Articles 
À l’instar des sacs Birkin, pour qui est riche et célèbre, tout le monde s’arrache l’intelligence artificielle. Des chatbots aux véhicules autonomes, l’IA déferle sur le monde. Sur le marché stratégique des RH, les applications d’intelligence artificielle pour la technologie de recrutement et la gestion des talents sont encore assez nouvelles, mais la demande est en augmentation constante. Chaque jour, entreprises et fournisseurs œuvrent à mieux appréhender comment l’IA affectera leurs stratégies et comment elle peut être utilisée pour les renforcer et venir en aide à leurs clients.
Au cours d’une récente conversation, notre expert résident pour tout ce qui touche à l’IA, Rabih Zbib, a abordé ce nouveau monde en émergence et les avantages qu’il comporte pour ce que nous accomplissons, ici chez Avature.
Titulaire d’un master en science et d’un doctorat du MIT, Rabih Zbib est Director of Natural Language Processing & Machine Learning chez Avature. Son travail consiste à utiliser ces branches de l’intelligence artificielle afin de résoudre les difficultés rencontrées dans les domaines de l’acquisition et de la gestion de talents. Évidemment, nous voulions discuter un peu avec lui afin d’en apprendre un peu plus concernant l’IA.
Quels sont donc les éléments essentiels à aborder pour les stratégies IA ?
Fixer les bonnes attentes dans vos stratégies pilotées par l’IA
L’une des principales questions lorsque l’on parle d’IA est de savoir comment la mettre en œuvre. Lorsqu’ils cherchent à déployer une technologie reposant sur l’IA, tant les entreprises que les fournisseurs sont constamment tiraillés entre leurs attentes et la réalité.
« On s’attend à ce que l’IA soit la solution miracle, mais dans les faits, le véritable est défi est de bien définir les attentes, et c’est le cas pour l’ensemble du secteur. »
Rabih Zbib
Director of Natural Language Processing & Machine Learning chez Avature
Qu’est-ce que l’IA peut accomplir pour vous ?
Sur ce point, Rabih Zbib décrit ces attentes comme ayant deux aspects :
Ce qui peut être accompli. Qu’est-ce qui est réaliste par rapport aux capacités actuelles de la technologie ? Que peut-elle faire ? Qu’est-elle incapable de faire ?
Il peut parfois sembler aujourd’hui que rien n’est impossible. Mais il est important de savoir nourrir des attentes réalistes lorsqu’il s’agit d’élaborer des stratégies qui impliquent la technologie. Elle améliore les processus, mais elle ne peut résoudre seule les problèmes. Notez ceci : ancrez-vous dans des actions réalisables plutôt que dans de grandes idées.
Pour ce qui concerne Avature, Rabih Zbib souligne l’importance d’établir un partenariat et un système de retours d’information avec le client, car la technologie ne fait pas tout. Avec son équipe, ils sont attachés à écouter et à tenir compte des problèmes concrets du client, ce qui permet d’intégrer toutes ces informations dans une approche technique.
Ce qui complique cet aspect des choses, c’est que les capacités de l’intelligence artificielle en matière de recrutement et de gestion de talents progressent et évoluent en permanence. Cette évolution se poursuit alors même que vous lisez ces lignes !
Que devrait accomplir pour vous l’IA ?
Ce qui devrait être fait. Que devrions-nous laisser à la technologie ? Que ne devrait-elle pas faire, en fonction du secteur où elle est appliquée ?
« Laissez la technologie nous recommander une paire de baskets, c’est une chose, mais la laisserait-on nous recommander qui nous devrions engager ? Il y a énormément de nuances à apporter. »
Rabih Zbib
Director of Natural Language Processing & Machine Learning chez Avature.
En d’autres termes, il met en lumière l’importance de l’éthique dans la mise en application de l’IA. Vous pensez sans doute déjà à la partialité ; une considération critique que nous détaillerons plus loin. Mais il y a aussi l’importance que l’on accorde à la conservation de l’aspect humain.
Prenons l’embauche comme exemple. Grâce à la technologie qui existe aujourd’hui, vous pourriez complètement éliminer l’interaction entre les postulants et le recruteur, en utilisant une sélection automatique, des questions éliminatoires et un classement piloté par l’IA pour identifier le meilleur candidat, en fonction de critères prédéfinis. Si tout est correctement mis en place, vous pourriez même automatiser le processus de recrutement (offre et embauche) au point de réduire les conversations au strict minimum. C’est efficace, mais dans les faits, quelle impression donne cette approche déshumanisée aux candidats ? De même, point tout aussi important, quelle perspective humaine difficile à quantifier perdra-t-on au cours de ce processus ?
Une utilisation éthique de l’intelligence artificielle dans les domaines du recrutement et de la gestion de talents devrait tenir autant compte des personnes que des données, car autrement vos processus liés aux talents mèneront probablement à une approche déshumanisée et froide qui nuira à l’expérience du candidat ou de l’employé et dans laquelle seule l’efficacité compte.
Considérations essentielles s’agissant d’appliquer l’intelligence artificielle au recrutement et à la GT
Les données et leur utilisation
« Ce sont vos données qui font l’utilité de votre technologie », est un mantra essentiel dans le domaine de l’intelligence artificielle et de l’apprentissage machine. Les données sont l’élément clé pour pouvoir élaborer votre stratégie d’apprentissage machine ; elles peuvent conduite à son succès ou à sa perte. Tous les fournisseurs ne sont pas en mesure de proposer une expérience et une richesse des données, ou même de la transparence quant à la manière dont elles sont collectées. Ceci devrait ainsi figurer parmi les principales préoccupations à garder à l’esprit lorsque l’on travaille avec l’IA.
Bien des start-ups et fournisseurs utilisent l’IA comme argument de vente pour traiter les idées de niche et mettre en avant les difficultés, et proposent uniquement une solution à un problème au lieu de tous les matérialiser. Si le véritable défi consiste à parvenir à optimiser les workflows, les résultats et l’expérience utilisateur au niveau de la plate-forme, alors comment y arriver en utilisant des données extérieures et inorganiques ?
Lorsque l’on choisit une solution « clé en main », Rabih Zbib précise de l’on ne connait pas l’origine des données qui ont établi le modèle. Bien que de nombreux fournisseurs du marché proposent une fonctionnalité IA qui résout des problèmes complexes liés à l’embauche et à la gestion des personnes, le doute subsiste quant à l’emplacement d’obtention de ces données et au moment de leur collecte, et donc pour savoir si les systèmes d’IA qui en découlent sont bien armés pour résoudre vos problèmes.
Concernant la stratégie de déploiement de l’apprentissage machine et l’IA d’Avature, Rabih Zbib estime que les données en sont le pilier fondamental et constituent un avantage concurrentiel, puisque nous les créons en interne.
Comment y parvenons-nous ?
« Nous avons accès à des données réelles qui englobent plusieurs industries, secteurs et une vaste période historique. Les données sont donc une occasion, mais aussi une responsabilité pour toutes les questions évidentes liées à la confidentialité et à la sécurité des données. »
Rabih Zbib
Director of Natural Language Processing & Machine Learning chez Avature.
Approches black-box et white-box de l’IA
Voici un autre élément qui pose question pendant le déploiement de nombreuses stratégies d’IA : Black-box contre white-box. Si black-box fait référence à une approche opaque de l’IA, dans laquelle l’utilisateur a un contrôle limité sur les décisions prises par les algorithmes, l’approche white-box donne quant à elle le dernier mot aux utilisateurs. Cela signifie qu’on leur donne une visibilité et une transparence intégrale par rapport à ce que l’algorithme utilise et à la manière dont les suggestions sont utilisées.
Chez Avature, nous proposons une plate-forme dans l’architecture dans laquelle l’IA est intégrée. Nos experts sont toujours joignables par téléphone, pour vous expliquer en détail le fonctionnement. Ce sont eux qui créent le moteur IA qui est au cœur du système et qui appliquent des outils pilotés par l’IA à différentes parties de la plate-forme.
Il est essentiel d’avoir un message et une stratégie clairs, de comprendre où l’IA est utilisée, ce qui est surveillé et ce que vous êtes en mesure de réaliser. Sans cela, le système ne fonctionnera pas pour les organisations mondiales qui cherchent la technologie IA idéale à mettre en œuvre dans leurs stratégies.
En revanche, une « approche white-box » est bel et bien intégrée à l’arsenal d’Avature pour l’ensemble de la plate-forme. Se fondant sur une approche systémique d’appui à la décision, Rabih Zbib est conscient qu’il est important que le client soit tenu informé non seulement de ce que recommande le système, mais aussi de la manière dont il émet ses recommandations.
La transparence est essentielle
La transparence est ici l’un des principaux facteurs : indiquer à l’utilisateur final quelles informations le système utilise. Ceci a également des implications pour l’approche technique qui est utilisée.
Prenons par exemple les suggestions sémantiques lorsque vous effectuez une recherche au sein du vivier de talents. Quand le sourceur cherche des candidats ayant une compétence spécifique, le moteur recommandera des termes à l’utilisateur pour élargir sa recherche à des candidats ayant des compétences voisines pertinentes. Ainsi, la raison pour laquelle un candidat particulier a été extrait peut toujours être expliquée et l’utilisateur peut, à tout moment, écarter des recommandations.
« Comment créer cela, en respectant la confidentialité pour les utilisateurs et de manière à éviter tout parti biais ? »
Cette question devrait rester centrale pendant le déploiement de la stratégie. Selon Rabih Zbib, si le fournisseur que vous avez choisi crée ses capacités d’IA de manière organique via une approche white-box, il est probable qu’il utilise des données pertinentes qui respectent la vie privée et la sécurité.
Cela signifie également que le processus visant à atténuer les biais peut débuter dans les premières phases de développement. Ainsi, grâce à cette transparence, il est plus facile de suivre le biais tout au long du processus. Par contre, une approche black-box opaque risque non seulement de reproduire systématiquement les erreurs et les biais, mais aussi de complexifier considérablement le suivi et la résolution des entrées et calculs problématiques. La confidentialité des données et le biais sont deux préoccupations bien réelles qui restent à l’esprit lors du déploiement officiel d’une stratégie d’IA.
Éviter les biais
Impossible de parler d’intelligence artificielle dans le recrutement et la GT sans aborder la question du biais. Celui-ci est au cœur des préoccupations des entreprises pour tout déploiement de stratégie d’IA. Il suffit de regarder ce qu’il s’est passé avec GPT-3. Alors, que pense Rabih Zbib des questions de biais pour l’intelligence artificielle ?
Par rapport à l’approche technique, Rabih Zbib souligne l’importance de rester vigilant quant au type d’informations et de données qui sont utilisées, ainsi qu’aux algorithmes.
Un cas typique qu’il évoque comme exemple de la survenue d’un biais est celui des recommandations. Cela peut survenir au niveau de la mise en correspondance ou du filtre. Pourquoi cela arrive-t-il et comment faire pour l’éviter ?
Biais explicite
Afin de créer ces modèles, des mesures peuvent être prises pour essayer d’éviter des biais qui ne sont ni voulus ni intentionnels. Pour les cas de biais explicite, Rabih Zbib évoque une série d’actions plus « évidentes » que lui et son équipe prennent pour s’en prémunir, comme ne pas utiliser de genre, d’informations personnelles ou d’appartenance ethnique directement dans les données recueillies. Ils n’utilisent pas non plus de traits personnels, comme la voix, la qualité de parole ou la reconnaissance faciale.
Biais implicite
Pour ce qui est du biais implicite, Rabih Zbib propose de créer une représentation sémantique des candidats et des postes en fonction des compétences nécessaires, plutôt que d’utiliser des données historiques (à savoir des décisions humaines prises à un moment spécifique). Pourquoi ? Selon lui, lorsque l’on s’appuie sur des décisions historiques, il est probable qu’elles contiennent des biais, lesquels peuvent se répercuter sur le modèle actuel.
En revanche, avec une représentation sémantique, les similarités entre ce que vous cherchez et ce que contient la base de données candidats ou emplois peuvent être mesurées, ce qui permet d’émettre des recommandations dans le biais implicite qui pourrait être contenu au seins des données historiques.
L’approche d’Avature pour l’intelligence artificielle appliquée au recrutement et à la gestion de talents
L’élaboration de la feuille de route d’Avature en matière d’IA reflète un pipeline d’informations, et la technologie mise en place à plusieurs niveaux.
Niveau un
Le premier niveau est celui de l’automatisation des tâches. Tout d’abord, il y a huit ans, nous avons intégré à la plate-forme un analyseur de CV, créé pour comprendre plusieurs langues, et pour extraire automatiquement les informations personnelles pertinentes afin d’alimenter un fichier de personne au sein de la plate-forme. Le système est également capable de détecter des fichiers similaires, ce qui permet de les combiner et ainsi d’éviter les doublons. Ceci fait gagner du temps à l’utilisateur, qui ne doit plus effectuer ces tâches manuellement.
Nous améliorons de manière continue l’analyseur de CV. Par exemple, au cours du deuxième trimestre, nous avons réussi à renforcer notre capacité à analyser les CV et à en extraire des informations dans plusieurs langues, y compris le bulgare, le croate, l’estonien, le finnois, le letton, le lituanien, le polonais, le roumain, le slovaque et le slovène. Ces langues s’ajoutent à la liste de 17 langues déjà compatibles avec notre moteur d’analyse des CV.
Niveau deux
Le deuxième niveau vise à traiter les informations à grande échelle, ce qui aide l’utilisateur à élargir ses connaissances. Nous retrouvons ici la sémantique et la mise en correspondance. Ces capacités peuvent traiter d’énormes quantités de données et afficher ce qui est pertinent beaucoup plus rapidement que ne le pourrait un être humain. Elles permettent aussi de déceler des schémas invisibles à l’œil humain. L’important est de fournir l’information adéquate au moment opportun.
Les compétences que la taxonomie et la sémantique ont en commun entrent également en jeu à ce niveau. Cette capacité est développée au fur et à mesure que le thème des capacités prend de l’ampleur dans la communauté de l’acquisition de talents. Cette tâche est bien trop vaste pour être réalisée par un être humain, mais elle est parfaite pour utiliser l’IA. Rabih Zbib fait observer que grâce à l’apprentissage machine, nous sommes en mesure de prendre les données dont nous disposons et d’apprendre comment les compétences interagissent entre elles et avec les emplois, mais aussi de déduire des emplois à partir des compétences et vice versa.
Niveau trois
Le troisième niveau porte sur l’analyse et l’intelligence prédictives au sein même de la plate-forme. La réactivité et la flexibilité sont les principales caractéristiques de ce niveau. Comme le souligne Rabih Zbib, de la plate-forme Avature elle-même : « Il n’existe pas deux exemples identiques. » Le prochain défi de notre stratégie de déploiement est d’améliorer l’expérience utilisateur pour chacun, en s’assurant que les résultats sont positifs et que le processus dans son ensemble l’est également.
Sur notre plate-forme plus particulièrement, l’un des exemples fournis par Rabih Zbib est de vouloir aider l’utilisateur à optimiser l’utilisation des workflows et la manière de les établir. Selon lui, ceci peut se faire en utilisant des techniques comme l’apprentissage par renforcement, dans lequel l’utilisateur peut être modélisé comme l’agent dans un environnement spécifique et prendre note des interactions avec la plate-forme, les guidant tout au long du processus.
Les limites de la technologie ne cessent de reculer et les résultats peuvent restreindre ou améliorer la vision d’un processus particulier. Rabih Zbib prédit qu’à l’avenir, l’accent se portera sur l’évolution et la découverte pour définir comment la technologie pourra être utilisée pour travailler avec nous.
« C’est excitant de participer à cela et d’avoir la possibilité de contribuer à façonner l’avenir. »
Rabih Zbib
Director of Natural Language Processing & Machine Learning chez Avature.
