Cómo aplicar el Machine Learning a los Recursos Humanos

machine-learning-rrhh

La gran mayoría de los avances y aplicaciones de inteligencia artificial que escuchan se refieren a una categoría de algoritmos conocida como Machine Learning. Los algoritmos de aprendizaje automático utilizan estadísticas para encontrar patrones en cantidades masivas de datos. Y los datos, aquí, engloban muchas cosas: números, palabras, imágenes, clics, lo que sea. Si puede almacenarse digitalmente, puede incorporarse a un algoritmo de aprendizaje automático.

El aprendizaje automático es el proceso que impulsa muchos de los servicios que utilizamos hoy en día: sistemas de recomendación como los de Netflix, YouTube y Spotify; buscadores como Google y Baidu; redes sociales como Facebook y Twitter; asistentes de voz como Siri y Alexa. La lista continúa...

En todos estos casos, cada plataforma recopila la mayor cantidad de información posible acerca de nosotros: los géneros que le gusta ver, los enlaces en los que hace clic, los estados a los que reacciona y el aprendizaje automático para hacer una suposición altamente informada sobre lo que hace, lo siguiente que podría querer o, en el caso de un asistente de voz, sobre qué palabras coinciden mejor con los sonidos divertidos que salen de tu boca.

Francamente, este proceso es bastante básico: encontrar el patrón, aplicar el patrón. Pero prácticamente está presente en muchos aspectos de nuestra vida. Eso es en gran parte gracias a un invento de 1986, cortesía de Geoffrey Hinton, hoy conocido como el padre del Deep Learning.

Gestión del talento con SAP SuccessFactors

Deep Learning

El Deep Learning es el aprendizaje automático con esteroides: utiliza una técnica que otorga a las máquinas una capacidad mejorada para encontrar, y amplificar, incluso los patrones más pequeños. Esta técnica se denomina red neuronal profunda: profunda porque tiene muchas, muchas capas de nodos computacionales simples que trabajan juntos para buscar datos y entregar un resultado final en forma de predicción.

Las redes neuronales se inspiraron vagamente en el funcionamiento interno del cerebro humano. Los nodos son como neuronas y la red es como el cerebro mismo. Pero Hinton publicó su avance en un momento en que las redes neuronales habían pasado de moda. Nadie sabía realmente cómo entrenarlos, por lo que no estaban dando buenos resultados. La técnica tardó casi 30 años en recuperarse. Pero de pronto, surgió de los abismos.

Una última cosa que debemos saber en esta introducción: el aprendizaje automático (y profundo) viene en tres envoltorios: supervisado, no supervisado y reforzado.

  • En el aprendizaje supervisado, el más frecuente, los datos se etiquetan para indicar a la máquina exactamente qué patrones deben buscar. Piensa en ello como algo así como un perro rastreador que perseguirá a los objetivos una vez que sepa el envoltorio que está buscando. Eso es lo que estás haciendo cuando presionas play en un programa de Netflix: le estás diciendo al algoritmo que encuentre programas similares.
  • En el aprendizaje no supervisado, los datos no tienen etiquetas. La máquina solo busca cualquier patrón que pueda encontrar. Esto es como dejar que una persona revise toneladas de objetos diferentes y los clasifique en grupos con envoltorios similares. Las técnicas no supervisadas no son tan populares porque tienen aplicaciones menos obvias aunque curiosamente, han ganado fuerza en la ciberseguridad.
  • Por último, tenemos el aprendizaje por refuerzo, la última frontera del aprendizaje automático. Un algoritmo de refuerzo aprende por ensayo y error para lograr un objetivo claro. Prueba muchas cosas diferentes y es recompensado o penalizado dependiendo de si sus comportamientos ayudan o le impiden alcanzar su objetivo. Esto es como cuando un niño se porta bien agradece con una alabanza, con afecto. El aprendizaje por refuerzo es la base de AlphaGo de Google, el programa que supera a los mejores jugadores humanos en el complejo juego de Go.

 

Qué aporta el Machine Learning a mi gestión de Recursos Humanos

Aplicado a los Recursos Humanos, si bien el potencial de crecimiento es amplio, el uso actual del Machine Learning es limitado y presenta un dilema que deberá resolverse en el futuro, relacionado con la capacidad de las máquinas de descubrir el talento en los seres humanos, más allá de sus competencias duras y verificables como, por ejemplo, nivel de estudios, etc.

La inteligencia del software está transformando los recursos humanos. Por el momento tiene su foco principal en los procesos de reclutamiento, que en la mayoría de las ocasiones es un proceso muy costoso e ineficiente donde nuestro objetivo es buscar a los mejores candidatos entre miles de ellos, aunque podemos encontrar múltiples ejemplos de aplicación:

  1. Un primer ejemplo sería el desarrollo de tecnología que permitiría a las personas crear descripciones de puestos de trabajo que son neutrales en cuanto al género para atraer a los mejores candidatos posibles, ya sean hombres o mujeres. Esto impulsaría un grupo de solicitantes de empleo y una población de empleados más equilibrada.
  2. Un segundo ejemplo constituye las recomendaciones de formación que los empleados podrían recibir. En multitud de ocasiones estos empleados tienen muchas opciones de formación, pero a menudo no pueden encontrar lo que es más relevante para ellas; por lo tanto, estos algoritmos nos presentan los cursos internos y externos que mejor se adaptan a los objetivos de desarrollo del empleado basándose en muchas variables, incluidas las habilidades que el empleado pretende desarrollar y los cursos realizados por otros empleados con objetivos profesionales similares.


Estos dos casos son claros ejemplos en los que Machine Learning eleva el rol de recursos humanos desde procesos tácticos hasta proceso estratégicos. El software inteligente está habilitando la mecánica de la gestión de la fuerza laboral, como crear solicitudes de trabajo, recomendar cursos o predecir qué empleados tienen más probabilidades de abandonar la empresa, dando la posibilidad de reaccionar con tiempo y aplicar políticas correctoras de esas deficiencias.

Desde el punto de vista del negocio, la tecnología de aprendizaje automático es una oportunidad para impulsar una mayor eficiencia y una mejor eficacia en la toma de decisiones. Esto ayudará a todos a tomar mejores decisiones e, igualmente importante, le dará a Recursos Humanos una voz estratégica y valiosa a nivel ejecutivo.


Atrae a tu empresa el mejor talento

Desde Techedge ponemos a tu disposición nuestra experiencia en el sector y las tecnologías más punteras para que puedas crear una estrategia exitosa de Employer Branding.

¡Quiero saber más!

Manuel Campos

Manuel Campos

Manuel es Consultor Senior de Tecnología centrado en la Gestión del Capital Humano. Su enfoque está en el área de gestión y transformación de RRHH y soluciones en la nube. Con más de 15 años de experiencia en tecnología de RRHH, consultoría de RRHH y gestión de implementaciones de soluciones de gestión y nómina para organizaciones globales.

Esta experiencia le ha permitido convertirse en arquitecto de soluciones "end to end" para RRHH brindando servicios de estrategia, consultoría, transformación, optimización e implementación de tecnología de recursos humanos para grandes clientes de diferentes sectores.

FOLLOW-ME