Artikel 
Ebenso wie Luxushandtaschen bei den Reichen und Schönen heiß begehrt sind, will jedermann künstliche Intelligenz. Von Chatbots bis hin zu autonomen Fahrzeugen – KI hat die Welt im Sturm erobert. Auf dem Markt für strategische HR sind KI-Anwendungen in der Recruiting-Technologie und im Talentmanagement noch recht neu, doch wird die Nachfrage immer größer. Unternehmen und Anbieter arbeiten tagtäglich unermüdlich daran, besser zu verstehen, wie sich KI auf ihre Strategien auswirkt und wie sie genutzt werden kann, um diese zu optimieren und ihre Kunden noch besser zu unterstützen.
Während eines vor Kurzem geführten Gesprächs sprach unser Experte in Sachen KI, Rabih Zbib, über dieses neu entstehende Universum und was es für alles, was wir hier bei Avature tun, bedeutet.
Mit einem Master in Naturwissenschaften und einem Doktor vom MIT ist Rabih Zbib der Leiter der Abteilung Natural Language Processing & Machine Learning bei Avature. Er arbeitet an der Anwendung dieser Zweige der künstlichen Intelligenz, um Herausforderungen in der Talentgewinnung und im Talentmanagement zu lösen. Natürlich wollten wir sein Wissen anzapfen und mehr über KI erfahren.
Was sind also die wichtigsten Aspekte, über die wir sprechen müssen, wenn es um KI-Strategien geht?
Setzen Sie die richtigen Erwartungen in Ihre KI-gestützte Strategie
Eines der Hauptprobleme, wenn es um KI geht, ist die Frage, wie man sie implementiert. Sowohl Unternehmen als auch Anbieter haben mit Bedenken zu kämpfen, wenn sie KI-basierte Technologie in einem ständigen Spannungsfeld von „Erwartung vs. Realität“ einsetzen wollen.
„Es gibt die Erwartung, dass KI die Wunderwaffe schlechthin ist, aber wenn es ans Eingemachte geht, besteht die wahre Herausforderung darin, die Erwartungen festzulegen. Das ist die Herausforderung für die Branche im Allgemeinen.“
– Rabih Zbib. Leiter der Abteilung Natural Language Processing & Machine Learning bei Avature.
Was kann KI für Sie tun?
Anknüpfend daran beschreibt Rabih Zbib diese Erwartungen als zweigeteilt:
- Das Kann. Was ist realistisch im Hinblick auf die aktuelle Leistungsfähigkeit der Technologie? Was kann sie? Was kann sie nicht?
Es kann der Eindruck entstehen, dass wir uns in einer Phase befinden, in der alles möglich ist. Doch ist es wichtig, realistische Erwartungen zu haben, wenn es darum geht, technologiebasierte Strategien zu entwickeln. Die Technologie verbessert die Prozesse, aber sie alleine wird keine Probleme lösen. Schreiben Sie Ihr Konzept auf: Erden Sie sich mit umsetzbaren Plänen und nicht nur mit großen Ideen.
In Bezug auf Avature betont Rabih Zbib, wie wichtig es ist, eine Partnerschaft und eine Feedbackschleife mit dem Kunden zu entwickeln, und dass es nicht nur darum geht, was die Technologie kann. Er und sein Team sind bestrebt, zuzuhören und die wirklichen Probleme der Kunden zu berücksichtigen, sodass all diese Informationen in ein technisches Konzept einfließen können.
Was diesen Aspekt noch komplizierter macht, ist die Tatsache, dass sich die Fähigkeiten der künstlichen Intelligenz im Recruiting und TM ständig weiterentwickeln und verändern. Dieser Weiterentwicklungsprozess geschieht sogar, während Sie dies lesen!
Was soll KI für Sie tun?
- Das Soll. Was sollten wir der Technologie gestatten, zu tun? Was sollte die Technologie je nach Anwendungsbereich nicht tun?
„Wir fühlen uns vielleicht wohl dabei, wenn wir uns empfehlen lassen, welche Turnschuhmarke wir kaufen sollten, aber fühlen wir uns auch wohl dabei, uns von der gleichen Technologie empfehlen zu lassen, wen wir einstellen sollten? Da gibt es eine Menge Nuancen.“
– Rabih Zbib. Leiter der Abteilung Natural Language Processing & Machine Learning bei Avature.
Mit anderen Worten: Er betont die Bedeutung einer ethischen Anwendung von KI. Wahrscheinlich fangen Sie nun an, über Vorurteile nachzudenken – eine kritische Überlegung, auf die wir weiter unten im Detail eingehen werden. Aber auch der menschliche Aspekt wird betont.
Nehmen wir als Beispiel Personaleinstellungen. Mit der heutigen Technologie könnten Sie die Interaktion zwischen Bewerbern und Recruiter komplett eliminieren und automatisierte Screenings, K.O.-Fragen und KI-gestütztes Scoring nutzen, um den besten Kandidaten anhand Ihrer vordefinierten Kriterien zu identifizieren. Wenn alles korrekt eingerichtet ist, könnten Sie sogar den Angebotsprozess automatisieren und jemanden ohne ein einziges Gespräch einstellen. Effizient, aber was für einen Eindruck vermittelt dieser unpersönliche Ansatz den Kandidaten in der Praxis? Und was ebenso wichtig ist: Welche Art von menschlichen Eindrücken, die schwer zu quantifizieren sind, gehen im Einstellungsprozess verloren?
Eine ethische Anwendung von künstlicher Intelligenz beim Recruiting und Talentmanagement sollte nicht nur Daten, sondern auch Menschen berücksichtigen. Andernfalls wird Ihr Talentprozess wahrscheinlich zu einem unpersönlichen und fast schon klinischen Ansatz führen, der dem Erlebnis des Kandidaten oder Mitarbeiters schadet und sich einzig auf die Effizienz konzentriert.
Zentrale Überlegungen bei der Anwendung von künstlicher Intelligenz beim Recruiting und TM
Daten und ihre Nutzung
„Ihre Technologie ist so gut wie Ihre Daten“ ist ein wichtiges Mantra in den Bereichen künstliche Intelligenz und maschinelles Lernen. Daten bilden die Schlüsselkomponente beim Aufbau Ihrer Strategie für maschinelles Lernen; sie können definitiv über Erfolg oder Misserfolg entscheiden. Nicht jeder Anbieter ist in der Lage, Erfahrung und Datenreichtum oder gar Transparenz darüber zu bieten, wie die Daten erhoben wurden. Und das sollte eines Ihrer zentralen Anliegen sein, wenn Sie evaluieren, mit wem Sie zusammenarbeiten.
Viele Start-ups und Anbieter nutzen KI als Verkaufsargument, um Nischenideen und punktuelle Herausforderungen abzudecken, wobei sie nur eine Lösung für ein Problem anbieten und nicht alles umsetzen können. Wenn die umfassendere Herausforderung darin besteht, Workflows, Ergebnisse und Benutzererfahrungen auf Plattformebene zu optimieren, dann ist es nicht wirklich klar, wie dies durch externe und anorganische Daten erreicht werden kann.
Wenn man eine Lösung von der Stange wählt, so Rabih Zbib, weiß man nicht, woher die Daten hinter den Modellen stammen. Auch wenn viele Anbieter auf dem Markt KI-Funktionen anbieten, die komplexe Probleme im Zusammenhang mit der Einstellung und Verwaltung von Mitarbeitern lösen, gibt es erhebliche Zweifel daran, wo und wie die Daten gewonnen wurden und ob die daraus resultierenden KI-Systeme für die Lösung Ihrer Probleme geeignet sind.
Wenn es um Avatures Strategie für maschinelles Lernen und KI-Einsatz geht, sieht Rabih Zbib Daten als Hauptpfeiler und Unterscheidungsmerkmal zum Wettbewerb, weil wir sie intern aufbauen.
Wie schaffen wir das?
„Wir haben Zugang zu realen Daten, die sich über mehrere Branchen, mehrere Sektoren und einen langen historischen Zeitraum erstrecken. Diese Daten sind also eine Chance, aber auch eine Verantwortung für all die offensichtlichen Bedenken bezüglich Datenschutz und Sicherheit.“
– Rabih Zbib. Leiter der Abteilung Natural Language Processing & Machine Learning bei Avature.
Blackbox- und Whitebox-Ansätze für KI
Hier kommen wir zu einem weiteren Problem bei vielen KI-Einsatzstrategien: Blackbox vs. Whitebox. Während sich das Blackbox-Konzept auf einen undurchsichtigen KI-Ansatz bezieht, bei dem der Benutzer nur begrenzte Kontrolle über die von den Algorithmen getroffenen Entscheidungen hat, unterscheidet sich ein Whitebox-Ansatz dadurch, dass der Benutzer das letzte Wort hat. Das bedeutet, dass er vollständige Sichtbarkeit und Transparenz darüber erhält, welche Daten der Algorithmus verwendet und wie die Vorschläge gemacht werden.
Bei Avature bieten wir eine Plattform, bei der KI in die Architektur eingebettet ist. Unsere Experten sind nur einen Telefonanruf entfernt und erklären Ihnen gerne im Detail, wie alles funktioniert. Sie sind diejenigen, die die KI-Engine im Kern entwickeln und KI-gestützte Tools in verschiedenen Teilen der Plattform anwenden.
Es ist wichtig, eine klare Botschaft und Strategie zu haben und zu verstehen, wo KI eingesetzt wird, was verfolgt wird und was man tun kann. Wenn nicht, ist sie für globale Unternehmen, die nach der idealen KI-Technologie für ihre Strategien suchen, nicht geeignet.
Ein „Whitebox-Ansatz“ hingegen gehört definitiv zum plattformübergreifenden Repertoire von Avature. Basierend auf einem entscheidungsunterstützenden Systemkonzept ist sich Rabih Zbib bewusst, dass es wichtig ist, den Kunden nicht nur darüber zu informieren, was das System empfiehlt, sondern auch, wie es seine Empfehlungen generiert.
Transparenz ist der Schlüssel
Transparenz ist hier einer der wichtigsten Faktoren: Der Endbenutzer soll wissen, welche Informationen das System verwendet. Das wiederum hat Auswirkungen auf den technischen Ansatz.
Nehmen Sie zum Beispiel semantische Vorschläge bei der Suche in einem Talentpool. Wenn der Sourcer beginnt, nach Kandidaten mit einer bestimmten Fähigkeit zu suchen, fordert die Engine den Benutzer mit Begriffsempfehlungen auf, die Suche auf Kandidaten mit relevanten angrenzenden Fähigkeiten zu erweitern. Auf diese Weise kann immer erklärt werden, warum ein bestimmter Kandidat ausgewählt wurde, und der Benutzer kann jederzeit Empfehlungen ablehnen.
„Wie können Sie ein solches System aufbauen und dabei die Privatsphäre der Benutzer respektieren und dies auf eine Art und Weise tun, die Voreingenommenheit vermeidet?“
Dies sollte ein wesentlicher Punkt sein, den Sie sich während der Strategieentwicklung in Erinnerung rufen sollten. Wenn der Anbieter, mit dem Sie zusammenarbeiten möchten, seine KI-Fähigkeiten organisch durch einen Whitebox-Ansatz aufbaut, ist es laut Rabih Zbib wahrscheinlich, dass er relevante Daten verwendet, die den Datenschutz und die Sicherheit respektieren.
Das bedeutet auch, dass der Prozess zur Abschwächung von Voreingenommenheit bereits in den frühen Entwicklungsphasen beginnen kann. Dank der Transparenz ist es zudem einfacher, Voreingenommenheit während des gesamten Prozesses zu verfolgen. Ganz im Gegenteil birgt ein undurchsichtiger Blackbox-Ansatz die Gefahr, dass sich Fehler und Voreingenommenheit nicht nur systematisch wiederholen, sondern dass es auch enorm schwierig ist, problematische Eingaben und Berechnungen nachzuvollziehen und zu korrigieren. Datenschutz und Voreingenommenheit sind zwei reale Probleme, die bei der Formalisierung einer KI-Einsatzstrategie immer präsent sind.
Voreingenommenheit vermeiden
Wir können nicht über künstliche Intelligenz beim Recruiting und TM sprechen, ohne das Thema Voreingenommenheit anzusprechen. Dies ist ein Hauptproblem für Unternehmen bei jeder KI-Strategie, zu deren Einsatz sie sich entschließen; sehen Sie sich nur an, was mit GPT-3 passiert ist. Was denkt Rabih Zbib also über die Frage der Voreingenommenheit bei künstlicher Intelligenz?
In Bezug auf den technischen Ansatz weist Rabih Zbib darauf hin, wie wichtig es ist, die Art der verwendeten Informationen und Daten sowie die Algorithmen im Auge zu behalten.
Ein typischer Anwendungsfall, den er als Beispiel dafür nennt, wo Voreingenommenheit auftreten kann, sind Empfehlungen. Dies kann beim Abgleichen oder beim Filtern auftreten. Warum also passiert das und was können wir tun, um es zu vermeiden?
Explizite Voreingenommenheit
Um diese Modelle zu erstellen, gibt es Schritte, mit denen versucht werden kann, unerwünschte und unbeabsichtigte Voreingenommenheit zu vermeiden. Für Fälle, die mit expliziter Voreingenommenheit zu tun haben, erwähnt Rabih Zbib eine Reihe von „offensichtlichen“ Maßnahmen, die er und sein Team ergreifen, um sie abzuwehren, wie z. B. die Nichtverwendung von Geschlecht, persönlichen Informationen oder Hautfarbe direkt in den gesammelten Daten. Sie verwenden auch keine persönlichen Merkmale, wie Stimm-, Sprachqualitäts- oder Gesichtserkennung.
Implizite Voreingenommenheit
Wenn es um implizite Voreingenommenheit geht, schlägt Rabih Zbib vor, eine semantische Repräsentation von Kandidaten und Stellen auf der Grundlage der geforderten Fähigkeiten aufzubauen, anstatt historische Daten (d. h. von Menschen getroffene Entscheidungen zu einem bestimmten Zeitpunkt) zu verwenden. Warum? Er sagt, dass bei der Verwendung dieser historischen Entscheidungen die Möglichkeit besteht, dass diese Voreingenommenheit enthalten, die in das eigene aktuelle Modell einfließt.
Im Gegensatz dazu können mit semantischen Darstellungen Ähnlichkeiten zwischen dem, was Sie suchen, und dem, was Ihre Kandidaten- oder Jobdatenbank enthält, gemessen werden. Somit können Empfehlungen ohne die implizite Voreingenommenheit, die in den historischen Daten enthalten sein könnte, gegeben werden.
Die Avature-Methode für künstliche Intelligenz beim Recruiting und Talentmanagement
Die Entwicklung der Avature KI-Roadmap spiegelt eine Pipeline von Informationen wider, wobei die Technologie auf mehreren Ebenen implementiert wird.
Ebene 1
Die erste Ebene befasst sich mit der Aufgabenautomatisierung. Zunächst haben wir vor acht Jahren einen Lebenslauf-Parser auf der Plattform eingeführt, der mehrere Sprachen versteht und automatisch relevante personenbezogene Daten extrahiert, um einen Personendatensatz innerhalb der Plattform zu füllen. Das System ist zudem in der Lage, ähnliche Datensätze zu erkennen, sodass diese kombiniert werden können, um Duplikate zu vermeiden. Dies spart dem Benutzer Zeit, da er die Aufgabe nicht mehr manuell durchführen muss.
Wir verbessern den Lebenslauf-Parser kontinuierlich. So ist es uns im zweiten Quartal gelungen, unsere Fähigkeit zur Analyse von Lebensläufen und zur Extraktion der Informationen in Sprachen wie Bulgarisch, Kroatisch, Estnisch, Finnisch, Lettisch, Litauisch, Polnisch, Rumänisch, Slowakisch und Slowenisch zu erweitern. Diese Sprachen haben sich zu der Liste von 17 Sprachen gesellt, die bereits von unserer Lebenslauf-Parser-Engine unterstützt werden.
Ebene 2
Die zweite Ebene ist für den Umgang mit Informationen im großen Maßstab gedacht und hilft dem Benutzer, indem sie sein Wissen erweitert. Hier finden wir Semantik und Abgleich. Diese ermöglichen es, riesige Datenmengen zu verarbeiten und Relevantes viel schneller anzuzeigen, als es ein Mensch könnte, und auch Muster zu erkennen, die ein Mensch vielleicht nicht erkennt. Es geht darum, die richtigen Informationen zur richtigen Zeit zu liefern.
Auf dieser Ebene kommen auch die Taxonomie und Semantik der Kompetenzen ins Spiel. Diese werden entwickelt, während das Thema Kompetenzen in der TA-Gemeinschaft jeden Tag an Bedeutung gewinnt. Eine solche Aufgabe ist für Menschen nicht skalierbar, aber perfekt, wenn es um den Einsatz von KI geht. Rabih Zbib weist darauf hin, dass wir durch maschinelles Lernen in der Lage sind, aus den uns zur Verfügung stehenden Daten zu lernen, wie sich Kompetenzen zueinander und zu Stellen verhalten und wie wir Stellen aus Kompetenzen ableiten und umgekehrt.
Ebene 3
Auf der dritten Ebene geht es um prädiktive Analytik und Intelligenz in der Plattform selbst. Agilität und Flexibilität sind die wichtigsten Eigenschaften dieser Ebene. Wie Rabih Zbib zur Avature-Plattform selbst anmerkt: „Es gibt keine zwei Instanzen, die gleich sind.“ Die nächste Stufe unserer KI-Einsatzstrategie bezieht sich also auf die Verbesserung der Benutzererfahrung für jeden Einzelnen, um sicherzustellen, dass die Ergebnisse positiv sind und auch der Prozess als Ganzes positiv ist.
Speziell bei unserer Plattform ist eines der Beispiele, die Rabih Zbib erwähnt, dass wir dem Benutzer helfen wollen, die Nutzung und das Zusammenstellen von Workflows zu optimieren. Dies, so sagt er, kann durch den Einsatz von Methoden wie Reinforcement Learning erreicht werden, bei dem der Benutzer als Agent in einer bestimmten Umgebung modelliert werden kann und die Interaktionen mit der Plattform zur Kenntnis nimmt und sie durch alles führt.
Die Grenzen der Technologie erweitern sich ständig und die Ergebnisse können die Sicht auf einen bestimmten Prozess verschlechtern oder verbessern. Rabih Zbib prognostiziert, dass ein Hauptaugenmerk in Zukunft auf der Evolution liegen wird und darauf, herauszufinden, wie die Technologie genutzt werden kann, um mit uns zu arbeiten.
„Es ist spannend, daran teilzuhaben und die Möglichkeit zu erhalten, die Zukunft mitzugestalten.“
– Rabih Zbib. Leiter der Abteilung Natural Language Processing & Machine Learning bei Avature.
