---

قالت الخوارزمية ذلك: سلسلة محادثات على Slack أثارت التغيير

في سلسلة محادثات حديثة على Slack، عبّر أحد أعضاء فريق الموارد البشرية عن إحباطه بسبب رفض أحد المرشحين بناءً على نتائج خوارزمية فقط. كتب: "قالت الخوارزمية أنهم لم يكونوا مناسبين"، مضيفًا أن هذا النقص في السياق جعله يشعر بعدم الارتياح بشأن القرار. سرعان ما تحولت المحادثة إلى نقاش أوسع حول شفافية الذكاء الاصطناعي لدينا ومساءلته في التوظيف.

فهم المخاطر

إن اتخاذ القرارات الآلية في التوظيف هو امتياز ومسؤولية في آن واحد. بينما نسعى للاستفادة من الذكاء الاصطناعي لتبسيط عملية التوظيف، يجب أن نتذكر الأرواح البشرية التي تتأثر بهذه القرارات. يتأثر كل من المجندين والمرشحين بنتائج هذه الخوارزميات. يمكن أن يؤدي الرفض المبني على أسباب غير واضحة إلى تدمير المسيرات المهنية والسمعة، مما يؤدي إلى فقدان الثقة في منصتنا. أصبح من الواضح أننا بحاجة لجعل عمليات الذكاء الاصطناعي لدينا أكثر شفافية لتعزيز بيئة توظيف موثوقة وأخلاقية.

تحديد المشكلة الأساسية

كانت المشكلة الرئيسية التي واجهناها هي أن خوارزميتنا كانت تقدم مخرجات ثنائية - إما أن المرشح مناسب أو لا - دون أي تبرير داعم. على سبيل المثال، تخيل سيناريو حيث تم رفض مرشح مؤهل تأهيلاً عالياً ببساطة لأنه لم يتناسب مع مجموعة ضيقة من المعايير المحددة مسبقًا. لم يكن هذا محبطًا للمجندين فحسب، بل ترك أيضًا المرشحين في حالة من الارتباك والإحباط. كنا بحاجة إلى وسيلة لتقديم تفسيرات واضحة وقابلة للتنفيذ لكل قرار يتم اتخاذه بواسطة الذكاء الاصطناعي لدينا.

المحاولات الأولية والدروس المستفادة

تضمنت مقاربتنا الأولى إضافة بيانات وصفية وصفية إلى ملفات المرشحين، والتي تضمنت ملخصًا لمنطق الذكاء الاصطناعي. ومع ذلك، ثبت أن هذا غير كافٍ. وجد المجندون أنه من الصعب تفسير البيانات الوصفية دون فهم أعمق لآلية عمل الخوارزمية. أدركنا أن تقديم ملخص فقط لم يكن كافيًا؛ كنا بحاجة إلى تقديم تفسيرات تكون مفهومة وذات صلة بسياق التوظيف. علمتنا هذه البداية الخاطئة أن الوضوح والأهمية هما الأهم عند شرح القرارات الآلية.

تنفيذ الذكاء الاصطناعي القابل للتفسير

بعد عدة تكرارات، طورنا نهجًا لتوليد تفسيرات قابلة للقراءة البشرية لكل تقييم للمرشح. استخدمنا تقنيات من التعلم الآلي القابل للتفسير، مع التركيز على تقديم تبريرات قائمة على الأدلة بدلاً من الصفات الغامضة. على سبيل المثال، نقوم الآن بتضمين عوامل محددة تسهم في نتيجة المرشح، مثل الخبرة ذات الصلة، ونسب تطابق المهارات، ونتائج التقييم.

# نموذج كود لتوليد التفسيرات
def generate_explanation(candidate_id):
    candidate = fetch_candidate_data(candidate_id)
    reasons = []
    if candidate['years_experience'] > 5:
        reasons.append("خبرة ذات صلة تزيد عن 5 سنوات")
    if candidate['skill_match'] > 0.8:
        reasons.append("تطابق مهارات مرتفع: {0}%".format(candidate['skill_match'] * 100))
    return f"أسباب الرفض: {', '.join(reasons)}"

توضح قطعة الكود هذه كيف نجمع أسبابًا محددة لتقييم المرشح، مما يضمن أن المجندين يمكنهم فهم وتواصل المنطق وراء القرارات بسهولة.

التغييرات الملحوظة في المنتج

مع هذه التحديثات، تقدم منصتنا الآن تفسيرات مفصلة لتقييمات المرشحين مباشرة على لوحة معلومات المجندين. لا يعزز هذا التغيير الشفافية فحسب، بل يمكن أيضًا المجندين من اتخاذ قرارات أكثر استنارة. كانت ردود الفعل من المستخدمين إيجابية للغاية، حيث أشار الكثيرون إلى أنهم يشعرون بثقة أكبر في تقييماتهم. كما يقدّر المرشحون أيضًا تلقي ملاحظات واضحة حول طلباتهم، والتي يمكنهم استخدامها للفرص المستقبلية. يمكنك استكشاف هذه الميزات بشكل أكبر على صفحتنا /for-companies.

الدروس المستفادة من رحلتنا

• الوضوح بدلاً من التعقيد: يجب أن تكون التفسيرات بسيطة ومباشرة، مع تجنب المصطلحات الفنية.
• الأدلة تهم: تقديم نقاط بيانات محددة يكون أكثر تأثيرًا من الأوصاف الذاتية.
• التحسين التدريجي: قد تفشل الحلول الأولية، ولكن كل محاولة تقربنا أكثر مما يحتاجه المستخدمون.
• ملاحظات المستخدمين أساسية: التواصل المنتظم مع المجندين يساعد في تحسين نهجنا.
• الثقة تُبنى على الشفافية: التفسيرات الواضحة تعزز الثقة بين المرشحين والمجندين ونظام الذكاء الاصطناعي.

الآثار على المرشحين

بالنسبة للمرشحين، يعني النهج الشفاف الجديد أنك ستتلقى رؤى واضحة حول سبب نجاح طلبك أو عدمه. تساعدك هذه الملاحظات على فهم نقاط قوتك ومجالات تحسينك، مما يجعل عملية التوظيف أقل رعبًا وأكثر بناءً. يمكنك الآن الاقتراب من الطلبات المستقبلية بفهم أفضل لكيفية توافق مؤهلاتك مع متطلبات الوظيفة.

الآثار على المجندين

بالنسبة للمجندين، تعني هذه التحسينات أنك تستطيع تقديم ملاحظات محددة للمرشحين تستند إلى البيانات، مما يؤدي إلى عملية توظيف أكثر احترامًا وإعلامًا. لا تحسن هذه الوضوح تجربة المرشحين فحسب، بل تعزز أيضًا دورك من خلال تمكينك من تبرير قرارات التوظيف بشكل أكثر فعالية أمام المعنيين.

ماذا بعد؟

على الرغم من أننا حققنا تقدمًا كبيرًا، فإننا ندرك أن الرحلة نحو الشفافية الكاملة في توظيف الذكاء الاصطناعي مستمرة. نحن حاليًا نراقب تفاعلات المستخدمين مع الميزات الجديدة ونجمع الملاحظات لإجراء تحسينات إضافية. بالإضافة إلى ذلك، نستكشف طرقًا لتنفيذ تعديلات في الوقت الفعلي بناءً على تفاعلات المرشحين، مما يضمن تطور الذكاء الاصطناعي لدينا جنبًا إلى جنب مع احتياجات المستخدمين. إذا كان بإمكاننا التراجع عن أي تغيير، فسيكون عدم وجود تفسيرات فورية في النسخ الأولية؛ هذه درس لن ننساه. ---