【讀者投書】企業如何面對以人工智慧招募人才的挑戰

作者／Daisy Liu（人資解決方案新創商務開發人員）

對企業而言，尋找技術人才並不總是那麼容易，單在美國就有超過30 萬個科技職位等待招募，在研究機構調查的 39,000 名雇主中，有五分之四的受訪者表示，他們很難完全招募到這些職缺，而即便越來越多的公司發現人工智慧可以幫助他們填補這些職位，利用人工智慧來招募合適的技術人才也充滿挑戰，而這些挑戰往往是基於對人工智慧能做什麼和不能做什麼的誤解，今天讓我們看看這些挑戰是什麼，以及當今雇主如何透過更有效地使用人工智慧來解決這些招募難題。

一、人工智慧的問題

招募過程中的人工智慧並不新鮮。至少幾十年來，雇主一直在使用自動化技能評估來評估候選人的專業知識，並使用申請人追蹤系統 (ATS) 軟體來收集和組織工作申請、履歷、求職信等。然而，人工智慧在審查候選人並將其匹配到合適的職位方面最有益的用途超出了這些任務。這種數據驅動的方法利用人工智慧和機器學習演算法，根據潛在的數千個數據點產生值得信賴的招募建議。

二、大眾認知與監管環境改變

當談論人工智慧在招募中的應用時，通常我都會聽到同樣的擔憂，這些擔憂主要集中在人工智慧帶來的偏見上，許多人擔心人工智慧會反映出現有的偏見，因為演算法會無意中延續歷史數據中存在的歧視，從而導致某些種族或地區應徵者的辨識偏誤，特別是在銀行和醫療保健等產業。因此，規範人工智慧在招募過程中使用的規則已經陸續制定。以美國為例，從 今年7 月開始，紐約企業將必須對他們用來幫助他們選擇候選人的任何自動就業決策工具（AEDT）進行偏見審查，並讓其他人明白人工智慧招聘流程與模式，達到透明化。

三、嚴格測試以獲得公平結果

另外，如果數據有偏差，結果也會有偏差。以科技業為例，該行業只有27%的員工是女性。如果歷史數據表現出對成功男性候選人的偏見，提供招聘建議的人工智慧系統可能會傾向於男性而不是同等或可能更合格的女性，從而使原始數據集中固有的性別偏見長期存在並放大。

為了解決這個問題，人工智慧開發人員應該使用多種訓練數據，並考慮到人工智慧的弱點。例如，他們需要確保與成功的女性候選人和成功的男性候選人相關的培訓數據數量相同。但即使開發人員盡最大努力，人工智慧系統的結果可能不會完全符合使用者的預期，這意味著業者需要嚴格測試輸入.輸出，以確保它符合公正、平等的招募流程。部分業者會透過「盲目招募實驗」，在初步篩選過程中隱藏姓名、性別或其他可能引起偏見的資訊等識別碼，這些存在潛在偏見的報告應促使進一步調查或暫時停止人工智慧系統，直到問題得到解決。

對台灣企業來說，在數位轉型驅動下，許多人資部門也開始使用人工智慧進行招募，這股趨勢從外商一路延伸到本土業者，但並非所有招募人員對於這些技術的使用都能掌握，相較於國外的種族歧視問題，我國業者或需要更多對人工智慧在招募流程的掌握，與相關顧問合作，確保找到適合人選。

瀏覽 287 次