Ефименко В.А.

Аннотация.

Цель: оценить эффективность использования машинного обучения в сфере подбора молодых специалистов без опыта трудовой деятельности.

Результаты: проведён анализ методов машинного обучения, а также различных платформ искусственного интеллекта (ИИ) в области подбора персонала. Представлены алгоритмы ИИ в сфере подбора, рекрутинга и взаимодействия отдела HR с сотрудниками компании. Это позволило описать механизм реализации Программного обеспечения «Цифровой след» в условиях современного рынка труда потенциальным работодателям и молодым специалистам без трудового опыта. Программное обеспечение создано за счёт автоматизации принципов методики психосемантической диагностики. Указаны пути дальнейших исследований по привлечению методов искусственного интеллекта в задачи кадрового менеджмента.

Теоретическая и практическая значимость: результаты исследования позволяют оценить и детально охарактеризовать возможности алгоритмов машинного обучения в области трудовых ресурсов.

Ключевые слова: искусственный интеллект, машинное обучение, задачи кадрового менеджмента, «Цифровой след», молодой специалист

Научная статья

Физико-математические

1.2.1. Искусственный интеллект и машинное обучение

Психологические науки

5.3.5. Социальная психология, политическая и экономическая психология

УДК 331.1+004.89

---

 

Original article

Application of machine learning algorithms in recruitment

Efimenko V.A.

Abstract.

Objective: To evaluate the effectiveness of the use of machine learning in the selection of young professionals without work experience.

Results: the analysis of machine learning methods, as well as various artificial intelligence platforms in the field of personnel recruitment. AI algorithms in the field of recruitment, recruiting and interaction of the HR department with the company's employees are presented. This made it possible to describe the mechanism of implementing the Digital Footprint Software in the conditions of the modern labor market to potential employers and young professionals without work experience. The ways of further research on the involvement of artificial intelligence methods in the tasks of personnel management are indicated.

Theoretical and practical significance: the results of the study allow us to evaluate and characterize in detail the possibilities for machine learning algorithms in the field of human resources.

Key words: artificial intelligence, machine learning, personnel management tasks, «Digital footprint», young specialist

For citation: Efimenko V.A. Application of machine learning algorithms in recruitment / V.A. Efimenko // Electronic scientific journal «Homo Cyberus». 2023. № 1 (14). URL: http://journal.homocyberus.ru/Efimenko_VA_1_2023

---

 

 

Введение

Растущая экономика является фундаментом существования государства. Президент России Владимир Путин в своем Послании к Федеральному собранию заявил, что экономика страны вышла на новый цикл развития, и обозначил стратегические задачи для дальнейшего преобразования [1]. Одним из приоритетных направлений обозначено изменение процессов, происходящих на современном рынке труда: качественные отношения между сотрудниками и работодателями. На фоне глобальных преобразований в России сменилась главная HR-стратегия, которой придерживаются работодатели.

Изменение приоритетов в HR-стратегиях российских работодателей отразилось и на подходах к подбору новых сотрудников. Организация подбора кадров является критическим фактором для роста экономики и потому остаётся крайне актуальным вопросом. По данным ЦБ РФ, в 1 квартале 2023 года зафиксирован рекордный за четверть века дефицит кадров [10]. Обладание специализированными знаниями и навыками позволяет эффективно управлять ресурсами, оптимизировать бизнес-процессы. Это способствует росту производительности и улучшению экономических показателей, как отдельной компании, так и экономики целом. Сбалансированные решения в сфере подбора персонала обеспечивают лидерство в секторах, имеющих стратегическое значение для страны, таких, как наука, технологии, инженерия и финансы. Рост и конкурентоспособность этих отраслей, в свою очередь, являются движущей силой экономического развития.

Основная часть

Для эффективного подбора персонала уже создано множество различных методик. Однако прогресс не стоит на месте, и настало время для привлечения новых технологий в сферу HR. Отличным подспорьем для кадровиков станет искусственный интеллект (далее — ИИ). Различным аспектам использования ИИ в управлении персоналом посвящены труды отечественных и зарубежных учёных, таких, как: А. Агравал, В. С. Балаганская, А. Голдфарб, Г. Джошуа, Т. В. Климчук, Т. А. Пантелеева, М. А. Уваров и др. [2, 3, 6, 8].

Технологии искусственного интеллекта могут стать ключом к решению актуальных проблем в управлении человеческими ресурсами [4, С. 16]. В деле отбора подходящих кандидатов алгоритмы ИИ могут быть использованы разным способом:

1. Автоматизированный скоринг резюме и документов [5];
2. Автоматизированный анализ ответов на вопросы анкеты кандидата;
3. Автоматизированный анализ невербальных выражений;
4. Автоматизированный анализ аккаунтов кандидатов в социальных интернет-сетях для составления психологического портрета;
5. Построение прогностических моделей на основе данных о прошлых успешных и неуспешных кандидатах.

В идеальной ситуации решающим фактором для выбора того или иного кандидата является его квалификация и опыт. Кадровику (или ИИ ему помогающему) достаточно лишь проанализировать резюме и проверить квалификационные документы (пункт № 1 выше).

Но как же быть с теми, кто только вчера получил свой первый диплом и не имеет сколько-нибудь значимого практического опыта? В этой ситуации, выбор того или иного кандидата зависит от большого числа косвенных факторов, анализ которых является достаточно трудозатратным, а часто неподъёмным для одного человека (пункты № 2-5 выше). И тут ИИ может стать просто незаменимым помощником начинающего кадровика.

Цель исследования: оценить эффективность использования машинного обучения в сфере подбора молодых специалистов без опыта трудовой деятельности.

Благодаря стремительному развитию технологий, почти у каждого сегодня есть публичная страница, по крайней мере, на одной из многочисленных социальных платформ: социальные интернет-сети, мессенджеры, форумы и т. д. С помощью таких платформ люди общаются с друзьями, заводят новые знакомства, рассказывают о себе и своих интересах, пишут посты, оставляют комментарии, размещают фотографии — всё это вошло и закрепилось в нашей жизни. Таким образом, люди генерируют большой объём открытых данных доступных каждому, которые могут быть извлечены и проанализированы.

Согласно отчёту зарубежного аналитического центра NAFI 10 % сотрудников уверены, что работодатель изучает их социальные сети, а ещё 24 % не исключают такой возможности [7]. Интересно, что 67 % респондентов ограничивают возможность просмотра своих профилей, при этом 39 % из них полностью их закрывают, а 28 % ограничивают доступ всем, кроме друзей [там же]. В связи с этим возникает необходимость привлечения дополнительных источников информации о кандидате, а, значит, увеличивается и сложность анализа.

Крупные компании особенно охотно используют информацию из социальных интернет-сетей для изучения кандидатов, прежде чем устанавливать с ними связь. Этот процесс занимает много времени и не является экономически эффективным с точки зрения ключевых показателей эффективности. Исходя из этого, следует логичный вывод о необходимости создания специализированного программного обеспечения для анализа и построения психологического или информационного портрета человека. Такой инструмент будет наиболее актуален для бизнеса и социальных организаций.

Для создания соответствующего программного обеспечения необходимо решить следующие задачи:

1. Выполнить анализ показателей, необходимых для построения психологического портрета человека;
2. Разработать модели для идентификации и анализа показателей со страницы социальной интернет-сети;
3. Разработать программное обеспечение для сбора и анализа информации из социальных интернет-сетей.

На практике подобный алгоритм был реализован компанией «Практиком», которая имеет опыт и практические наработки для решения поставленных задач. В частности, чтобы определить показатели, необходимые для построения психологического портрета, специалисты компании провели консультации с экспертами в области психологии. По их результатам, в качестве ключевых были выделены следующие показатели:

• интеллект;
• экстраверсия;
• беспокойство;
• агрессивность;
• депрессивность.

Дальше компанией «Практиком» была разработана модель идентификации и анализа этих показателей «Цифровой след», где каждый из 5 показателей рассчитывается в целых значениях и изначально равен 0 — нейтральный показатель метрики. Таким образом, модель психологического портрета — это набор векторов отдельных психологических характеристик (векторов точек в соответствии с перечисленными метриками).

В зависимости от выявленных характеристик поведения, указанные выше ключевые показатели увеличиваются или уменьшаются на единицу («+» и «−» соответственно).

По завершении такого анализа составляется психологический портрет, где, чем больше количество конкретной метрики (положительные числа), тем больше такая метрика проявляется у анализируемого пользователя, и наоборот — чем меньше (отрицательные числа), тем меньше пользователь склонен к этому показателю. 0 считается нейтральным положением.

Обработка данных ведётся следующим образом: со страницы анализируемого пользователя загружаются персональные данные (ФИО, дата рождения и т. д.), количество друзей и подписок, все загруженные фотографии пользователем (дата загрузки не должна быть старше 1 года с момента анализа), а также все сообщения, написанные пользователем. Далее, данные обрабатываются алгоритмами. Например, для анализа текстовых сообщений используется словарь синонимов, который разделён на несколько категорий:

• Покупки;
• Еда (кафе, рестораны);
• Культурные мероприятия (концерты);
• Спорт, фитнес;
• Внешний вид, стиль, мода;
• Путешествия;
• Работа;
• Учёба;
• Деньги;
• Политика;
• Троллинг, оскорбления, клевета, угрозы, домогательства [10, С. 160][1].

Все слова в сообщении приводятся к исходной форме, после чего производится поиск по ним в словаре. В зависимости от количества слов, найденных в определённой категории, сообщению присваивается соответствующая категория.

Для анализа фотографий используется готовая нейронная сеть ImageAI с открытым исходным кодом, выбранная из-за доступности, мощности и популярности языка программирования — Python 3. При анализе пользовательских фотографий нейронная сеть определяет содержание каждой из фотографий и распределяет контент по следующим категориям:

• Селфи;
• Люди;
• Животные;
• Пейзажи;
• Города;
• Техника;
• Еда;
• Одежда.

Прочие данные обрабатываются иными алгоритмами. «Цифровой след» анализирует множество параметров, таких как: соответствие ФИО, аватара, открытость/закрытость профиля и его отдельных элементов, количество контактов, подписок на группы по интересам, смысловое содержание групп по интересам и т. д.

Для упрощения процесса анализа, а также централизации и простоты использования, программное обеспечение реализовано в виде REST-сервера на языке программирования Python 3, как наиболее пригодном для больших объёмов вычислений. Работа с таким сервером представлена в простой и удобной форме — запрос, содержащий полное имя и идентификатор страницы пользователя в социальной интернет-сети, подаётся на сервер, а в ответ сервер отправляет матрицу рассчитанных психологических характеристик — психологический портрет пользователя. Стоит отметить, что в рамках данной работы тестирование реализации сбора данных проводилось исключительно для социальной интернет-сети «ВКонтакте».

Описанным методам ещё предстоит пройти обширный путь модификаций и улучшений, но первоначальное тестирование дало достаточные результаты, указывая на правильность выбранного подхода.

Заключение и выводы

В долгосрочных планах специалистов Praqti.com стоят задачи расширить психологический портрет пользователей социальных интернет-сетей и выявить связь ключевых показателей с такими этическими характеристиками, как порядочность, честность и волевые качества.

Важно отметить, что использование алгоритмов ИИ для психологической оценки кандидатов должно быть осуществлено корректно, в соответствии с законодательством и нормами конфиденциальности данных. Кроме того, алгоритмы не должны заменять решения рекрутеров или HR-специалистов, а служат дополнительным, но крайне эффективным инструментом поддержки принятия решений.

Успешно подобранные молодые специалисты без опыта работы имеют свои особенные преимущества: привносят свежий взгляд на проблемы, обладают большой гибкостью и адаптивностью, имеют личный потенциал для развития. Однако чтобы найти эти «неогранённые алмазы», минуя сопутствующие риски, надо хорошо постараться. По мнению исследователей из Санкт-Петербургского государственного университета аэрокосмического приборостроения «человеческий капитал в организации — это коллективная ценность способностей, знаний, навыков, жизненного опыта и мотивации персонала» [9, С. 407].

Программное обеспечение «Цифровой след» не будет полностью отменять принятие решений людьми, но это поможет упростить процесс найма и позволит значительно сократить расходы компании. Оно может помочь решить самые сложные проблемы, которые возникают у специалистов по управлению персоналом в области подбора и обучения [12, С. 98].

 

Список источников

 

1. Послание Президента Федеральному Собранию  [Электронный ресурс] — URL: http://www.kremlin.ru/events/president/news/70565 (дата обращения: 20.05.2023).
2. Голдфарб Агравал Ганс. Искусственный интеллект на службе бизнеса. Как машинное прогнозирование помогает принимать решения. / Голдфарб А. — М.: Манн, Иванов и Фербер, 2019. — С. 336.
3. Балаганская В. С., Чуланова О. Л. Искусственный интеллект в управлении персоналом: возможности и риски / В. С. Балаганская, О. Л. Чуланова // Новое поколение. — 2019. № 20.  — С. 19-24.
4. Блинникова А. В., Йинг Д. К. Использование искусственного интеллекта в процессах управления человеческими ресурсами / А. В. Блинникова, Д. К. Йинг // Вестник университета. — 2020. — № 7. — . 14-21.
5. Ванкевич Е. В., Калиновская И. Н. Технологии искусственного интеллекта в управлении человеческими ресурсами / Е. В. Ванкевич, И. Н. Калиновская // Белорусский экономический журнал. — 2020. — № 2. — С. 38-51.
6. Грэхем Х. Т., Беннетт Р. Управление человеческими ресурсами: учебное пособие / Х. Т. Грэхем, Р. Беннет / пер. с англ. Т. Ю. Базаровой, Б. Л. Ереминой. – М.: Юнити, 2003. — 600 с.
7. Каждый третий пользователь соцсетей допускает, что работодатель следит за его страницами [Электронный ресурс] — URL: https://nafi.ru/analytics/kazhdyy-tretiy-polzovatel-sotssetey-dopuskaet-chto-rabotodatel-sledit-za-ego-stranitsami/ (дата обращения: 25.05.2023).
8. Климчук Т. В., Уваров М. А. Искусственный интеллект в сфере управления персоналом / Т. В. Климчук, М. А. Уваров // Вестник науки и образования. — 2020. — № 13 (91). — С. 31-34.
9. Кричевский М. Л., Дмитриева С. В., Мартынова Ю. А. Методы машинного обучения в управлении человеческими ресурсами / М. Л. Кричевский, С. В. Дмитриева, Ю. А. Мартынова // Вопросы инновационной экономики. — 2023. — Том 13. — № 1. — С. 405-420.
10. Соломин И. Л. Методика психосемантической экспресс-диагностики мотивации / И. Л. Соломин // Школьные технологии. — 2008. — №1, — С. 159-168.
11. Суровая реальность HR-2023: дефицит кадров как новый вызов [Электронный ресурс] — URL: https://hr-elearning.ru/surovaya-realnost-hr-2023-deficit-kadrov/ (дата обращения: 25.05.2023).
12. Таппасханова Е. О., Мустафаева З. А., Токмакова Р. А., Бисчекова Ф. Р. Маркетинг персонала: современный подход / Е. Ю. Таппасханова, З. А. Мустафаева, Р. А. Токмакова, Ф. Б. Бисчекова // Вестник Алтайской академии экономики и права. — 2020. — № 8 (часть 1). — С. 96-104.

 

Ефименко В.А. Применение алгоритмов машинного обучения в подборе персонала / В.А. Ефименко // Электронный научно-публицистический журнал «Homo Cyberus». 2023. № 1 (14). URL: http://journal.homocyberus.ru/Efimenko_VA_1_2023

FOR CITATION:

Efimenko V.A. Application of machine learning algorithms in recruitment / V.A. Efimenko // Electronic scientific journal «Homo Cyberus». 2023. № 1 (14). URL: http://journal.homocyberus.ru/Efimenko_VA_1_2023