---

Wątek na Slacku dotyczący zgodności i zaufania

W zeszłym miesiącu w naszym inżynieryjnym kanale Slack pojawił się wątek, który wywołał żywą debatę na temat naszych zautomatyzowanych procesów rekrutacyjnych. Jeden z naszych inżynierów backendowych podniósł ważne pytanie: „Czy jesteśmy zgodni z Artykułem 22 RODO?” To pytanie miało głębokie znaczenie, ponieważ implikacje naszych algorytmów rekrutacyjnych bezpośrednio wpływają na życie kandydatów. Stawka była wysoka, więc wiedzieliśmy, że musimy dokładniej przyjrzeć się naszym praktykom, aby upewnić się, że są zgodne z wymaganiami prawnymi.

Zrozumienie stawki

Ogólne rozporządzenie o ochronie danych (RODO) zostało zaprojektowane w celu ochrony osób przed zautomatyzowanym podejmowaniem decyzji, które znacząco je wpływa, w tym rekrutacją. Artykuł 22 szczególnie odnosi się do tej kwestii, podkreślając prawo do niepodlegania decyzjom opartym wyłącznie na przetwarzaniu automatycznym bez interwencji człowieka. Dla nas nie było to tylko sprawdzenie zgodności; to oznaczało zobowiązanie do sprawiedliwości i przejrzystości w naszych praktykach rekrutacyjnych. Nasi kandydaci mają prawo wiedzieć, jak oceniane są ich aplikacje, a nasi rekruterzy potrzebowali wiarygodnego ramowego systemu, który zapewniałby zgodność prawną przy jednoczesnym zachowaniu efektywności operacyjnej.

Wyzwanie, przed którym stanęliśmy

Szybko zdaliśmy sobie sprawę, że nie wszystkie procesy podejmowania decyzji w sposób automatyczny są sobie równe. Pojawiło się kluczowe pytanie: kiedy decyzja rekrutacyjna jest uznawana za wyłącznie automatyczną? W naszym przypadku używaliśmy modelu uczenia maszynowego do przeszukiwania CV, który generował uszeregowaną listę kandydatów na podstawie różnych czynników. Jednak jeśli ten model byłby wyłącznie odpowiedzialny za podejmowanie decyzji rekrutacyjnych, narazilibyśmy się na naruszenie Artykułu 22, ryzykując poważne kary. Jeden z kandydatów, który udzielił nam informacji zwrotnej po odrzuceniu, podkreślił brak przejrzystości w naszym procesie podejmowania decyzji, co jeszcze bardziej uwydatniło pilność naszej sytuacji.

Nasze pierwsze próby

Aby rozwiązać te problemy, najpierw rozważyliśmy wdrożenie systemu człowiek w pętli, w którym rekruterzy mogliby zignorować automatyczne decyzje. Pomysł wydawał się prosty, ale wdrożenie napotkało wiele wyzwań. Szybko zdaliśmy sobie sprawę, że samo dodanie kroków przeglądu manualnego nie rozwiąże problemu. Rekruterzy byli przytłoczeni ilością aplikacji, często wracając do automatycznych ocen jako do koła ratunkowego, zamiast angażować się w znaczące oceny. To początkowe podejście nie rozwiązało adekwatnie naszych problemów z zgodnością ani nie poprawiło doświadczenia kandydatów.

Tworzenie przejrzystego modelu oceny

Zdań sobie sprawę z ograniczeń naszego początkowego podejścia, przeszliśmy do opracowania bardziej przejrzystego modelu oceny. Skupiliśmy się na wyjaśnialnej sztucznej inteligencji, gdzie kryteria i algorytmy używane w ocenach kandydatów były dokumentowane i dostępne. To obejmowało:

• Wyraźne zdefiniowanie parametrów oceny (np. wykształcenie, doświadczenie, umiejętności).
• Stworzenie przyjaznego dla użytkownika panelu, aby rekruterzy mogli zobaczyć, jak każdy kandydat wypadł w różnych metrykach.
• Zapewnienie, że kandydaci mogą żądać wyjaśnień dotyczących swoich wyników, zgodnie z ich prawem do wyjaśnienia na mocy RODO.

Oto uproszczony fragment kodu naszego algorytmu oceny:

class CandidateScoring:
    def __init__(self, education_score, experience_score, skills_score):
        self.education = education_score
        self.experience = experience_score
        self.skills = skills_score

    def total_score(self):
        return (self.education * 0.4) + (self.experience * 0.4) + (self.skills * 0.2)

Ten model pozwolił nam w przejrzysty sposób kwantyfikować kwalifikacje kandydatów, spełniając wymagania RODO, a jednocześnie poprawiając naszą dokładność rekrutacyjną. Dzięki jasnym metrykom mogliśmy lepiej uzasadniać decyzje rekrutacyjne zarówno kandydatom, jak i wewnętrznym interesariuszom.

Widoczne zmiany w naszym procesie rekrutacyjnym

Wprowadzenie naszego wyjaśnialnego modelu oceny znacząco poprawiło zarówno zaangażowanie kandydatów, jak i zadowolenie rekruterów. Kandydaci teraz otrzymują szczegółowe informacje zwrotne na temat swoich aplikacji, co doprowadziło do zauważalnego wzrostu ich zaufania do naszego procesu rekrutacyjnego. Dla rekruterów panel dostarczył jaśniejszego ramowego systemu oceny kandydatów, pozwalając im skupić się na jakościowych aspektach aplikacji, a nie gubić się w liczbach. Ta zmiana miała pozytywny wpływ na naszą efektywność rekrutacyjną, ponieważ rekruterzy mogli teraz podejmować świadome decyzje bez polegania wyłącznie na automatycznych ocenach.

Kluczowe wnioski z naszego doświadczenia

Patrząc wstecz na naszą drogę, zidentyfikowaliśmy kilka ważnych lekcji:

• Przejrzystość jest kluczowa: Jasna komunikacja na temat sposobu oceny kandydatów buduje zaufanie.
• Nadzór ludzki ma znaczenie: Choć automatyzacja jest wydajna, ludzka intuicja jest niezastąpiona w złożonym podejmowaniu decyzji.
• Dokumentacja jest kluczowa: Wyraźne określenie kryteriów oceny chroni przed problemami z zgodnością i poprawia doświadczenie kandydatów.
• Iteracja i poprawa: Początkowe podejścia mogą zawodzić; elastyczność w dostosowywaniu się jest kluczowa dla sukcesu.
• Zaangażowanie ma znaczenie: Kandydaci cenią sobie informacje zwrotne i wyjaśnienia, co może poprawić ich postrzeganie Twojej marki.

Implikacje dla kandydatów

Dla kandydatów nasze nowe podejście oznacza bardziej przejrzysty i sprawiedliwy proces rekrutacyjny. Możesz spodziewać się szczegółowych informacji zwrotnych na temat swojej aplikacji, w tym tego, jak wypadłeś w odniesieniu do konkretnych kryteriów. Ta przejrzystość pomaga zrozumieć, gdzie możesz się poprawić w przyszłych aplikacjach, czyniąc proces rekrutacji mniej nieprzezroczystym i bardziej konstruktywnym.

Implikacje dla rekruterów

Dla rekruterów zmiany oznaczają bardziej efektywny i skuteczny proces rekrutacji. Dzięki przejrzystemu modelowi oceny możesz podejmować szybsze, bardziej świadome decyzje, jednocześnie zachowując zgodność z RODO. Ten ramowy system łagodzi presję polegania wyłącznie na narzędziach automatycznych i pozwala na bardziej znaczące zaangażowanie się w interakcje z kandydatami.

Przyszłe rozważania

Choć poczyniliśmy znaczne postępy, wciąż pozostaje wiele wyzwań. Musimy na bieżąco monitorować skuteczność naszego modelu oceny i dostosowywać nasze kryteria, gdy standardy branżowe się zmieniają. Dodatkowo badamy integrację bardziej zaawansowanych technik uczenia maszynowego, które zachowują przejrzystość, jednocześnie poprawiając dokładność decyzji. Gdybyśmy mieli powtórzyć ten proces, priorytetowo traktowalibyśmy zaangażowanie interesariuszy od samego początku, aby lepiej dostosować się do oczekiwań użytkowników i wymagań prawnych.

W miarę jak będziemy kontynuować doskonalenie naszego podejścia, dążymy do tego, aby prowadzić branżę w zakresie przejrzystych praktyk rekrutacyjnych, kształtując kulturę zaufania i sprawiedliwości, która przynosi korzyści wszystkim zaangażowanym stronom. ---