA.” [1]. Devido ao fato de que a qualidade e o poder explicativo do big data e da IA são limitados, eles ainda são considerados não convencionais nas áreas de RH e empregabilidade. Para se ter uma melhor compreensão desta matéria, é necessário considerar os problemas da IA em termos de ciência de dados na gestão de recursos humanos (GRH).

Existem três desafios principais nas práticas de RH quando se trata de ciência dos dados. A primeira questão é a falta de consistência na medida dos processos de RH ao longo do ciclo de vida dos colaboradores. Por exemplo, ao determinar qual candidato contratar ou escolher quem promover, é crucial registrar e analisar consistentemente quais critérios e habilidades foram os fatores decisivos no processo de contratação anterior.

O segundo problema com as práticas de HR é a limitação dos conjuntos de dados produzidos na HRM. Ao contrário de algumas áreas tais como marketing e finanças, onde muitos dados são gerados e facilmente coletados, a coleta de dados na GRH enfrenta grandes desafios em termos de quantidade e qualidade. Além disso, os dados na GRH são muitas vezes não estruturados (em papel, no Excel ou no formato PDF) e, consequentemente, difíceis de serem processados por um computador.

A última dificuldade refere-se a questões éticas relacionadas com o tratamento de dados. Os resultados das decisões de RH podem ter um impacto significativo na carreira de alguém. Portanto, é imperativo pensar sobre como a justiça e a transparência podem ser alcançadas. Além disso, também é crucial saber como os funcionários reagem aos resultados que se baseiam exclusivamente em algoritmos baseados em dados. Como declarou Morgan Hampton, da Tesla, “o recrutamento deve ser automatizado tanto quanto possível, a contratação deve permanecer humana”.

Levando em consideração essas três problemáticas na busca de soluções de IA, os gestores de RH devem focar nos seguintes aspectos para utilizar a IA mais efetivamente. Primeiramente, os gestores de RH precisam criar um processo de RH adequado que esteja pronto tanto para a era digital quanto para a tecnologia de IA.

Atualmente, as tecnologias de IA estão separadas, por exemplo, no recrutamento e aquisição de talentos, gestão de folha de pagamento e transações de auto-atendimento. No entanto, carecem de um mecanismo para gerar dados que possam auxiliar todo o processo de IA nas práticas de RH.

Os gestores de RH freqüentemente mantêm apenas as aplicações em que estão interessados e não mantêm aquelas que são excluídas. Isto leva a uma análise e conclusão unidimensional [1]. Todos esses critérios devem ser reunidos na coleta de dados e, eventualmente, ser avaliados para facilitar o desenvolvimento de modelos de big data e processos de IA.

Além disso, é também imperativo gerar dados de forma sustentável. Por exemplo, existem aplicações de IA que podem prever quais trabalhadores estão prestes a deixar seus empregos, e alguns até rastreiam pontos de dados das mídias sociais ou e-mails dos funcionários [2]. Se os funcionários estivessem cientes de tal sistema, eles provavelmente mudariam seu comportamento e deliberadamente produziriam dados enganosos.

No ano passado a história sobre a ferramenta de IA de recrutamento da Amazon ser tendenciosa contra as mulheres foi a prova de que aprendisagem de máquinas pode imitar as atitudes humanas. Gênero, no entanto, não é o único aspecto que é motivo de discriminação. Outros, como idade, nacionalidade ou etnia, também podem ter um impacto negativo, impedindo as empresas de contratações inclusivas e diversas. Os gestores de RH devem recolher cuidadosamente amostras de dados que sejam representativas e procurar soluções de IA explicáveis. As complexas redes neurais na aprendizagem profunda estão longe de serem auto-explicativas.

Até hoje, os critérios de dados standard que os gestores de RH deveriam respeitar ao longo do ciclo de prática de RH ainda não existem. Isto significa que os gestores de RH têm de se juntar ao departamento interno de TI da sua empresa ou a fornecedores externos de IA para determinar quais os dados a rastrear e como avaliar esses dados, a fim de estabelecer as melhores práticas de IA nas suas empresas.

Na JANZZ.technology acreditamos que a coleta e estruturação de dados é fundamental para a criação de dados inteligentes. A nossa ferramenta de análise extrai as entidades certas de papel, Excel ou PDF, garantindo um processamento de dados justo e completo desde o início. Quer saber mais sobre o nosso parser e como podemos ajudá-lo na sua jornada de transformação de IA? Por favor, escreva agora para sales@janzz.technology

 

 

[1]Prasanna Tambe, Peter Cappellli and Valery Yakubovich. 2019. Artificial intelligence in human resources management: Challenges and a path forward. URL:https://www.researchgate.net/profile/Peter_Cappelli/publication/328798021_Artificial_Intelligence_in_Human_Resources_Management_Challenges_and_a_Path_Forward/links/5c5edc7f299bf1d14cb7dc5f/Artificial-Intelligence-in-Human-Resources-Management-Challenges-and-a-Path-Forward.pdf [2019.10.20]

[2] Samantha Mclaren. 2019. Here’s how IBM predicts 95% of its turnover using data. URL:https://business.linkedin.com/talent-solutions/blog/artificial-intelligence/2019/IBM-predicts-95-percent-of-turnover-using-AI-and-data[2019.10.20]

JANZZ.technology oferece IA (Inteligência Artificial) explicável

Ao longo da última década, graças à disponibilidade de grandes conjuntos de dados e ao poder de computação mais avançado, a aprendizagem de máquina (ML), especialmente os sistemas de aprendizagem profunda, realizaram uma melhoria significativa. No entanto, o sucesso dramático do ML nos cegou e nos levou a tolerar o processo de aplicação de Inteligência Artificial (IA). Devido a seus sistemas cada vez mais autônomos, as máquinas são atualmente incapazes de esclarecer seus usuários sobre suas decisões e ações.

Hoje em dia, a maioria das AIs são feitas por empresas privadas que se certificam de manter o seu processamento de dados em segredo. Além disso, muitas empresas empregam redes neuronais tão complexas em tecnologias de IA que não há nenhuma explicação fornecida sobre como elas obtêm certos resultados.

Tal sistema pode não ter grandes consequências quando, por exemplo, prevêem erroneamente o próximo destino de viagem dos seus clientes. Mas se tivesse um impacto nos veículos autónomos, nos diagnósticos médicos, no processo de decisão ao fazer uma apólice ou mesmo no trabalho de alguém? Seria difícil concordar cegamente com o processo de tomada de decisão de um sistema se as consequências fossem como tal.

No início deste ano, a Organização para a Cooperação e Desenvolvimento Econômico (OCDE) apresentou seus princípios sobre a IA com o objetivo de promover a inovação e a confiabilidade. Um dos cinco princípios complementares baseados em valores para a gestão responsável de uma IA confiável é que “deve haver transparência e divulgação responsável em torno dos sistemas de IA para garantir que as pessoas entendam os resultados baseados em IA e possam desafiá-los”. [1]

Explicáveis IA (XAI) tem surgido recentemente no campo da aprendizagem de máquina para abordar a questão de decisões “caixa preta” dos sistemas de IA. Atualmente, a maioria dos algoritmos usados para ML não pode ser compreendido pelos seres humanos em termos de como e por que uma decisão foi tomada, como mencionado acima. Do mesmo modo, estes são bastante difíceis de diagnosticar por erros e vieses. Este é especialmente o caso da maioria dos algoritmos populares em abordagens de redes neuronais de aprendizagem profunda. [2]

Consequentemente, numerosas partes regulatórias, incluindo a OCDE, estão pedindo às empresas mais XAI. O GDPR (General Data Protection Regulation – Regulamento Geral de Proteção de Dados), que entrou em vigor na Europa proporcionou às pessoas na UE um “direito a uma revisão humana” de qualquer decisão algorítmica que possa potencialmente ter um impacto sobre elas. Nos EUA, as leis dos seguros obrigam as empresas a desenvolver as suas próprias decisões, tais como rejeitar a cobertura de um determinado grupo de pessoas ou cobrar apenas algumas com prémios mais elevados. [3]

No entanto, existem dois problemas principais associados ao XAI. Em primeiro lugar, definir corretamente o conceito de XAI mostra ser bastante desafiador. O que os usuários devem estar cientes e quais devem ser as limitações de seu conhecimento, também precisa ser esclarecido. Se as empresas não tivessem outra escolha senão fornecer explicações detalhadas para tudo, então a propriedade intelectual como uma proposta de venda única (USP) provavelmente desapareceria. [4]

O segundo fator problemático é a avaliação do trade-off em algumas tarefas entre desempenho e explicabilidade. Precisamos regular e padronizar para certas tarefas ou indústrias e forçá-las a buscar soluções de IA integradas de transparência, mesmo que isso signifique estabelecer uma carga muito alta para a potencialidade dessas indústrias?

Na JANZZ.technology tentamos explicar da melhor forma aos nossos usuários como combinamos candidatos e posições. O nosso software de matching exclusivo exclui parâmetros irrelevantes como gênero, idade ou nacionalidade e apenas compara habilidades, educação/treinamento, especializações, experiências, etc. Ele só usa aspectos que realmente importam para encontrar os candidatos perfeitos.

Além disso, em vez de dar uma pontuação de correspondência, o nosso sistema único de matching divide todos os critérios, tais como funções, habilidades, idiomas, disponibilidade e assim por diante. Isso permite que os usuários tenham uma melhor compreensão dos resultados e estabelece a base para a requalificação e aprimoramento da força de trabalho analisada. Quer saber mais sobre como nós da JANZZ.technology aplicamos soluções de IA explicáveis? Entre em contato conosco através do e-mail sales@janzz.technology

 

[1] OECD. 2019. OECD Principles on AI. URL :https://www.oecd.org/going-digital/ai/principles/ [2019.9.17].

[2] Ron Schmelzer. 2019. Understanding Explainable AI. URL: https://www.forbes.com/sites/cognitiveworld/2019/07/23/understanding-explainable-ai/#6b4882fa7c9e[2019.9.17].

[3] Jeremy Kahn. 2018. Artificial Intelligence Has Some Explaining to Do. URL: https://www.bloomberg.com/news/articles/2018-12-12/artificial-intelligence-has-some-explaining-to-do[2019.9.17].

[4] Rudina Seseri. 2018. The problem with ‘explainable AI’. URL: https://techcrunch.com/2018/06/14/the-problem-with-explainable-ai/[2019.9.17].

 

 

 

 

Como a Índia potencializa seus dividendos demográficos

Enquanto a maioria dos países desenvolvidos do mundo luta contra o envelhecimento da população, aumentando a idade da reforma e acolhendo os migrantes, outros países estão preocupados em como integrar um grande número de jovens no mercado de trabalho. A série “Deloitte’s Voice of Asia” (A voz da Deloitte na Ásia) relatou que muitos países na Ásia testemunharam um crescimento constante na população em idade ativa, com cada vez mais jovens homens e mulheres entrando no mercado de trabalho a cada ano.  » Leia mais sobre: Como a Índia potencializa seus dividendos demográficos  »

Ontologia e taxonomia: não são sinónimos. Vamos comparar para estabelecer as suas diferenças

A palavra “ontologia” pode ser abstrata para muitas pessoas. A sua origem vem de um sonho de Tim Berners-Lee de inventar a World Wide Web. Este sonho incluía que a Web fosse capaz de definir a chamada “web semântica”, analisando todos os dados da rede, incluindo conteúdo, links e transações entre computadores e pessoas. Na web semântica, o Resource Description Framework (RDF) e Web Ontology Language (OWL) foram estabelecidos como formatos padrão para compartilhar e integrar dados e conhecimentos,  » Leia mais sobre: Ontologia e taxonomia: não são sinónimos. Vamos comparar para estabelecer as suas diferenças  »

Perspectivas realistas sobre o futuro do trabalho

Nos dias 27 e 28 de novembro de 2018, houveram muitas discussões interesantes na conferência em Washington. Nestes dois dias muitas possibilidades diferentes foram apresentadas, tais como a usagem de tecnologias modernas no ambiente de mercados de trabalho, o Blockchain, Inteligência Artificial e aprendizado de máquinas (machine learning). O evento, organizado pelo Banco Interamericano de Desenvolvimento (BID) e pelo laboratório de mídia do MIT, atraiu especialistas de alto nível de empresas privadas, organizações públicas e universidades de todo o mundo.  » Leia mais sobre: Perspectivas realistas sobre o futuro do trabalho  »

O MTESS implementou uma plataforma avançada de correlação entre cargos e oportunidades

O Ministro do Trabalho, Emprego e Seguridade Social (MTESS), Dr. Guillermo Sosa, apresentou nesta quarta-feira, 21 de fevereiro, uma nova plataforma para fortalecer as pesquisas de oportunidades de trabalho no Paraguai. Essa plataforma foi desenvolvida pela JANZZ.technology, com sede na Suíça.

A JANZZ.technology vai implementar sua plataforma ParaEmpleo.gov.com.py para oferecer melhores oportunidades de trabalho para jovens em busca de emprego, e este é o primeiro projeto da empresa na América Latina. Além do Paraguai, a Janzz.technology presta serviços a mais de 150.000 candidatos e empregadores em 5 países, em 40 idiomas diferentes. A plataforma incorpora avanços que permitem a busca de vagas e profissionais disponíveis e ajudam os profissionais em busca de recolocação, utilizando uma variedade de dimensões múltiplas, incluindo competências interpessoais, formação, experiência, disponibilidade contratual e geográfica, entre outras variáveis que otimizam a pesquisa de oportunidades. A plataforma tem mais de 100.000 homens-hora de desenvolvimento profissional e apresenta sua nova versão no Paraguai.

Por meio dessa nova plataforma via internet, chamada ParaEmpleo.gov.com.py, o Ministério do Trabalho pretende oferecer a tecnologia mais avançada de correlação entre cargos e oportunidades. Até o momento, mais de 25.000 candidatos já se cadastraram na base de dados “PARAGUAY PUEDE MÁS”. Uma vez concluído o processo de admissão, os jovens terão acesso a oportunidades de trabalho conforme suas competências e habilidades. Esse contrato faz parte do Programa de Apoio à Inclusão Trabalhista (PR-L1066), financiado pelo Banco Interamericano de Desenvolvimento, com um contrato de mútuo firmado com a República do Paraguai.

Para obter mais informações sobre este tema: blogs.iadb.org (em espanhol)

ESCO: Esperávamos uma ontologia – ficamos desapontados com a coleção de termos que recebemos

Quase quatro anos se passaram. Esperamos por um longo tempo – e estávamos curiosos para ver o que a Europa anunciava com tanta grandiosidade. Constantemente ansiosos para sabermos se isto soluciona problemas bastante conhecidos dos sistemas de classificação. A classificação da União Europeia para dados ocupacionais é conhecida como ESCO – European Skills, Competences, Qualifications and Occupations (Competências, habilidades, qualificações e ocupações na Europa). Até o momento, as classificações têm sido solucionadas por todos os Estados por conta própria, como o ROME na França, o KLdB na Alemanha ou o CP na Itália. Geralmente, têm como base a mãe de todas as classificações, a Norma Internacional de Classificação de Ocupações (International Standard Classification of Occupations – ISCO) publicada pela Organização Internacional do Trabalho por volta de 1960, mas não são necessariamente comparáveis – números e letras diferentes, e níveis de taxonomia diferentes podem distinguir as classificações.

janzz_esco_unsatisfied

Outros sistemas de classificação foram desenvolvidos primeiro, mas com finalidade principalmente estatística. Desta forma, foi possível compor ocupações com números de identificação, em grupos e, em seguida, gerar estatísticas, mas esses sistemas não ampliam a compreensão de ocupações individuais. O sistema em grupos costumava ser amplo e genérico em demasia. Por exemplo, todos os médicos especialistas são reunidos no mesmo grupo e esse grupo é descrito apenas com um mesmo conjunto de competências para todos os especialistas. Isto quer dizer que as competências de um oncologista são descritas como idênticas às de um gastroenterologista, de um ginecologista ou de um patologista. Portanto, conforme as taxonomias, eles teriam os mesmos conhecimentos e suas especializações seriam reconhecidas somente pelo nome de seus cargos. Com esse nível de imprecisão nas descrições, certamente não seria possível uma melhor compreensão dos cargos individuais.

A União Europeia não queria que a ESCO se desenvolvesse como mais um esqueleto vago demais, mas sim criar um entendimento comum das ocupações, competências, habilidades, conhecimentos e qualificações em todos os 26 idiomas cobertos, de forma que os empregadores, profissionais e instituições educacionais pudessem compreender melhor as necessidades e os requisitos uns dos outros. Desta forma, a liberdade de movimentação poderia compensar as lacunas de competências e desemprego em diferentes estados-membro, segundo Juncker.¹

Quase quatro anos se passaram desde o lançamento da versão de testes. Todas as partes interessadas possíveis se envolveram, como agências de emprego, assessores de carreira, estatísticos, cientistas… a fim de criar essa classificação em 26 idiomas. Quase quatro anos de testes, extensões, modificações e retrabalho… e agora, estou aqui em frente ao meu PC, digitando em uma base de dados online “Word” como competência desejada e a base de dados não reconhece o termo. A única sugestão alternativa: WordPress. Não está relacionada à minha busca. Se eu digitar “PowerPoint”, nada acontece. A base de dados não reconhece o termo, é a busca não será armazenada.²

Muito bem, vamos experimentar o Indeed. Somente na Alemanha, encontreis mais de 13.000 anúncios de vagas com o termo de pesquisa “PowerPoint”. Na França e no Reino Unido, são mais de 8.000 anúncios. Mas o termo “PowerPoint” não está classificado como uma competência em toda a Europa. O termo não figura entre as 13.485 competências da ESCO. Um profissional deve entender o empregador em potencial melhor, no sentido de que “PowerPoint” não é uma competência importante para se recolocar no mercado?

A base de dados, temos de admitir, reconhece o termo “Microsoft Office” quando digitamos “Microsoft”, mas a compreensão semântica da base de dados não vai além disto. Afinal, e expressão “software de edição de texto” é armazenada como uma competência isolada, sem relação com o Microsoft Office, e nenhuma das duas competências sugerem que sejam sinônimas.

A ESCO declara reconhecer 2.942 ocupações. É interessante notar que o sistema identifica um «coordenador de logística ferroviária » e também oferece determinadas ortografias alternativas, mas não reconhece o termo “especialista em logística”. De tempos em tempos, ocupações com problemas semelhantes são encontradas. Além disto, uma alternativa sugerida para o termo “agente de partido político” é «agente de relações públicas». Apenas para exemplificar uma sugestão de cargo equivocada.

A ESCO agora será disponibilizada em 26 idiomas. Sim e não, vou descobrir. Sim, os cargos estão disponíveis em 26 idiomas; sim, as competências também estão disponíveis. Contudo, as explicações dos termos são sempre em inglês, o que significa que um cargo poder ser traduzido em todos os idiomas, mas não as descrições dos cargos. Elas permanecem somente em inglês. Agora questiona-se se um empregador da França compreende a descrição da profissão de um candidato sueco melhor sem uma definição em seu idioma nativo, o francês. Ou se ele poderá avaliar se a classificação realmente coincide com a vaga que está oferecendo.

Além do fato de as qualificações serem disponibilizadas somente em um idioma: Grego. As descrições detalhadas somente podem ser encontradas nesse idioma. Em qualquer caso, um empregador de outro estado-membro não entenderá melhor os dados do candidato, mesmo se este for grego. A própria ESCO relata que as qualificações devem ser fornecidas pelos estados-membro e que serão integradas regularmente. Entretanto, 27 estados-membros deixaram muito tempo passar.

Agora eu preciso compilar tudo. Estou mais do que desapontado com alguns aspectos marginais. Esperei quase quatro anos desde que comecei a explicar as possibilidades de coleta para ontologias em conjunto com outras pessoas no Congresso da ESCO. Mas nenhuma ontologia foi desenvolvida, apenas uma taxonomia ou uma coletânea de termos. 2.942 profissões, 13.485 competências e 672 qualificações (em grego) foram integradas à ESCO. A ESCO aparentemente investiu muito tempo e provavelmente muito dinheiro nesse desenvolvimento. Mas daí a ser uma revolução em relação à meta de Juncker é bastante questionável.

A pergunta agora é: O que fazemos agora? Vamos ter esperança e aguardar mais quatro anos até que a ESCO seja capaz de atender às necessidades dos serviços públicos e privados de RH e recolocação? Ou talvez devamos buscar uma alternativa? E quanto a uma alternativa que represente uma verdadeira ontologia, com reconhecimento semântico? Uma que reconheça que um funcionário de um partido não tem a mesma função que o de um RP. Que saiba que “MS Word’ é a mesma competência que “Microsoft Word” ou processamento de texto. E que contemple diversos idiomas em todos os campos. Quem sabe já existe uma solução assim? Talvez uma pesquisa online possa apresentar os resultados desejados, nesse sentido. Por exemplo, o site http://janzz.technology.

 

[1] ESCO (2015). Estrutura estratégica da ESCO. Visão, missão, posição, valor agregado e princípios orientativos. Brüssel.

[2] Somente a base de dados online da ESCO foi utilizada nesta pesquisa.