<img height="1" width="1" style="display:none" src="https://www.facebook.com/tr?id=974250883405448&amp;ev=PageView&amp;noscript=1">
Anwendungsbeispiele von Machine Learning für HR

Human Capital Management

,

Machine Learning & Deep Learning

,

Artificial Intelligence

,

HR

Anwendungsbeispiele von Machine Learning für HR

Manuel Campos | Nov 23, 2021

Die meisten Fortschritte und Anwendungen von künstlicher Intelligenz, von denen wir heute hören, beziehen sich auf eine Kategorie von Algorithmen, die als Machine Learning bekannt sind. Selbstlernende Algorithmen verwenden Statistiken, um aus riesigen Datenmengen Modelle zu erstellen. Und Daten können sein: Zahlen, Wörter, Bilder, Klicks, was auch immer. Wenn sie digital gespeichert werden können, lassen sie sich in einen automatischen Lernalgorithmus integrieren.

Automated Learning ist ein Prozess, der viele der Dienste steuert, die wir heute nutzen: Filmempfehlungen wie bei Netflix, YouTube und Spotify; Suchmaschinenvorschläge wie bei Google und Baidu; Beiträge basierend auf Nutzerverhalten in sozialen Medien wie Facebook und Twitter und so weiter.

In all diesen Fällen sammelt jede Plattform so viele Informationen wie möglich über uns: welche Fernsehgenres wir gerne sehen, welche Links wir anklicken, welche Zustände eine Reaktion bei uns hervorrufen etc. Automated Learning ist in der Lage, sehr genaue Annahmen darüber zu treffen, was wir tun, welche Aktivität wir als nächstes machen wollen oder, wie im Fall eines Sprachassistenten, welche Worte am besten zu den lustigen Geräuschen passen, die aus unserem Mund kommen.

Im Grunde ist dieser Prozess ziemlich einfach: das Modell finden, das Modell anwenden. Und er ist praktisch in vielen Aspekten unseres Lebens präsent. Dies ist größtenteils einer Erfindung von Geoffrey Hinton aus dem Jahr 1986 zu verdanken, der heute als Vater des Deep Learning gilt.

Was ist Deep Learning?

Deep Learning ist ein Bereich des Machine Learnings, in dem tiefe neuronale Netze untersucht werden. Dabei kommt eine Technik zum Einsatz, die Maschinen eine bessere Fähigkeit verleiht, selbst kleinste Modelle zu finden und zu verstärken. Diese Technik ist als "Deep Neural Network" bekannt: "Tief", weil es viele Ebenen einfacher Rechenknoten hat, die zusammenarbeiten, um nach Daten zu suchen und ein Endergebnis in Form einer Vorhersage zu liefern.

Neuronale Netze sind von der inneren Funktionsweise des menschlichen Gehirns inspiriert. Die Knoten sind die Neuronen und das Netz stellt das Gehirn dar. Hinton veröffentlichte seine Entdeckung jedoch zu einer Zeit, als neuronale Netze noch wenig Beachtung fanden. Niemand wusste wirklich, wie man sie einsetzen konnte, und das führte zu keinen guten Ergebnissen. Es dauerte mehr als dreißig Jahre, bis sich die Entdeckung durchsetzte. Doch plötzlich tauchte sie aus dem Abgrund auf.

Ein letzter Punkt, den wir in dieser Einführung erklären sollten, ist, dass es drei Kategorien des Automated (und Deep) Learnings gibt: Supervised, Unsupervised und Reinforcement Learning.

  • Beim Supervised Learning, der häufigsten Kategorie, werden die Daten mit Etiketten versehen, um genau anzugeben, nach welchen Modellen die Maschine suchen soll. Genau wie ein Spürhund, der ein Ziel verfolgt, sobald er die Spuren erkennt, denen er folgen soll. Genau das passiert, wenn Sie bei einem Netflix-Programm auf "Play" drücken: Sie weisen den Algorithmus an, ähnliche Programme zu finden.
  • Beim Unsupervised Learning haben die Daten keine Bezeichnungen. Die Maschine sucht nach jedem Modell, das gefunden werden kann. Das ist so, als würde man eine Person Tonnen von verschiedenen Objekten kontrollieren und sie in Gruppen mit ähnlichen Merkmalen einteilen lassen. Unüberwachte Techniken sind nicht so beliebt, weil sie weniger offensichtliche Anwendungen haben, aber sie haben im Bereich der Computersicherheit an Bedeutung gewonnen.
  • Schließlich gibt es noch das Reinforcement Learning, die ultimative Grenze des Automated Learnings. Ein Verstärkungsalgorithmus lernt durch Versuch und Irrtum, um ein klares Ziel zu erreichen. Probieren Sie viele verschiedene Dinge aus und Sie werden belohnt oder bestraft, je nachdem, ob Ihr Verhalten Ihnen hilft oder Sie daran hindert, Ihr Ziel zu erreichen. Verstärkungslernen ist die Grundlage von AlphaGo von Google, dem Programm, das die besten Menschen im komplexen Spiel Go besiegt.

Wie kann Machine Learning im HR helfen?

Bei der Anwendung auf Human Resources ist die Nutzung von Machine Learning derzeit begrenzt (obwohl das Wachstumspotenzial groß ist).

In den meisten Fällen wird Machine Learning heute eingesetzt, um Recruitingverfahren effizienter zu gestalten, da es über prüfbare Fähigkeiten, wie z. B. das Niveau des Studiums usw., hinausgehen kann. So kann Machine Learning dabei helfen, eine bessere Suche und Erkennung der bestpassenden Kandidaten unter Tausenden von Personen zu ermöglichen und so Zeit, Kosten und Aufwand zu sparen.

Welche weiteren Anwendungsfelder gibt es für Machine Learning im Personalwesen?

Gewinnen Sie qualifiziertere Bewerber und gleichen Sie die Geschlechterverhältnisse aus, indem Sie Machine Learning bei der Entwicklung von Stellenbeschreibungen einsetzen.

Die Erstellung geschlechtsneutraler Stellenbeschreibungen, d. h. Stellenbeschreibungen, die geschlechtsneutral formuliert sind, gewährleistet, dass sich die bestmöglichen Bewerber auf eine freie Stelle bewerben, unabhängig ob Mann, Frau oder divers.

Es mag trivial klingen, aber eine von Total Jobs durchgeführte Studie kam zu dem Schluss, dass die Verwendung geschlechtsneutraler Formulierungen 42 % mehr Reaktionen hervorruft als nicht geschlechtsneutrale Stellenanzeigen.

Dadurch hat die Personalabteilung Zugang zu einem größeren, qualifizierteren Pool von Bewerbern.

Entwicklung einer besser qualifizierten Belegschaft mit verbesserten Empfehlungen für Mitarbeiterschulungen.

Ein zweites Beispiel dafür, wie Machine Learning die Funktionsweise von HR-Abteilungen verbessern kann, ist die Anwendung auf Mitarbeiterschulungsprogramme. In vielen Unternehmen haben die Mitarbeitenden Zugang zu einer breiten Palette von Schulungsmöglichkeiten, finden aber oft nicht die für sie am besten geeigneten. ML-Algorithmen sind in der Lage, interne und externe Kurse vorzuschlagen, die am besten zu den Entwicklungszielen des Mitarbeitenden passen. Dies geschieht auf der Grundlage vieler Variablen, einschließlich der Fähigkeiten, die der Mitarbeiter entwickeln möchte, und der Kurse, die andere Mitarbeitende mit ähnlichen beruflichen Zielen besucht haben.

Software und künstliche Intelligenz verändern die Rolle der Personalabteilung

Und dieser Wandel wird im Laufe der Zeit nur noch disruptiver werden.

Diese beiden Fälle sind klare Beispiele dafür, wie Machine Learning HR befähigt, von einer taktischen zu strategischen Entscheidungen zu kommen. Weitere Beiträge zu diesem Wandel sind die Anwendung intelligenter Software, die es ermöglicht, sich wiederholende Handlungen zu automatisieren und bessere Einblicke in die Zusammensetzung der Belegschaft und die potenzielle Fluktuation zu erhalten.

Durch den Einsatz moderner intelligenter Software und künstlicher Intelligenz können Unternehmen rechtzeitig mit Korrekturmaßnahmen reagieren, die ihre Defizite eindämmen, und gleichzeitig mehr "richtige" Talente für ihr spezifisches Umfeld gewinnen.

Da wir uns auf eine Zukunft zubewegen, in der HR und Programmatic Machines (d. h. Roboter) zusammenarbeiten müssen, um einen Mehrwert für das Unternehmen zu schaffen, werden die Rolle und die Qualität der Menschen, die die Belegschaft bilden, zu einem immer strategischeren Wert für das Unternehmen. CHROs müssen sich heute mit der digitalen Transformation auseinandersetzen, um für diese Realität gut gerüstet zu sein.


Transformieren Sie Ihren HR-Prozess

Bei Techedge verbinden wir funktionales Wissen HR-Prozesse und Branchen mit technologischem Fachwissen, um Sie bei der Definition einer digital gestützten HR-Strategie zu unterstützen.

KONTAKTIEREN SIE UNS

 

Abonnieren!