Многие стартапы утверждают, что они тоже используют ИИ, нейронные сети. Как HR-специалисту, мало разбирающемуся в этой области, предугадать, не являются ли их обещания качественного результата лишь продуманным маркетингом?
Б. В.: Это может сделать даже неспециалист, потому что ключевым является вопрос о количестве данных, которые используются для построения модели машинного обучения.
Когда провайдер оперирует тысячами или даже десятками тысяч резюме и откликов, этого явно недостаточно. Для сравнения, hh.ru использует миллионы и десятки миллионов пар, чтобы выявить наличие сигналов. В упрощенном виде, для подходящих рекомендаций следует иметь в обучающей выборке похожие вакансии и компании с откликнувшимися и далее приглашенными кандидатами. Речь идет об огромном числе вакансий, резюме и взаимодействий между ними.
Далее необходимо поинтересоваться теми подходами, которые используются в процессе разработки ИИ. Эксперты обычно уточняют наличие ключевых слов, а остальные – какая метрика является целевой для обучения моделей, то есть что они оптимизируют.
Например, по отношению к соискателям hh.ru оптимизирует вероятность отклика, а к работодателям – вероятность приглашения. Если вам не смогут ответить даже на такой простой вопрос, продолжать разговор о машинном обучении нет смысла.
Третий момент – как измеряется точность моделей. Неправильных вариантов два: полное отсутствие такой практики либо (что приходится часто слышать) «наша точность – 100 %».
В целом все-таки рекомендую привлечь знающих людей, которые помогут отделить настоящие технологии от тех, которые преподносятся в этом качестве.
О. М.: Нужно внимательно проверять, когда компания вышла на рынок (стартапы чаще всего не имеют доступа к большим массивам данных), на чем она строит машинное обучение и не стремится ли просто поймать хайповую волну. При этом бывает, что новые игроки предлагают по-настоящему интересные решения; пусть там и нет ИИ, свежий взгляд и нестандартные подходы не могут не радовать.
Технологии хороши именно тогда, когда жизнь обычного человека становится проще, и в нашем поиске все сложное спрятано «под капот». В HR не обязательно быть суперпродвинутым айтишником, глубоко разбираться в технических деталях, главное – знать, какие решения лучше выбирать и в какой момент их применять.