Il machine learning applicato alle risorse umane

Digital Strategy

,

Human Capital Management

,

Machine Learning & Deep Learning

Il machine learning applicato alle risorse umane

Manuel Campos | feb 15, 2019

La stragrande maggioranza dei progressi e delle applicazioni dell'intelligenza artificiale di cui si sente parlare oggi si riferisce ad una categoria di algoritmi conosciuta come Machine Learning. Gli algoritmi di auto-apprendimento utilizzano le statistiche per trarre modelli da enormi quantità di dati. E i dati comprendono numeri, parole, immagini, clic, qualunque cosa: se può essere memorizzato digitalmente, può essere incorporato in un algoritmo di apprendimento automatico.

Come applicare il Machine Learning alle risorse umane

L'apprendimento automatico è il processo che guida molti dei servizi che usiamo oggi: sistemi di raccomandazione come quelli di Netflix, YouTube e Spotify; motori di ricerca come Google e Baidu; social network come Facebook e Twitter; assistenti vocali come Siri e Alexa. E la lista continua...

In tutti questi casi, ogni piattaforma raccoglie quante più informazioni possibili su di noi: quali generi televisivi ci piace vedere, i link su cui clicchiamo, gli stati che ci provocano una reazione. L'apprendimento automatico è in grado di elaborare supposizioni molto precise su ciò che facciamo, sulla prossima attività che potremmo desiderare di fare o, nel caso di un assistente vocale, su quali parole meglio corrispondono ai quei suoni divertenti che escono dalla nostra bocca.

In realtà, questo processo è piuttosto semplice: trovare il modello, applicare il modello. Ed è presente in pratica in molti aspetti della nostra vita. E ciò è in gran parte dovuto a un'invenzione del 1986, gentile concessione di Geoffrey Hinton, oggi conosciuto come il padre del Deep Learning.

Deep Learning

Il Deep Learning è un'area dell'apprendimento automatico in cui vengono studiate le reti neurali profonde. Il Deep Learning utilizza una tecnica che dà alle macchine una migliore capacità di trovare e amplificare anche i modelli più piccoli. Questa tecnica è chiamata Deep Neural Network: "deep" perché ha molti livelli di nodi semplici computazionali che lavorano insieme per cercare i dati e elaborare un risultato finale sotto forma di previsione. 

Le reti neurali si ispirano al funzionamento interno del cervello umano. I nodi sono i neuroni e la rete rappresenta il cervello. Tuttavia Hinton pubblicò la sua scoperta in un momento in cui le reti neurali ricevevano poca considerazione. Nessuno sapeva davvero come utilizzarle e ciò non portava a buoni risultati. Ci vollero più di trent'anni perché la scoperta si affermasse. Poi, improvvisamente, emerse dagli abissi. 

Un'ultima cosa che dobbiamo spiegare in questa introduzione è il fatto che l'apprendimento automatico (e profondo) è disponibile in tre categorie: supervisionato, non supervisionato e per rinforzo. 

  • Nell'apprendimento supervisionato, il più frequente, i dati sono etichettati per indicare alla macchina esattamente quali modelli cercare. Proprio come un cane da caccia che persegue gli obiettivi una volta che è in grado di riconoscere le tracce che sta seguendo. Questo è quello che succede quando premi "play" su un programma di Netflix: stai dicendo all'algoritmo di trovare programmi simili. 
  • Nell'apprendimento non supervisionato, i dati non hanno etichette. La macchina cerca qualsiasi modello si possa trovare. È come lasciare una persona controllare tonnellate di oggetti diversi e classificarli in gruppi con caratteristiche simili. Le tecniche non supervisionate non sono così popolari perché presentano applicazioni meno conosciute, ma che, in modo curioso, hanno guadagnato forza nell'ambito della sicurezza informatica. 
  • Infine l'apprendimento per rinforzo, l'ultima frontiera dell'apprendimento automatico. Un algoritmo di rinforzo apprende attraverso tentativi ed errori per raggiungere un chiaro obiettivo. Prova molte cose diverse e sarai ricompensato o penalizzato a seconda che i tuoi comportamenti ti aiutino o ti ostacolino nel raggiungere il tuo obiettivo. Quando un bambino è educato, lo si ringrazia con elogi e affetto. L'apprendimento per rinforzo è alla base di AlphaGo di Google, il programma che batte i migliori giocatori umani nel complesso gioco di Go.  

Qual è il contributo del Machine Learning alla gestione delle risorse umane?

Applicato alle risorse umane l'utilizzo del Machine Learning è attualmente limitato (anche se il potenziale di crescita è ampio). 

Oggi, nella maggior parte dei casi, il Machine Learning è utilizzato per generare efficienza nei processi di assunzione, grazie alla sua capacità di andare oltre le competenze verificabili, come il livello di studi, ecc.

Applicare il Machine Learning ai processi di reclutamento, che sono costosi e inefficienti, può consentire una migliore ricerca e scoperta dei migliori candidati tra migliaia di persone. 

Analizziamo altri casi d'uso del Machine Learning nella gestione delle risorse umane

Ottieni candidati più qualificati e garantisci pari opportunità, applicando il Machine Learning nella creazione delle descrizioni di lavoro. 

Creare descrizioni di lavoro "neutrali", che significa descrizioni di lavoro che siano rilevanti ma neutrali in termini di genere, assicura che i migliori candidati, sia uomini che donne, si candidino per una posizione disponibile. 

Può sembrare irrilevante, ma un recente studio condotto da Total Jobs ha concluso che l'uso di una terminologia neutrale in termini di genere attira il 42% in più di risposte rispetto agli annunci di lavoro che ne presentano una non neutrale. 

Di conseguenza, le risorse umane hanno accesso a un gruppo più ampio e qualificato di candidati. 

Sviluppa una forza lavoro più qualificata con migliori raccomandazioni per la formazione dei tuoi dipendenti. 

Un secondo esempio di come il Machine Learning può migliorare la gestione del capitale umano è la sua applicazione ai programmi di formazione dei dipendenti. In molte aziende i dipendenti hanno accesso a varie opzioni di formazione, ma spesso non riescono a trovare ciò che è più adatto per loro. Gli algoritmi di apprendimento automatico sono in grado di presentare corsi interni ed esterni che meglio si adattano agli obiettivi di sviluppo del dipendente sulla base di molte variabili, comprese le competenze che il dipendente intende sviluppare e i corsi realizzati da altri dipendenti con obiettivi professionali simili.

Software intelligenti e l'intelligenza artificiale stanno trasformando il ruolo delle risorse umane 

E questa trasformazione diventerà sempre più "disruptive" nel corso del tempo.

Questi due casi sono chiari esempi in cui il Machine Learning eleva il ruolo delle risorse umane passando da un ruolo tattico a uno strategico. Altri contributi a questa trasformazione sono l'applicazione di software intelligenti, che consentono di automatizzare le azioni ripetitive, consentendo di ottenere migliori informazioni sui dipendenti presenti in azienda e sul loro potenziale turnover. 

Applicando software intelligenti di nuova generazione e l'intelligenza artificiale, le aziende possono intervenire e reagire al momento giusto con politiche correttive per arginare eventuali mancanze, allo stesso tempo attirando più talenti adatti al contesto specifico. 

Mentre ci muoviamo verso un futuro in cui il capitale umano e le macchine programmatiche (cioè i robot) devono collaborare per creare valore per l'azienda, il ruolo e la qualità delle persone che compongono la forza lavoro diventeranno un asset sempre più strategico per l'azienda. I CHRO devono affrontare la trasformazione digitale per essere ben preparati per quella realtà. 


Trasforma la gestione del tuo capitale umano 

In Techedge uniamo la conoscenza di persone e settori alle competenze tecnologiche per aiutarti a definire una strategia digitale applicata alle risorse umane che supporti i tuoi obiettivi di business.

Contatta Techedge

Iscriviti!