머신러닝과 인적자원관리의 충돌에 대해 이야기해볼까요?-일체 포함-php.cn

서문

최근에는 머신러닝 분야에서 많은 획기적인 발전이 이루어졌고, 인공지능 기술을 기반으로 한 인사관리 서비스 제품 역시 거대하고 역동적인 시장을 갖고 있습니다. 점점 더 많은 기업과 정부 기관이 인적 자원 관리에 머신러닝 기술을 적용하고, 신경망을 통해 효과적인 의사 결정을 내리며, 인적 자원 관리 결과를 정확하게 예측하는 것을 고려하고 있습니다.

이 글에서는 주로 기술적 어려움, 인적 자원 관리 의사결정 시스템 소개, 시스템 설계 방법 및 시스템 보안을 포함하여 인적 자원 관리 연구에 머신러닝을 적용하는 네 가지 측면을 소개합니다. 관련 연구.

기술적 어려움

2019년 미국의 20개 대기업 CEO가 관련 세미나를 진행한 결과, 머신러닝 기술의 적용이 인적 자원 관리 분야에서 독특한 과제에 직면해 있는 것으로 나타났습니다. 가치 있는 HRM 의사결정 시스템을 개발하는 것은 기술적인 문제뿐만 아니라 HRM 결과의 본질적인 복잡성을 벡터화하는 데 대한 장벽뿐만 아니라 영향을 받는 직원이나 기타 이해관계자에 대한 해결하기 어려운 데이터, 윤리적, 법적 제약 및 우려를 제시합니다. 일부 사람들은 논란의 여지가 있다고 생각하는 프로세스. HR 관리 결정은 법적 문제에 취약하거나 직원이나 기타 이해관계자가 논란의 여지가 있다고 간주하는 선정 절차를 피해야 합니다.

요약 내용은 다음과 같습니다.

인적 자원 관리에 기계 학습을 적용하기 위한 일련의 연구 개발 프로젝트를 수립하고 감독하는 방법
NLP 기반 의사 결정 지원 시스템을 효과적으로 개발하는 방법;
시스템을 개발하고 테스트한 후 허용 가능한 용도로 성공적으로 변환하는 방법.

인적 자원 관리 의사 결정 시스템 소개

인적 자원 관리 의사 결정 시스템의 구현은 다음과 같은 과제에 직면합니다.

인간 의사 결정자에게는 어떤 입력이 필요하며, 후보 기계 학습 시스템은 이러한 입력을 제공하는 데 얼마나 효과적인가요?
현재 다양한 후보 시스템에서 사용할 수 있는 기능 수준을 고려할 때 다양한 유형의 의사 결정 지원에는 어떤 위험이 있습니까?

이 프레임워크는 디자인 및 인적 자원 관리를 개념화하기 위한 기계 학습 시스템의 원리를 보여줍니다. 프레임워크의 기본 개념은 시스템 설계가 시스템의 최우선 순위 목표와 분리될 수 없다는 것입니다. HRM 목표는 설계자가 기계 학습이 HRM 의사 결정 프로세스를 지원할 수 있는 다양한 방법 중에서 선택하는 데 도움이 됩니다. 구현 설계는 결국 시스템 평가 방법에 영향을 줍니다. 예를 들어, 의사 결정을 자동화하는 시스템은 정확성이나 기타 중요한 기준을 기반으로 평가될 수 있으며, 입력을 제공하는 시스템은 입력의 정확성과 전체 의사 결정 결과에 미치는 영향을 기반으로 판단해야 합니다. 시스템이 보안 표준을 충족하지 못하는 경우 설계자가 인적 자원 관리 목표에 가치 있고 보안 매개변수를 충족할 수 있는 시스템을 얻을 수 있을 때까지 구현 설계를 수정해야 합니다.

머신러닝과 인적자원관리의 충돌에 대해 이야기해볼까요? 그림 기계 학습 시스템 프레임워크

시스템 설계 방법론

개발 초기 단계에는 기계 학습 기반 입력을 의사 결정에 통합할 수 있는 많은 설계 옵션이 있습니다. 디자인은 타이밍(예: 인간이 결정을 내리기 전이나 후)과 영향 정도(예: 옵션을 권장하는 것과 중요한 기능에 주의를 기울이는 것) 측면에서 다양합니다. 여기서는 기계 학습 의사 결정 시스템의 5가지 주요 설계 구현을 강조합니다.

결정 시간에 기계 학습 시스템은 HR 관리 기록에 점수를 매기고 인간 의사 결정자의 개입 없이 자동으로 결정을 내립니다.

2. 추천합니다. 기계 학습 시스템은 인간 의사 결정자에게 추가 입력으로 권장 사항을 제공합니다.

3.점수. 기계 학습 시스템은 추가 입력으로 인간에게 점수를 제공합니다.

4. 요약. 기계 학습 시스템은 인간 의사 결정자를 위해 자동으로 요약합니다.

5. 감사. 기계 학습 시스템은 감사 프로세스의 일부로 의사 결정자가 검토할 수 있도록 이상 징후를 표시합니다.

설계 프로세스는 기계 학습 시스템의 우선순위 목표를 결정하는 것부터 시작됩니다. 표에 표시된 것처럼 다양한 목표 조합에는 다양한 설계 구현이 필요합니다.

머신러닝과 인적자원관리의 충돌에 대해 이야기해볼까요? 사진

이 목표는 또한 평가 프로세스의 효율성에 대한 잠재적인 측정 방법을 지적합니다. 예를 들어, 목표가 작업량을 줄이는 것이라면 시스템은 인간 의사 결정자의 수를 줄여야 하며, 인간의 의사 결정을 개선하는 것이 목표라면 시스템은 의사 결정의 질을 향상시키는 데 도움이 되어야 합니다. 증거로 측정하여 중요한 HR 관리 결과에 더 잘 기여합니다.

내러티브 기록을 자동으로 요약하는 기계 학습 시스템은 의사 결정 지원 모델 역할을 할 수 있습니다. 개인의 HR 기록은 대부분 자유 형식 텍스트와 개인 속성의 두 가지 유형으로 나뉩니다. 작업 목록, 책임 설명, 주요 성과 요약 등 자유 형식의 텍스트입니다. 인사 속성은 수년간의 경험, 성과 순위 또는 승진 시험 점수와 같이 사전에 정량화되고 해석 가능하며 관리에 유용한 데이터입니다. 후자 유형의 정보는 모델이나 시각화에서 처리하고 사용하기가 더 쉽지만, 전자 유형의 정보는 충분한 정보를 바탕으로 인적 자원 관리 결정을 내리는 데에도 필요합니다.

관리 처리 결정에는 기록에 대한 신중한 검토와 숙련된 직원의 수동 검토 또는 채점 프로세스가 필요합니다. 수동 검토를 지원하는 것으로 간주되는 다양한 디자인 구현 중에서 "요약"이 가장 다재다능합니다. 이는 모든 인적 자원 관리 목표와 어느 정도 또는 매우 일치하는 유일한 디자인입니다. 자동 요약은 피드백을 제공하고, 투명성을 높이며, 인간 의사 결정의 정확성을 높이는 데 유용하며, 수동 작업량을 표준화하고 줄이는 데도 어느 정도 유용합니다. 동시에 요약 구현은 의사 결정 프로세스에 대해 높은 수준의 수동 제어를 유지하므로 다른 디자인보다 보안 표준을 충족할 가능성이 더 높습니다. 실제로 요약은 시스템이 중요하다고 간주하는 텍스트 요소를 강조하므로 시스템 결정에 대한 설명입니다. 따라서 요약은 관리자가 다른 설계 구현에서 모델 결과를 이해하는 데 유용한 도움이 될 수 있습니다.

시스템 보안

인적 자원 관리 결정은 기업의 미래에 영향을 미치는 중요한 힘입니다. 따라서 의사결정 과정에 중대한 변화를 가져올 때에는 “먼저 해를 끼치지 않는다”는 원칙을 채택해야 합니다. 기계 학습에 대한 투자가 증가함에 따라 풍부한 연구 및 정책 문서는 기계 학습(및 보다 광범위하게는 인공 지능)의 책임감 있고 윤리적인 사용에 대한 규범적인 지침을 제공하는 것을 목표로 합니다.

예를 들어 회원의 개인 정보를 보호하기 위한 기존 규칙과 프레임워크는 모든 개발 프로젝트에 계속 적용됩니다. 개발 및 배포 중에는 기계 학습 시스템이 정확하고 공정하며 해석 가능해야 하는 테스트 시스템과 특히 세 가지 원칙이 관련됩니다.

정확성은 기계 학습 시스템 또는 여기에 포함된 모델이 에 의한 결과.

공정성은 기계 학습 시스템이 하위 그룹을 동등하게 취급한다는 것을 의미합니다.

설명 가능성은 인간이 기계 학습 시스템의 결과로 이어지는 요인과 관계를 이해할 수 있음을 의미합니다.

이러한 안전 기준은 때때로 서로 충돌합니다. 공정성을 높이기 위해 설계자는 정확성이나 해석 가능성을 낮추는 시스템에 제한을 가할 수 있습니다. 해석 가능성을 높이기 위해 시스템 설계자는 해석하기 쉬운(그러나 유연성은 떨어지는) 모델링 방법을 사용할 수 있으며 이는 정확성과 공정성에 영향을 미칠 수 있습니다. 테스트에는 인적 자원 관리 목표는 물론 법적 및 윤리적 제약 사항을 충족하는 설계에 도달하기 위해 정확성, 공정성 및 설명 가능성의 균형이 포함되어야 합니다.

공정성과 관련하여 공정성에 대한 단일 정의가 없으며 경쟁 유형의 공정성을 충족하는 것이 불가능한 경우가 많다는 점에 유의하는 것이 중요합니다. 따라서 기관은 테스트를 진행하기 위해 정의를 선택해야 합니다. 여기서는 HR 관리 프로세스 또는 알고리즘이 서로 다른 하위 그룹의 구성원을 동등하게 처리하도록 보장하는 절차적 공정성과 모델 또는 프로세스 결과가 편향되어 있는지 확인하는 결과 공정성이 구분됩니다.

마지막으로, 설명 가능성은 HRM 목표 달성에 매우 중요합니다. 사람들이 시스템이 더 나은 의사 결정에 어떻게 기여하는지 이해하지 못하면 시스템을 무시하거나 남용할 수 있기 때문입니다. 또한, 설명 가능성을 정의하는 것은 대상 사용자와 분리될 수 없습니다. 사용자 유형에 따라 설명 수준이 다르기 때문입니다. 설계자는 해석 가능성을 높이기 위해 본질적으로 해석 가능한 모델을 사용하는 것을 고려할 수 있으며, 인간 참여형(Human-In-The-Loop) 테스트를 수행하여 사람들이 시스템 기능을 얼마나 잘 이해하고 있는지 평가할 수도 있습니다.