Как NLP может в корне изменить HR

Вы в курсе, что NLP это не нейро-лингвистическое программирование, как некоторые думают, NLP - Natural language processing. И это второе NLP мощнее, чем первое. И если Вы знали первое NLP, то пора уже познакомиться со вторым NLP. Автор статьи - индийский HR аналитик Raja Sengupta, не самый известный, но один из самых крутых, кого я знаю.
Статья из нашего проекта переводы статей по hr-аналитике на английском, перевод статьи сделали сразу три студентки Высшей Школы Экономики - Галкина Елизавета, Галлямова Аделия, Давоян Мария (девчата респект! вы переводите очень правильные статьи). Признаюсь, я изменил название статьи, переводчик назвал статью Как обработка естественного языка может в корне изменить человеческие ресурсы, я же обозначил пост как Как NLP может в корне изменить HR. Мое название вас скорее привлечет к прочтению.
Но таки прочитайте про NLP.

Как обработка естественного языка может в корне изменить человеческие ресурсы

Обработка естественного языка является постоянно растущей областью интересов в спектре прикладной аналитики и имеет отношение к HR. Фактически, это может в корне поменять качество идей. В данной статье мы расскажем вам - каким образом.

Обработка естественного языка имеет важное значение для HR

Знаете ли вы, что анализ текста был наиболее распространенным инструментом повышения производительности за последние 3 десятилетия (или около того) для HR? Он очень хорошо знаком с персоналом.

HR использует поиск ключевых слов Boolean для идентификации хороших резюме / заявок на работу уже давно. Однако часто с непредсказуемыми и юмористическими результатами.

Обработка естественного языка (NLP) анализирует текст на гораздо более высокий уровень подробности, детализации и точности. Острое понимание NLP было технологическим ограничением в прошлом, но в последнее время произошли серьезные успехи. Этому способствовало развитие распределенных вычислений и интенсивное исследование применения NLP академическими и профессиональными организациями по всему миру.

Суть функции людей заключается в эффективном анализе коммуникации, а естественный язык является наиболее распространенной средой человеческого общения. Тем не менее, объем NLP в функции людей должен возглавлять только оперативный HR.

Большинство деловых взаимодействий в сфере HR создает большие объемы естественного языка, который является неструктурированными данными. Подумайте о таких областях, как рекрутмент, отзывы сотрудников, опросы, оценки, обучение, судебные дела, консультирование и т.д.

Кроме того, устаревшие процессы и формы HR могут быть переработаны для накопления постоянно растущих объемов данных естественного языка. С помощью активной политики записи и транскрипции звука или даже небольшой реорганизации различных форм / опросов / приложений HR-процессов.

Основные преимущества для HR в отношении обработки естественного языка

Преимуществ много, что соответствует разным уровням участия и инвестиций HR.

Всё начинается с общей текстовой аналитики (анализ настроений). Далее идет к передовым представлениям (через модели вычислительной лингвистики) и может даже включать потенциальную полуавтоматизацию.

После внедрения такие службы могут поставляться через API [прим. application programming interface - программный интерфейс приложения] и подключение к базе данных. Или даже через автономные клиентские системы. Google и Microsoft являются основными примерами больших игроков в пространстве API NLP.

Каким образом понимание анализа естественного языка влияет на HR?

HR - специфичный NLP анализ, с меняющимися и часто прогрессивными уровнями идей, не только выступает в качестве поддержки принятия решений (DSS). Но также позволяет повысить точность и скорость для ключевых бизнес-процессов HR и улучшения показателей HR. Они также уменьшают человеческую предвзятость в процессе принятия решений. Примеры включают в себя счёт резюме и анализ опросов.

Часто NLP-системы действуют как «фильтрация первого или второго уровня» или «доказательства гипотез» для подтверждения человеческих решений в HR

Кривые эволюции NLP ниже указывают на потребности текстовой аналитики и вычислительной лингвистики, поскольку она максимизирует бизнес-преимущества NLP.

Структурированные и неструктурированные данные объединяются для улучшения качества информации для HR.

Например, ключевыми традиционными областями для моделирования данных HR являются истощение, прогулы, карьерные пути , компенсация и выгоды, и т.д. Для таких моделей, знания, полученные через NLP, могут вписываться в объясняющую переменную, тем самым повышая точность модели.

Обычно процессы управления персоналом, такие как опрос сотрудников, отзывы, оценки, состоят из нескольких структурированных точек данных (проверка, радио, выпадающее меню, слайд-боксы и т.д.). NLP можно использовать для дальнейшего включения и использования открытых ответов в этом опросе. Это улучшает качество информации.

В совокупности оба они улучшают показатели процессов управления персоналом.

Дезинформация относительно внедрения обработки естественного языка в процессы управления персоналом.

Это не тот случай, когда системы обработки естественного языка заменяют HR. Напротив, эти системы расширяют возможности персонала HR в рамках своей организации.

Совокупность человеческого языка, общения и динамического принятия решений, требуемые от HR в реальном мире, сложны. Это означает, что полная автоматизация непрактична и может быть совершенно контрпродуктивной. Машине не понять такие тонкие нюансы человеческого языка как сарказм, амбивалентность, деформированные комплименты, пассивная агрессия, диалекты и т. д.

Интересной аналогией является пример автопилотов и проводных систем полета. Они существуют уже более двух десятилетий, но никогда не заменяли людей в кабине полностью, хотя в симуляционных тестах для пилотов они превосходят человека.

Дроны (теоретически автопилотные) также контролируются пилотом-человеком.

Концепция полной автоматизации неуместна. Потери рабочих мест - это прежде всего программа реструктуризации / переподготовки / перестройки навыков. Это не результат автоматизации и может стать востребованной постепенно.

Узкие места в адаптации обработки естественного языка к HR

Сложно найти профессионалов, узко специализирующихся на продвинутых процессах NLP для HR. Большинство из них являются специалистами в области текстовой аналитики и не имеют глубокого понимания конкретных задач, связанных с персоналом. OrganizationView - хороший пример одного из узких специалистов в обозначенной области, и есть еще несколько.

Другими ключевыми областями являются безопасность / защита данных HR, доступность данных, качество, интеграция API. Программы взаимодействия и сотрудничества между HR и IT также имеют возможности для улучшения в этой области.

В последнее время были сделаны большие успехи в отношении применения NLP в других сферах. Например, NLP позволяет поставщикам услуг обрабатывать огромные объемы данных и делать прогнозы относительно оценок банкротств и контрактов в юридическом секторе. Написание скриптов в развлекательном бизнесе в корне изменилось с использованием NLP, а теперь настало время для применения его в HR.

Определенные подходы в NLP, имеющие отношение к HR:

Действующие HR должны взять на себя лидирующие и смежные области применения в своих собственных организациях. Влияние NLP на HR, вероятно, будет зависеть от доступности данных, безопасности, интеграции, политики компании или других конкретных организационных требований.

В целом существует три аспекта применения NLP к персоналу:

1. Типы общих идей для обработки естественного языка (в контексте применения в HR)

• Анализ настроений и чувств HR-документов
• Глубокое извлечение информации из HR-документов
• Классификация / ранжирование HR-документов в соответствии с бизнес-спецификациями
• Автоматизированное суммирование HR-документов (изучение темы)
• Установление гипотезы HR и совершенствование процесса (часть предписывающей аналитики)

2. Области применения обработки естественного языка (в контексте применения в HR)

• Классификация и оценка Заявлений/Резюме
• Оценка и анализ обратной связи на 360 градусов
• Анализ опросов и отзывов
• Обучающие тренинги, планирование карьеры
• Анализ содержания социальных сетей сотрудников
• Информация о документально подтвержденных юридических делах/исках
• Дизайн и инсайты о консультировании сотрудников
• NLP практически любых неструктурированных данных в рамках HR, включая транскрибируемые данные.

3. Обзор различных методологий NLP, используемых поставщиками (в контексте применения в HR)

Статистическая маркировка

Статистическая маркировка предлагает информацию с разных уровней детализации, начиная с базовой классификации текста, анализа настроений до глубокого извлечения информации и моделирования темы / автоматического суммирования. Некоторые из популярных подходов к обнаружению информации / темам - это условные случайные поля, скрытые марковские модели и LDA.

Символическая маркировка

Знакомство HR с базовым поиском ключевых слов Boolean для определения подходящих резюме - очень хороший пример символической маркировки. Но сегодня модели NLP, такие как вложенные, итеративные и условные «регулярные выражения», могут точно настраивать поиск символических тегов на самые глубокие возможные уровни детализации.

Комбинированный подход статистической и символической маркировки часто упоминается как «модель условных правил» в контексте NLP. Индивидуальные комбинации «моделей условных правил» обычно разрабатываются с помощью комплексного когортного анализа в сотрудничестве с HR.

Это также может помочь установить основанную на фактических данных HR гипотезу и эффективно продвигать инициативы в области управления персоналом в организационное руководство.

Пример применения НЛП в ключевом HR-процессе - найме

Основной подход к НЛП остается более или менее одинаковым для всех типов неструктурированных данных. Впрочем, ради более понятного примера для HR возьмем резюме, получающее определенное количество баллов по шкале «Найм» в условиях больших неструктурированных данных.

В сфере HR НЛП может помочь в классификации резюме, ранжировании, извлечение глубинной информации, идентификации и полу-автоматизации процесса приема. А подробнее:

• Классифицировать и ранжировать резюме по своей основной квалификации, опыта или каких-либо других приоры. Как желаемые навыки и профессиональный опыт.
• Классифицировать резюме по их стили форматирования. Как Хронологический, хронологическом, гибрид, навыков и квалификации на основе функциональных форматов на основе.
• Определение основных разделах резюме (тема модель основывается на приоритете по кадрам)
• Выявления пробелов в профессиональных/ академических записей в резюме
• Выявление потенциального мошенничества/ неверной информации и аномалии в резюме
• Глубокое извлечение информации из резюме. Например, сочетание профессиональных навыков/ образования + рейтинги вузов + профессиональный опыт + окружение и контекст + международное задания/ мест + премий и наград + рекомендации/ профессиональная сеть ) через соединение “условные правила моделей”

Однако, степень точности может отличаться в зависимости от задачи.

В системах, где применяются полу-структурированный сбор данных (например через заявки, поступающие через онлайн-форму), NLP может выступать в сочетании со структурированием данных (SQL) для повышения качества и точности анализа.

Полу-автоматизация также могут быть применена к моделям NLP , позволяя

• Делать  периодическое и автоматизированное оценивание данных через базовые задания и базы данных (процедуры/триггеры/функции)
• Автоматизированной проверки и классификации данных
• Автоматического отправления электронных писем кандидатам (например, для дополнительного тестирования или вызова на интервью) , а также для отправления отчетов для команды HR.

Все это могло бы снизить стоимость работы рекрутера и добавить точности в отборе кандидата. NLP подход может с большой вероятностью найти лучшего кандидата, избегая человеческих ошибок. 

Типичные услуги, предлагаемые NLP

NLP обычно предлагают комбинацию из услуг, упомянутых выше, в том числе суммирование, тематического моделирования и создание моделей.

Однако, инновационный маркетинг и различные схемы продвижения могут создать впечатление, что есть методы в NLP различны у разных производителей – даже если они принципиально одинаковы.

Поэтому важно, чтобы отдел HR, чтобы был в состоянии различить предложения NLP и мог выбрать подходящие для конкретных бизнес-требований и ограничений

NLP может осуществляться через API сервисы/ интеграцию  с базами данных или автономных путей к клиентам (на базе Windows). Статические системы периодической отчетности могут также улучшить работу NLP. 

Будущее…

HR является основным претендентом на принятие NLP-технологий, так как HR сфера изначально ориентирована на людей и общение. Таким образом, бизнес-процессы в области HR генерируют огромные объемы данных, связанных с естественным языком.

Это дает возможность для HR. Это также позволяет персоналу  более разумно воздействовать на организацию. 

Источник: edwvb.blogspot.ru

Комментарии: