Talent Hunters Liam Whelan diskuterar det växande rekryteringsutrymmet för AI, det positiva och de vanliga fallgroparna.
Långt borta från teknikområdet fick Liam Whelan, grundare och VD för den AI-drivna rekryteringsplattformen Talent Hunter, till en början sin start inom hotell- och rekryteringssektorn.
”Även om den bakgrunden kan tyckas avlägsen från AI-rekrytering, var det faktiskt den ultimata katalysatorn,” förklarade Whelan. ”Min tid inom hotellbranschen definierades av konstant personal med hög insats, processoptimering och resursallokering. Jag såg den förödande effekten av en dålig anställning på teammoral och servicekvalitet och den rena ineffektiviteten i att försöka fylla kritiska roller manuellt.”
Under konstant press att skala och växa snabbt, men behålla kvaliteten, fann Whelan att traditionella anställningsverktyg blev långsamma, visade partiskhet och blev allt mer inkonsekventa.
”Denna operativa frustration, i kombination med min omfattande utbildning och certifiering som Lean Six Sigma Green Belt, ledde till nyckelförverkligandet, rekrytering, i grunden en process för att förutsäga mänsklig framgång, var decennier efter i tekniken. Min passion skiftade till att hitta ett sätt att ta bort slöseri och variation från denna process.”
Och så började han utvecklas i maskininlärning, som ett sätt att rikta in sig på föråldrade manuella processer via datadriven framsyn och vad han trodde var algoritmisk rättvisa. Så föddes Talent Hunter, en nyligen lanserad irländare AI-driven rekrytering företag designat för att ta itu med de smärtpunkter som Whelan ”upplevde dagligen”.
Irländsk excellens
Irland har starkt cementerat sig som ett internationellt erkänt globalt nav för teknisk innovation, men för Whelan, hur navigerar nästa fas är otroligt viktigt.
”Det är helt avgörande”, sa han. ”Irland är redan ett globalt teknologinav, men för att övergå från att vara ett hem för multinationella tekniska verksamheter till att vara en global ledare inom AI-innovation måste vi prioritera två saker.”
Den första är etiskt ledarskap för AI, där landet kan visa upp sitt engagemang för global AI-policy och utveckling. Genom att fokusera på god praxis och beteenden skiljer sig Irland från mindre etiska organisationer och attraherar framtidsfokuserade företag.
Enligt Whelan bör den andra prioriteringen vara talangutveckling, där Irlands ledare inom detta område ”aggressivt investerar i uppkvalificering () av arbetskraften och universitetsprogram inom datavetenskap och maskininlärning för att säkerställa en hållbar, lokalt odlad talangpipeline som driver nästa våg av nystartade AI-företag.
”En stark, principiell position i AI-revolutionen kommer att stärka Irlands ekonomiska framtid och varumärke på världsscenen,” sa Whelan.
Är det en automatiserad värld?
Artificiell intelligens kan rimligtvis beskrivas som lite blandat. Några av de innovationer vi ser, särskilt inom områden som sjukvårdssektorn, har potential att förändra liv till det bättre.
Som svar på AIs växande popularitet investerar många organisationer och institutioner tungt i AI-driven teknik, men det är naturligt att inte alla sektorer är i behov av en drastisk omvandling. Men för Whelan har rekrytering verkligen framstått som ett område där förändring är motiverad.
Han förklarade att AI i rekrytering tar upp tre stora utmaningar som ofta uppstår på den moderna arbetsplatsen, till exempel volymproblemet. Det är här det lätta att ansöka om en roll har resulterat i vad som kan anses vara en överväldigande mängd sökande, vilket gör manuella granskningar omöjliga och leder till utbrändhet för mänskliga rekryterare.
Det finns också ett partiskt problem, där mänskliga rekryterare, vare sig det är medvetet eller omedvetet, fattar snabba beslut baserat på irrelevant information som sökandens kön, skolan de gick på eller regionen som deras namn kommer från.
Till sist finns det kompetensgapet problem, där många nya roller kräver nisch- eller hybridfärdigheter som traditionella meritförteckningar inte kan fånga. Enligt Whelan, ”AI kan utföra färdighetskartläggning i realtid och analysera icke-traditionella erfarenheter, som projektarbete eller onlinekurser, för att hitta rätt person.”
Att lösa problemen
Det betyder inte att AI själv inte skapar sina egna utmaningar. Whelan noterade potentialen för algoritmisk bias där de historiska data som används för att träna modellen återspeglar föråldrade ideal, till exempel att vissa roller inom STEM är bättre lämpade för manliga kandidater.
Dessutom kan brist på transparens få både företag och kandidater att misstro ett beslut som de inte helt förstår, vilket leder till dåligt antagande och till och med juridiska risker.
För att övervinna dessa problem, förklarade Whelan att användare och organisationer måste 100 pct förbinda sig till partiskhetrevisioner och de-biasing-insatser, varvid de implementerar ”periodiska algoritmiska granskningar för att säkerställa att modellerna prioriterar färdigheter och kompetenser framför skyddade egenskaper”.
Och glöm aldrig att en AI-modell bara alltid finns där för att hjälpa, inte för att ta över. Det slutliga beslutet bör alltid tas efter att arbetet som slutförts av AI-modellen har granskats, ”för att säkerställa empati, nyans och strategisk översyn.
”Framtiden för arbetet handlar inte om att ersätta det mänskliga elementet, utan om att förstärka det.”
