COMO APLICAR MACHINE LEARNING EM RECURSOS HUMANOS?

A maioria dos avanços e aplicações da Inteligência Artificial de que ouvimos falar refere-se a uma categoria de algoritmos conhecida como Machine Learning (Aprendizado de Máquina em português). Os algoritmos de autoaprendizagem utilizam estatísticas para desenhar modelos a partir de enormes quantidades de dados, que podem ser desde números, palavras, imagens, cliques até qualquer outra coisa. Se podem ser armazenados digitalmente, podem ser incorporados em um algoritmo de aprendizagem automática.

O aprendizado automático é o processo que impulsiona muitos dos serviços atuais: sistemas de recomendação como Netflix, YouTube e Spotify; motores de busca como Google e Baidu; redes sociais como Facebook e Twitter; assistentes vocais como Siri e Alexa; e a lista só continua...

Em todos os casos, cada plataforma recolhe o máximo de informação possível sobre nós: gêneros de TV que gostamos de ver, links em que clicamos, os triggers que provocam uma reação da nossa parte. A aprendizagem automática é capaz de fazer suposições muito precisas sobre o que fazemos, a próxima atividade iremos fazer, ou como no caso de um assistente vocal, sobre quais palavras correspondem melhor aos sons “engraçados” que saem da nossa boca.

Na verdade, este processo é bastante simples: encontrar o modelo, aplicar o modelo. E está praticamente presente em muitos aspectos de nossas vidas.

E isso é em grande parte devido a uma invenção de 1986, cortesia de Geoffrey Hinton, hoje conhecido como o pai do Deep Learning.

Aprendizagem Profunda (Deep Learning)

A aprendizagem profunda é uma área da aprendizagem automática na qual as redes neurais profundas são estudadas. Ele usa uma técnica que dá às máquinas a capacidade de encontrar e amplificar, mesmo os menores modelos. Esta técnica é conhecida como "Rede Neural Profunda". Esta rede tem muitos níveis de nós computacionais simples que trabalham juntos para buscar dados e entregar um resultado na forma de uma previsão.

As redes neurais são inspiradas no funcionamento do cérebro humano. Os nós são os neurônios e a rede representa o cérebro. No entanto, Hinton publicou sua descoberta em um momento em que as redes neurais receberam pouca consideração. Ninguém sabia como usá-las e isso não levou a bons resultados, ou seja, levou mais de trinta anos para que a descoberta se estabelecesse. E de repente, ela emergiu do abismo.

A última coisa que devemos explicar nesta introdução é que a aprendizagem automática (e profunda) está disponível em três categorias: supervisionada, não supervisionada e aprendizagem de reforço.

• Aprendizagem Supervisionada: Categoria mais frequente no qual os dados são rotulados para indicar exatamente quais modelos a máquina deve procurar. Assim como um cão de rastreamento persegue objetivos uma vez que é capaz de reconhecer as trilhas que está seguindo. Isto é o que acontece quando você pressiona "play" em um programa Netflix: você está dizendo ao algoritmo para encontrar programas semelhantes.
• Aprendizagem Não Supervisionada: Os dados não têm etiquetas, ou seja, a máquina procura qualquer modelo que possa ser encontrado. Isto é como deixar uma pessoa controlar toneladas de objetos diferentes e classificá-los em grupos com características semelhantes. As técnicas não supervisionadas não são tão populares porque têm aplicações menos óbvias, mas ganharam força no campo da segurança da informação.
• Aprendizagem de reforço: É a última fronteira da aprendizagem automática, no qual um algoritmo de reforço aprende através de tentativa e erro para alcançar um objetivo claro. Tente coisas diferentes e você será recompensado ou penalizado. Por exemplo, quando uma criança é educada, agradeça com louvor e carinho. Reforçar a aprendizagem está na base do AlphaGo do Google, o programa que bate os melhores seres humanos no complexo jogo de Go.

O que o machine learning pode contribuir para a gestão do capital humano?

Aplicado à gestão do capital humano, o uso atual do Machine Learning é limitado (embora o potencial de crescimento seja amplo).

Na maioria dos casos, a autoaprendizagem é utilizada para dar eficiência aos processos de recrutamento, graças à sua capacidade de ir além das competências verificáveis, como, por exemplo, o nível de estudos, etc. Aplicar a autoaprendizagem aos processos de recrutamento, que são dispendiosos e ineficientes, pode permitir uma melhor pesquisa e descoberta dos melhores candidatos.

Casos de uso para Machine Learning em Gestão de Capital Humano:

Obter mais candidatos qualificados e nivelar o campo de atuação, aplicando o aprendizado de máquina para o desenvolvimento de descrições de cargos.

A criação de descrições de funções neutras do ponto de vista do gênero, ou seja, descrições de funções relevantes para um cargo, mas neutras do ponto de vista de gênero (uso de pronome), garante que os melhores candidatos possíveis, homens ou mulheres, se candidatam a uma função disponível.

Pode parecer trivial, mas um estudo recente conduzido pela Total Jobs concluiu que a utilização de palavras neutras em termos de gênero atrai 42% mais respostas do que anúncios de emprego não neutros em termos de gênero.

Como resultado, os recursos humanos têm acesso a um maior e mais qualificado grupo de candidatos.

Desenvolver uma força de trabalho altamente qualificada via recomendações de treinamentos

Uma outra maneira de utilizar o Aprendizado de Máquina para a melhoria do gerenciamento de Capital Humano é a sua aplicação em treinamentos para colaboradores. Em muitas empresas, os funcionários possuem acesso a uma gama muito grande de treinamentos, o que dificulta a descoberta de quais são os mais adequados para cada indivíduo ou função. Os algoritmos de Aprendizado de Máquina permitem a apresentação de treinamentos - internos e externos - que são mais adequados às metas de desenvolvimento do colaborador, com base em diversas variáveis, incluindo todas as habilidades que o funcionário pretende desenvolver e quais foram os cursos realizados por outros funcionários com os objetivos profissionais semelhantes. 

Softwares e a Inteligência Artificial estão transformando o papel da área de Recursos Humanos

E esta transformação estará cada dia mais disruptiva...

Estes dois casos são exemplos claros de como o Aprendizado de Máquina pode transformar o papel da área de Recursos Humanos de tático para estratégico.

Outras contribuições para essa transformação são as aplicações de Softwares Inteligentes que permitem que ações repetitivas tornem-se automáticas, facilitando assim uma melhor compreensão sobre a composição de sua força de trabalho, e o potencial turnover de colaboradores.

Com a aplicação destes Softwares Inteligentes e a Inteligência Artificial as empresas podem reagir e agir no momento certo com políticas corretivas que reduzam suas deficiências, além de atrair mais talentos para contextos específicos.

A medida que avançamos para o futuro no qual a área de Capital Humano e as máquinas programadas (por ex: robôs) precisam trabalhar em conjunto para criar valor para o negócio, o papel e a qualidade de suas "pessoas" será cada dia mais estratégico para o negócio como um todo. CHROs devem enfrentar a transformação digital para estarem bem equipados para a nova realidade.