هوش مصنوعی در منابع انسانی - قسمت اول

مقدمه

هوش مصنوعی داره شیوه‌ی انجام عملیات و رسیدن به اهداف استراتژیک رو برای تمام کسب‌وکارها تغییر می‌ده. یکی از جدیدترین کاربردهای هوش مصنوعی تو بخش منابع انسانیه، جایی که متخصصان منابع انسانی کارهای مهمی مثل استخدام، مصاحبه، رسیدگی به حقوق و مزایا، آموزش و روابط کارکنان رو انجام می‌دن. این عملیات‌ حیاتی تو یه کسب‌وکار هستن و نقش مهمی تو عملکردهای اداری یه سازمان بازی می‌کنن. ورود هوش مصنوعی به عملیات روزانه‌ی منابع انسانی می‌تونه به متخصصان این حوزه کمک کنه تا کارهاشون رو با کارایی بیشتر و خلاقیت بیشتری انجام بدن. اضافه‌ شدن موفق هوش مصنوعی می‌تونه نتایج دقیقی رو ارائه بده و به تصمیم‌گیری تو بخش‌هایی مثل استخدام، محاسبه‌ی حقوق، ایجاد فضای کاری کارآمد و پیش‌بینی بهترین اقدامات برای بهبود روابط کارکنان کمک کنه.

توسعه‌ی هوش مصنوعی در مدیریت منابع انسانی

تکنولوژی‌های هوش مصنوعی به سرعت تو حوزه‌ی مدیریت منابع انسانی در حال گسترش هستن. سال‌ها پیش، تکنیک‌های هوش مصنوعی به عنوان بخشی از تحلیل منابع انسانی به بسته‌های نرم‌افزاری اضافه شدن. میشه گفت استفاده از هوش مصنوعی تو حوزه‌ی منابع انسانی به دهه‌ی ۱۹۸۰ برمی‌گرده. تقاضای روزافزون برای اینکه بخش‌های منابع انسانی از تکنولوژی کامپیوتر برای پردازش اطلاعات کارکنان به طور مؤثر استفاده کنن، باعث انفجاری تو تعداد فروشندگانی شد که می‌تونستن به بخش‌های منابع انسانی با سخت‌افزار و نرم‌افزار کمک کنن. سیستم اطلاعات منابع انسانی (HRIS) که همچنین به عنوان سیستم مدیریت منابع انسانی (HRMS) شناخته می‌شه، تو دهه‌ی ۱۹۸۰ به‌طور گسترده مورد استفاده قرار گرفت. HRIS یه راه‌حل نرم‌افزاری برای خودکارسازی و مدیریت عملکردهای مختلف منابع انسانی مثل استخدام، حقوق و مزایا، آموزش، گزارش‌دهی و غیره است. این بسته‌های نرم‌افزاری معمولاً بر اساس سیستم‌های پایگاه داده برای ذخیره، به‌روزرسانی و بازیابی اطلاعات ساخته شدن. HRIS برای برنامه‌ریزی مؤثرتر، بهبود کارایی و کیفیت تو تصمیم‌گیری‌های منابع انسانی و همچنین بهبود بهره‌وری و اثربخشی کارکنان و مدیران توسعه پیدا کرد. معرفی خودکارسازی با استفاده از تکنولوژی‌های هوش مصنوعی به طور قابل توجهی مسئولیت‌های فیزیکی یکنواخت پرسنل منابع انسانی رو کاهش می‌ده.

تو سال‌های اخیر، رشد بی‌سابقه‌ی کلان‌داده محدودیت‌های HRIS سنتی رو آشکار کرده. تحلیل‌های پیشرفته‌تر منابع انسانی باید از طریق الگوریتم‌های بهتر و با پشتیبانی سیستم‌های قدرتمندتر اجرا بشه.

رشد سریع داده‌های در دسترس همراه با تکنولوژی‌های هوش مصنوعی تأثیر قابل توجهی روی صنعت منابع انسانی گذاشته. تحلیل داده‌ها تصمیم‌گیری‌های مهمی رو تو فروش، بازاریابی، موفقیت مشتری و امور مالی کسب‌وکار هدایت کرده. تا همین اواخر، بسیاری از شرکت‌ها تکنولوژی دسترسی، ردیابی داده‌های کارکنان و تجزیه و تحلیل سایر جنبه‌های چرخه‌ی عمر کارکنان مانند جذب، استخدام، روندهای استخدام، درخواست‌های مرخصی، گردش کار، نظرسنجی‌های تعامل و مدیریت عملکرد رو نداشتن.

شرکت‌ها طیف گسترده‌ای از دیجیتالی‌سازی رو اجرا کرده‌اند ، نقش اصلی این تکنولوژی تو تصمیم‌گیری و کاهش ریسک در هر دو بخش موفقیت سازمانی و مدیریت استعدادهاست. بسیاری از مدیران منابع انسانی معتقدن که هوش مصنوعی نسبت به امور مالی، حسابداری و بازاریابی با تأخیر و کندی بیشتری تو حوزه‌ی منابع انسانی به کار گرفته شده.

بعضی از مدیران منابع انسانی معتقدن که این به خاطر اهمیت حفظ جنبه‌ی انسانی و روحیه‌ی شرکت بوده، در حالی که برخی دیگه می‌گن که به اندازه‌ی سایر زمینه‌ها نیازی به هوش مصنوعی وجود نداشته.

تکنولوژی‌های هوش مصنوعی در منابع انسانی

متخصصان منابع انسانی از روش‌های مختلف هوش مصنوعی برای تجزیه و تحلیل داده‌هاشون استفاده می‌کنن. تحلیل منابع انسانی امروزه شامل یادگیری ماشین، یادگیری عمیق، شبکه‌های عصبی و برخی الگوریتم‌های پیشرفته می‌شه. بسته‌های نرم‌افزاری با استفاده از یادگیری ماشین و تحلیل منابع انسانی، داده‌های پلتفرم مدیریت سرمایه انسانی رو ادغام می‌کنن تا الگوها و الگوریتم‌هایی برای پیش‌بینی روندها ایجاد کنن. همچنین، با کمک یه داشبورد تعاملی، کاربرا می‌تونن ریسک خروج کارکنان خاص سازمان خودشون یا یه بخش خاص رو درک کنن. با به کارگیری تحلیل پیش‌بینی‌کننده روی پایگاه داده‌ی نیروی کار، می‌شه به نتایج تصمیم‌گیری بهتری رسید. روش‌های هوش مصنوعی از طریق جمع‌آوری داده‌های گذشته، می‌تونن مدل‌های پیش‌بینی برای ارزیابی هر نتیجه ایجاد کنن. به این ترتیب، منابع انسانی شروع به استفاده از یادگیری عمیق برای تصمیم‌گیری مؤثر بر اساس داده‌ها کرده.

روش‌های تئوری هوش مصنوعی برای منابع انسانی بر اساس تحلیل داده‌ها از منابع مختلف ساخته شده. برای کلان‌داده، برخی از شرکت‌های استخدام، مجموعه داده‌های اطلاعات شغلی رو از بیش از ۱۰۰ کشور مختلف جمع‌آوری، استانداردسازی و تجزیه و تحلیل می‌کنن. اون‌ها از این داده‌ها برای بررسی مهارت‌های مختلف، مشاغل، موقعیت‌ها و صنایع برای پروفایل‌های مختلف استفاده می‌کنن. از طرف دیگه، داده‌های کوچک هم داده‌های داخلی و خارجی از سیستم اطلاعات منابع انسانی، رزومه‌ها و غیره هستن. این داده‌ها با کمک تجزیه و تحلیل میلیون‌ها مسیر شغلی، مهارت‌های کارکنان رو شناسایی می‌کنه، پیشنهاد می‌کنه و به صورت پویا اون‌ها رو غنی می‌کنه.

یادگیری ماشین از این داده‌های داخلی و خارجی برای مسیرهای شغلی مختلف به عنوان پایه‌ی یادگیری استفاده می‌کنه و از الگوریتم‌های مختلف برای ارائه‌ی تطابق‌های مرتبط استفاده می‌کنه. این توصیه‌ها به مسائل مهم مدیریت سرمایه انسانی مانند تحرک داخلی، استخدام یا مدیریت مهارت‌ها می‌پردازه.

امروزه تکنیک‌های یادگیری ماشین، به ویژه شبکه‌های عصبی، به طور گسترده در تحلیل منابع انسانی به کار می‌رن. از شبکه‌های عصبی کانولوشنال (CNN) برای اسکن کردن کاندیداها برای مهارت‌های نرم، احتمالاًَ عدم صداقت و رفتار ضعیف استفاده می‌شه تا مشخص بشه که آیا یه کاندیدا گزینه‌ی مناسبی هست یا نه. اگرچه CNN یه تکنیک بسیار قدرتمند برای تشخیص فرایندهای تصویر و ترجمه زبان هست، اما مقاومت قابل توجهی از طرف داوطلبان شغل وجود داره. بسیاری از افراد نگرانن که افراد الگوریتم‌های نمونه‌محور مورد نظر هوش مصنوعی رو یاد بگیرن و سیستم رو فریب بدن. CNN همچنین یک روش قدرتمند در پردازش تصاویره، بنابراین در مصاحبه‌های مبتنی بر هوش مصنوعی هم استفاده می‌شه. در یک فرآیند چند لایه‌، یک تصویر به صورت منطقه‌ای اسکن می‌شه. یک فیلتر یا هسته روی هر ناحیه اعمال می‌شه تا مختصات خاصی رو تعیین کنه. سپس این مختصات در یک آرایه چند لایه‌ نگاشت داده می‌شه و در یک نقشه‌ی فعال‌سازی ذخیره می‌شه. در طول هر لایه از CNN، هدف اینه که مناطقی با ویژگی‌های مشابه رو با هم ادغام کنیم. این فرآیند طبقه‌بندی به CNN اجازه می‌ده تا آیتم‌های به اندازه‌ی خم شدن ابرو در یک تصویر رو هم به تصویر بکشه. این تکنیک در کنار شبکه‌های عصبی بازگشتی (RNN) باعث ترجمه تصویر و زبان با دقت بیشتری می‌شه . برخی از راه‌هایی که هوش مصنوعی در منابع انسانی سعی در تکامل داره، کاوش در زبان طبیعی، توسعه‌ی خودکارسازی گردش کار و شخصی‌سازی انبوه هست. درک زبان طبیعی عمدتاً در حوزه‌هایی مانند جذب استعداد و آموزش کاربرد داره. هوش مصنوعی در حال حاضر از طریق چت‌بات‌ها ارتباط برقرار می‌کنه، اما برای اینکه بتونه کارها رو به شکل انسانی‌تری انجام بده، راه زیادی در پیش داره.

درخت‌های تصمیم‌گیری و روش‌های استدلال مبتنی بر مورد ( case-based reasoning)، تکنیک‌های سنتی هوش مصنوعی هستن که می‌تونن برای تحلیل منابع انسانی مفید باشن . مدیریت عملکرد کارکنان رو می‌شه با استفاده از ترکیبی از روش‌های هوش مصنوعی از جمله درخت‌های تصمیم‌گیری، استدلال مبتنی بر حافظه ( memory-based reasoning) و تحلیل رگرسیون تجزیه و تحلیل کرد . در حال حاضر، حجم زیادی از کلان‌داده تو بخش‌های منابع انسانی وجود داره. شرکت‌ها در حال جمع‌آوری و تحلیل داده‌های بسیار زیادی هستن، اما نمی‌دونن که چطور به درستی از این داده‌ها استفاده کنن . تکنیک‌های استخراج داده می‌تونن به تبدیل بخشی از این داده‌ها به نتایج قابل خوندن کمک کنن. درخت‌های تصمیم‌گیری می‌تونن به شرکت‌ها کمک کنن تا کلان‌داده‌ها رو به نتایج قابل خوندن و قابل مدیریت تبدیل کنن. این نوع نگاشت می‌تونه به شرکت‌ها کمک کنه تا داده‌ها رو تجسم کنن و به نتایج برسن. استدلال مبتنی بر حافظه در پردازش کلان‌داده موفق عمل می‌کنه چون بر اساس اطلاعاتی که قبلاً ذخیره شده، به نتایجی می‌رسه. اگه استدلال مبتنی بر حافظه روی کلان‌داده اعمال بشه، می‌تونه به استفاده از تحلیل رگرسیون برای تجزیه و تحلیل روندهای فعلی و گذشته کمک کنه . این نوع روش‌های تحقیق برای ایجاد برنامه‌های کاربردی موفق منابع انسانی حیاتی هستن. توانایی ارزیابی عملکرد کارکنان می‌تونه به شناسایی زودهنگام مشکلات بالقوه کمک کنه.

برخی کلمات کلیدی نشون می‌دن که یه کاندیدا دارای پروفایل مطابق با معیارهای مهارتی شرکت هست. با وجود دانش واقعی یه فرد، اگه افراد بتونن کلمات کلیدی رو تشخیص بدن، این نگرانی وجود داره که افراد اشتباه به عنوان «کاندیدای ایده‌آل» برای یه موقعیت شغلی انتخاب بشن. الگوریتم‌های نمونه‌محور می‌تونن به شناسایی ریسک خروج کارکنان و تدوین برنامه‌های مدیریت ریسک برای بهبود نگه‌داشت استعداد کمک کنن. این الگوریتم‌ها می‌تونن حجم زیادی از داده‌ها رو مدیریت کنن، از جمله نتایج نظرسنجی‌های کارکنان و اطلاعات مهم جمعیتی . پیدا کردن الگوهای مورد نظر بین کارکنان می‌تونه به پیدا کردن ناسازگاری‌ها تو روابط کارکنان و کشف زودهنگام مشکلات تو فرهنگ کاری کمک کنه. یکی از مزایای الگوریتم‌های نمونه‌محور، توانایی ایجاد حجم زیادی از داده‌های غیرساختار یافته به سرعت و مرتب‌سازی نظرات و اجزای فردی هست. در نهایت، این الگوریتم‌ها می‌تونن به نظارت بر احساسات کارکنان نسبت به اهداف شرکت کمک کنن و به شرکت‌ها اجازه بدن تا نگاهی جامع به فرآیندها و مسائل خاص داشته باشن.

طبقه‌بندی کننده‌ی ساده بیزی (Naïve Bayes Classifier) یه روش هوش مصنوعی مبتنی بر احتمال هست که می‌شه از اون برای بررسی ویژگی‌های مختلف یه فرد تو فرآیند استخدام استفاده کرد. این روش همچنین می‌تونه تو پیش‌بینی عملکرد کارکنان و تخمین نرخ جابه‌جایی شغلی به کار گرفته بشه. یه ویژگی مهم که باید در حین استخدام فرد به نظارتش ادامه داد، احتمال تغییر شغل اون هست. با استفاده از بهینه‌سازی ترتیبی بیزی ساده، پرسنل منابع انسانی می‌تونن پیش‌بینی‌های دقیق‌تری در مورد احتمال ترک شغل توسط کارکنان داشته باشن . این روش از ایده احتمال پسین (posterior) با استفاده از احتمال پیشین (prior)و تخمین کلی احتمال استفاده می‌کنه. این الگوریتم می‌تونه از ویژگی‌های مختلف (مثل تاریخ شروع کار، دانشگاه، معدل کل و غیره) استفاده کنه و پیش‌بینی‌هایی در مورد احتمال تغییر شغل فرد ارائه بده. این نوع تحلیل برای منابع انسانی خیلی مفید خواهد بود. شرکت‌ها می‌تونن از این ابزار برای پیش‌بینی اینکه کدوم کارکنان در معرض خطر ترک شرکت هستن استفاده کنن و سپس روندها، چگونگی ترغیب افراد به ماندن و مشکلات احتمالی رو تعیین کنن. استفاده از چنین تکنولوژی‌هایی می‌تونه به تقویت بسیاری از عملیات منابع انسانی برای کاهش تعداد کارکنان خروجی و افزایش نرخ نگه‌داشت کارکنان در شرکت‌ها کمک کنه.

امروزه، بسیاری از سیستم‌های مدیریت منابع انسانی بسته‌های جامع و کاملی هستن که از روش‌های مختلف هوش مصنوعی برای بهبود شیوه‌های فعلی منابع انسانی استفاده می‌کنن. این بسته‌ها روی کارهایی مثل استخدام، تحلیل عملکرد، جذب، زمان‌بندی، حضور و غیاب، حقوق و مصاحبه تمرکز می‌کنن. در حالی که شرکت‌ها به طور فزاینده‌ای روی هوش مصنوعی سرمایه‌گذاری می‌کنن، متخصصان منابع انسانی در برابر سازگاری با این تغییر تردید دارن. یکی از موضوعات بسیار مهمی که در مورد تکنیک‌های هوش مصنوعی باید مورد بحث قرار بگیره، تفاوت بین تقویت و خودکارسازی هست. تقویت به معنای استفاده از هوش مصنوعی برای ارتقای توانایی انسان و کارآمدتر کردن کارهای فعلی اون‌هاست. خودکارسازی به معنای حذف نیروی انسانی و ایجاد سیستم‌های کاملاً خودکاره.