क्रशिंग बायस किंवा सुपरचार्जिंग?

हायलाइट्स

• एआय रेझ्युमे स्क्रीनिंग कार्यक्षमतेस चालना देते परंतु अनावधानाने पूर्वाग्रह कायम ठेवू शकते.
• कीवर्ड आणि अपारदर्शक अल्गोरिदमवरील अतिरेकी पात्र उमेदवार वगळता जोखीम.
• मानवी निरीक्षण आणि कौशल्य-आधारित मूल्यांकन असलेले एक संकरित मॉडेल चांगले परिणाम सुनिश्चित करते.

चा विषय एआय रेझ्युमे स्क्रीनिंग प्रतिभा अधिग्रहणातील सर्वात चर्चेचे तंत्रज्ञान बनले आहे, संभाव्यत: बचत करण्यासाठी आणि उच्च-खंड भाड्याने देण्याच्या पद्धतींमधून पक्षपात दूर करण्यासाठी अनेकदा “गेम चेंजर” म्हणून ओळखले जाते. तथापि, वास्तविक ज्वलंत प्रश्न असा आहे: ही साधने पूर्वाग्रह काढून टाकत आहेत की ते चुकीच्या पद्धतीने शिकार आहेत आणि म्हणूनच, प्रवर्धन? हे कबूल केले की, महत्त्वपूर्ण फायदे असतानाच, निष्पक्षता आणि अचूकतेसंदर्भात अंमलबजावणीमध्ये अंतर्भूत असलेल्या अत्यावश्यक समस्यांचे अनावरण होते.

वचनः एआय पक्षपात कमी आणि कार्यक्षमतेचे साधन म्हणून

एआय रेझ्युमे स्क्रीनिंगचा सर्वात महत्वाचा फायदा म्हणजे वेग आणि कार्यक्षमता. मॅन्युअल रेझ्युअल पुनरावलोकन वेळखाऊ आहे, हे लक्षात घेता की, कोणत्याही पदासाठी, एखाद्या भरतीकर्त्याने कदाचित त्याद्वारे प्रयत्न केले पाहिजेत.

एआय सिस्टम थोड्या काळामध्ये रेझ्युमेच्या अफाट प्रमाणात स्कॅन करते, अशा प्रकारे प्रतिभा अधिग्रहण रणनीती किंवा उमेदवाराच्या अनुभवासारख्या अधिक सामरिक बाबींवर भरती करणार्‍यांना वेळ घालवण्यासाठी दिवसांच्या कालावधीपासून काही तासांपर्यंत प्रारंभिक स्क्रीनिंग कमी करते.

एआय वापरण्याच्या बाजूने आणखी एक युक्तिवाद म्हणजे मानवी पूर्वाग्रह तटस्थ करण्याची क्षमता. मानवी पुनरावलोकनकर्ता बेशुद्ध पक्षपाती, थकवा किंवा भावनिक अवस्थेद्वारे विसंगत निर्णय घेऊ शकतो ज्यामुळे विसंगत निर्णय होऊ शकतात. तथापि, एआय सिस्टम, प्रत्येक उमेदवारास एकसारख्या पूर्व-सेट नियम आणि निकष लागू करणे, केवळ पात्रता आणि अनुभवावर आधारित रेटिंगचे मानकीकरण सुनिश्चित करू शकते.

उदाहरणार्थ, एआय रेझ्युमे स्वरूपात तुलनेने स्वतंत्रपणे कौशल्ये शोधू शकतो आणि अनुप्रयोगांना इंग्रजी विरूद्ध नसलेल्या नावाने अनुप्रयोग पाहिले जातात तेव्हा उद्भवणार्‍या असमानतेकडे लक्ष देण्यास देखील बरेच पुढे जाऊ शकते. काहीजणांचा असा तर्कही होईल की एआयचे डेटा-चालित निर्णय मानवी निर्णयांपेक्षा कमी पक्षपाती आहेत आणि अशा प्रकारे पारंपारिक कारकीर्दीच्या मार्गामुळे किंवा रोजगाराच्या अंतरांमुळे ज्या उमेदवारांकडे दुर्लक्ष केले जाऊ शकते अशा उमेदवारांना पुन्हा स्क्रीनवर आणले जाईल याची खात्री होईल.

या युक्तिवादानुसार, एआयला मानवी पक्षपातीपणा कमी करण्याचे साधन म्हणून पाहिले गेले. मानवी पुनरावलोकनकर्ते अवचेतनपणे त्यांच्या निर्णयावर पक्षपात करू शकतात किंवा थकल्यासारखे किंवा मूड होऊ शकतात, ज्यामुळे विसंगत निर्णय होऊ शकतात. एआय, दरम्यान, नोकरीसाठी अर्ज करणा each ्या प्रत्येक उमेदवाराला समान नियम आणि निकषांचा समान संच लागू केल्याने पात्रता आणि अनुभवावर संपूर्ण लक्ष केंद्रित करून मूल्यांकनांचा मानक संच लागू करण्यात मदत होऊ शकते.

असा युक्तिवाद केला जाऊ शकतो की एक रेझ्युमे कसे स्वरूपित केले जाते याची पर्वा न करता एआय सातत्याने कौशल्ये योग्यरित्या ओळखेल आणि इंग्रजी-ध्वनी नावे असलेल्या अर्जदारांमधील आणि इंग्रजी नसलेल्या नावे असलेल्या अनुप्रयोगांमधील काही असमानता रोखण्यास मदत होईल. पुढे असा युक्तिवाद केला जात आहे की एआय डेटा-चालित निर्णय घेत असल्याने ते मानवी निर्णय घेण्यापेक्षा कमी पक्षपाती आहे आणि अशा प्रकारे उमेदवारांवर स्पॉटलाइट टाकू शकते ज्यांना अन्यथा दुर्लक्ष करण्यायोग्य कारकीर्दीच्या मार्गांमुळे किंवा रोजगाराच्या अंतरांमुळे दुर्लक्ष केले जाऊ शकते.

वास्तविकता: स्वयंचलितपणे पूर्वाग्रह स्वयंचलित करण्याचा आणि नवीन आव्हाने तयार करण्याचा धोका

हे फायदे असूनही, एआय रेझ्युमे स्क्रीनिंग प्रक्रियेस विशिष्ट मर्यादांमुळे ग्रस्त आहे आणि कधीकधी ते बळकटी किंवा पक्षपातीपणा देखील तयार करू शकतात. एकच सर्वात मोठे आव्हान म्हणजे एआय टूलचे पूर्वाग्रह म्हणजे त्याला आहार घेतलेल्या डेटामध्ये अंतर्भूत पूर्वाग्रह आहे. जर भाड्याने देण्याच्या ऐतिहासिक डेटामध्ये भेदभावपूर्ण नमुन्यांची चिन्हे असतील तर – म्हणजे, तांत्रिक भूमिकांमधील पुरुषांसाठी ऐतिहासिक प्राधान्य – एआय अल्गोरिदम या नमुन्यांची अंतर्गत बनवेल आणि त्यानुसार त्यांना अधिक मजबूत करण्यासाठी कार्य करेल.

आणखी एक गोष्ट उल्लेखनीय आहे की एआय कीवर्ड्सवर जास्त अवलंबून असते, न्युएन्स्ड संदर्भांची सखोल माहिती न घेता. एआय स्क्रीनिंग उपकरणे रेझ्युमेचे पुनरावलोकन करतात, विशिष्ट कीवर्ड शोधत आहेत आणि नोकरीच्या वर्णनात सूचीबद्ध केलेल्या पात्रतेशी जुळण्याचा प्रयत्न करतात.

तथापि, त्यांना करिअरमधील थोडासा बदल किंवा एखाद्या अपारंपरिक कौशल्य संच किंवा एखाद्या व्यक्तीचे देशातील काम यासारख्या बारकावे समजू शकणार नाहीत, जे त्यांना संबंधित कौशल्ये देतील. असा कठोर फिल्टर चुकीच्या नकारात्मकतेस प्रवृत्त करू शकतो-म्हणजे, पूर्णपणे पात्र उमेदवारांच्या रेझ्युमे शोधातून फिल्टर केले जाऊ शकतात कारण विशिष्ट अटी गहाळ आहेत.

याउलट, प्रॉक्सी विशिष्ट कीवर्डसाठी त्यांचे रीझ्युम ऑप्टिमाइझ करून स्वत: ला पात्र ठरतील. आजकाल, नोकरीच्या शोधकर्त्यांनी बोर्डवर चढून सिस्टममध्ये गेमिंग सुरू केले आहे, ज्यामुळे या स्क्रीनिंगच्या संपूर्ण हेतूचा विरोधाभास आहे. याचा अर्थ असा होऊ शकतो की एखाद्या निर्दोष उमेदवाराला नियोक्तासाठी निवड स्लॉटमधून बाहेर काढले जाऊ शकते कारण उमेदवाराला ऑप्टिमाइझ्ड सीव्ही भाषा वापरण्याऐवजी त्यांचे व्यक्तिमत्त्व आणि कौशल्य व्यक्त करायचे होते.

त्याशिवाय, पूर्वाग्रह अल्गोरिदम डिझाइनच्या संकल्पनेत अगदी रांगू शकतो. उदाहरणार्थ, आयव्ही लीग विद्यापीठांमधील उमेदवारांना विशेषाधिकार मिळणारे अल्गोरिदम अनवधानाने कमी विशेषाधिकारित पार्श्वभूमीवर प्रतिभा असलेल्यांशी भेदभाव करू शकतात, ज्यामुळे सामाजिक -आर्थिक भेदभाव कायम आहे. पारदर्शकतेचा अभाव ही बर्‍याच एआय सिस्टमच्या अंतर्गत कामकाजात अडचणीत आणणारी आणखी एक समस्या आहे; भरती करणारे आणि उमेदवारांसाठी एकसारखेच, निर्णय कसे घेतले जातात हे समजून घेणे जटिल आहे, ज्यामुळे निराशा आणि अविश्वासाची समान भावना निर्माण होते.

कदाचित सर्वात मूलभूत मर्यादा म्हणजे स्वत: ची नोंदवलेल्या माहितीवर एआय रेझ्युमे स्क्रीनिंगचा विश्वास ठेवणे, जे त्याच्या पारंपारिक भागांप्रमाणेच वास्तविक नोकरीच्या कामगिरीचा कमकुवत अंदाज आहे. बर्‍याच अभ्यासानुसार असे दिसून आले आहे की अमेरिकेतील कामगारांच्या महत्त्वपूर्ण टक्केवारीने त्यांच्या रेझ्युमेवर पडून राहण्याचे कबूल केले आहे. एआयला या त्रुटीचा वारसा आहे; एखाद्या भूमिकेत उमेदवाराच्या कामगिरीचा अंदाज लावण्यास हे फक्त अक्षम आहे.

शिल्लक मारत आहे: पूर्वाग्रह कमी करणे आणि जबाबदार एआय वापरा

पारदर्शकता आणि स्पष्टीकरणात्मकता यादीतील शीर्षस्थानी असणे आवश्यक आहे, संस्थांनी त्यांची भरती किंवा एआय टूल्स कशी नोकरीवर काम केले आहे हे स्पष्टपणे सांगावे लागेल, तसेच उमेदवारांना निर्णय घेण्याच्या प्रक्रियेबद्दल अंतर्दृष्टी प्रदान करणे आवश्यक आहे. वर्गीकरण विरोधी तंत्रे, जसे की अंध स्क्रीनिंग जे रेझ्युमेपासून संरक्षित वैशिष्ट्ये काढून टाकते, पक्षपात मर्यादित ठेवण्याचे उद्दीष्ट; तथापि, ओळखीसाठी अप्रत्यक्ष प्रॉक्सी अनवधानाने मागे राहिल्या नाहीत हे सुनिश्चित करण्यासाठी दक्षता राखली जाणे आवश्यक आहे.

एक आशादायक प्रगती म्हणजे कौशल्यांच्या चाचणीवर वाढती भर, जिथे एआय उमेदवारांच्या वास्तविक-जगातील आव्हानांना उत्तर देते, ओघ, प्रासंगिकता आणि नोकरीच्या कामगिरीशी अधिक संबंधित असलेल्या उद्दीष्ट स्कोअर तयार करण्यासाठी टोनचे विश्लेषण करते. वास्तविक-जगातील परिणामः किरकोळ विक्रेता खराब भाड्याने घेताना 58% आणि एआय गुंतवणूकीवर 300% आरओआय कमी दिसतो. जबाबदार अ, म्हणूनच, संपूर्ण प्रक्रियेमध्ये निष्पक्षता, उत्तरदायित्व आणि पारदर्शकतेमध्ये एम्बेड केलेले तंत्रज्ञान आणि मानवी निर्णयाचे न्याय्य मिश्रण आवश्यक आहे.

निष्कर्ष

एआयद्वारे रेझ्युमे स्क्रीनिंग हा एक विरोधाभास आहे की अफाट कार्यक्षमता आणि स्केलिंग संभाव्यतेचे एका टोकाला आहे, परंतु कोणत्याही गैरवर्तनामुळे एखाद्याच्या विद्यमान पक्षपातीपणाला स्पष्टपणे त्रास होईल. रेझ्युमे नोकरीच्या कामगिरीचे कोणतेही कमीतकमी मर्यादित भविष्यवाणी आहेत. एआय, तथापि, भाड्याने देण्याच्या मानवी निर्णयामध्ये वाढ करण्याच्या दृष्टीने अनेक चरणांपैकी एक असावी.

जबाबदार एआय नीतिमत्तेसाठी तयार केलेल्या वापरामध्ये विषम डेटासेट, पारदर्शक मूल्यांकन प्रक्रिया आणि सतत मानवी निरीक्षण आणि ऑडिटिंगचे पर्याय समाविष्ट असणे आवश्यक आहे. अधिक बाजूने, कंपन्या एआयचा उपयोग विविध, न्याय्य आणि अत्यंत प्रतिभावान कर्मचार्‍यांची निर्मिती सुनिश्चित करण्यासाठी करू शकतात; याव्यतिरिक्त, उमेदवाराच्या अनुभवाचा दोन्ही पध्दतींचा फायदा होईल.