AIフロンティアシリーズ：人材

AI Frontier Series Human Resources.

AIパズルの紹介-未開拓の領域における

私が最初に参加した「多業種のブレーンストーミングセッション」からほぼ3年が経ち、かつて野心的だと考えられていた機械学習の概念が、HR部門に対して達成可能になっていることに驚かされています。AIの急速な進歩は、製造業から医療業界まで、産業を変革し続けています。しかし、人材管理部門はこのデジタル革命を受け入れるのが遅い傾向にあります。

HRにおける定性的、定量的なタスクの混合がAIの採用に向いていないという考え方は、HR領域におけるAIの潜在的な可能性を見落としていると言えます。この記事では、HR業界における主要な課題、重要なパフォーマンス指標、AI技術がこれらの課題を克服するのにどのように役立つかを探求することを目的としています。これは、従来の人材分析ソリューションの制限とは対照的です。

前の記事で取り上げたサプライチェーンデータ問題とは異なり、ここでの主要な関心事は高品質のデータの入手可能性だけではありません。このデータの処理とデータ規制の規範への遵守も同様に重要です。次のセクションでは、これらの要因がどのように対処され、HRにおけるAIの変革的な力が発揮されるかについて説明します。

ただし、これらのユースケースに深入りする前に、Chowdhury, S. et al. (2023) によって推奨されるように、あなたの組織がこれらの戦略を実施する準備ができているかどうかを評価することが重要です。そして、私が常に強調しているように、より広範な要件の確認は、この記事を参照することで大いに役立つことでしょう。

• AIの導入障壁：主要な課題と克服方法
• オッターに会いましょう：大規模データセット「MIMIC-IT」を活用した最先端のAIモデルであり、知覚と推論のベンチマークにおいて最新の性能を実現しています
• 巨大なデータベース内のデータ検索を加速する新しい手法

人材管理の課題

特定の業界、エリア、会社などに関連する主要パフォーマンスインジケータ（KPI）を理解することから、価値あるアイデアを生み出すことができます。全てのHR部門は、人材獲得・維持、従業員エンゲージメント、パフォーマンス管理、ダイバーシティとインクルージョン、そして規制遵守など、同じ課題に直面しています（Pereira, V. et al., 2023）。

一般的なHR KPIには以下があります：

• 採用までの時間
• 採用コスト
• 従業員の離職率
• 従業員エンゲージメントスコア
• 多様性比率

これらのメトリックを測定するプロセスは、定量的な分析と人間の理解の繊細なバランスが必要です。そして、HRにおけるAIの潜在的な可能性を完全に理解するには、まず各KPIで測定されるプロセスの現状に関するいくつかの質問をする必要があります。これは、どの機械学習プロジェクトに取り組んでいる場合でも、従うべき標準的な手順です。この意味で、私たちはトリガー質問を使用してプロセスの各ステップを説明します。

1. 人材獲得の課題

新しい人材を採用する際に、HR担当者は求人ポジションを投稿し、膨大な履歴書を整理し、初期選考を行い、面接をスケジュールし、最終的にハードデータとソフトスキルの総合的な判断に基づいて採用決定を下さなければなりません。しかし、効率的で透明性の高い方法でこれらのタスクを実行するためのツールを持っているでしょうか？あるプロセスに偏見がないことをどのように確認できるでしょうか？全体像を分析してみましょう。

1.1. 求人ポジションの作成と投稿

あなたの会社はまだAIの支援なしで求人ポジションを書いていますか？求人ニーズの特定に続いて、選考プロセスの最初のステップは、LinkedInなどの所有またはサードパーティプラットフォームに求人説明を作成して投稿することです。これらの説明を作成することは非常に手間がかかるかもしれません。しかし、今日急速に変化する求人市場でトップの人材を引きつけ、プロフェッショナリズムのイメージを投影するためには、重要なステップです。さらに、この記事で議論するソリューションを考慮すると、求人ポジションの曖昧な定義は、いくつかのユースケースにおいて結果の品質に制限を与える可能性があります（すぐに戻ってきます）。

適切に言葉を選ばない求人募集は、適格な候補者を遠ざけ、適さない候補者を引きつけ、採用プロセスを複雑にする可能性があります。さらに、プロフェッショナリズムが欠けていると示唆することで、企業の公共イメージを損なうことがあります。曖昧な記述は、曖昧な仕事の期待値と潜在的に差別的な言語により、平等な雇用機会法に違反する可能性があるため、法的な問題が生じる場合があります。一方、よく作成された求人募集は、優れた人材を引き付け、採用を迅速化し、多様性と包含を支持し、企業の評判を高めることができます。そのため、組織は、十分なリソースを投入して、徹底的かつ正確で包括的な求人募集を作成することにより、効果的な採用、法的なコンプライアンス、および向上した公共イメージを確保する必要があります。

1つの解決策は、AIテキスト生成の力を利用することです。先進的なツールである大規模言語モデル（LLM）を活用することにより、求人募集テンプレートを最適化し、素晴らしい結果を得ることができます。

例として、HRに特化したシニアデータサイエンティストの求人募集を考えてみましょう。AIを利用することで、プロンプトを10秒未満で起草することができ、効率的かつ効果的であることが証明されます。

組織の価値観や、採用プロセスの残りの部分で評価されるべきトピックを反映するより正確なプロンプトを提供できることに注意してください。

包括的で魅力的な求人募集を投稿した後、多数の応募者とそれに伴う応募書類の急増を自然な流れとして受け入れます。この進展は、厳密で困難な履歴書分析の次のフェーズにスムーズに移行します。

1.2. 履歴書分析

まだ受信トレイに着信するすべての履歴書を手動で篩い分けていますか？あなたのHR人材獲得スペシャリストは、適任者を見つけた後も何百もの応募書類を分析するための貴重な時間を割いていますか？あなたの採用担当者が、決定に重要な変数をどのように考慮しているか、またはデータベースに残された履歴書を将来の求人募集にマッチングする方法について考えたことがありますか？

これらの質問があなたの頭をよぎっている場合、手動で履歴書をレビューし、高量の応募書類を分析する従来の方法が、データ駆動の時代においてはもはや十分ではないことが明らかです。

自動化された履歴書パース解析のソリューションは、履歴書から関連情報を比較的簡単に抽出することができる大きな進歩です。しかし、ここでバックは止まりません。パース解析の段階の後、多量のデータが残り、圧倒されて操作しにくい場合があります。このデータを単にテーブルに整理し、基本的な分析を実行するだけでは十分ではありません。

また、主要なHRプラットフォームが履歴書パース解析の技術を習得していると想定するかもしれませんが、現実はしばしばがっかりすることになります。従来のフォーマットから外れた履歴書を提示される場合、彼らのパフォーマンスは劣る場合があり、重要な候補者情報の損失につながる場合があります。

これらの障壁を克服する1つの解決策は意味的マッチングです。機械学習では、この概念は、異なるテキストやデータの意味または意味合いを理解し比較するプロセスを指します。単語、フレーズ、文章、または文書全体の類似性または関連性を評価することを含みます。目的は、表面的なパターンや正確な単語のマッチングに頼るのではなく、テキストの異なる部分が根底にある意味の面でどの程度一致しているかを決定することです。意味的マッチングは、情報検索、質問応答、感情分析、テキスト分類など、さまざまな自然言語処理（NLP）タスクで重要な役割を果たしています。これにより、求人募集に適している候補者を自動的に優先し、評価することができます。 ただし、求人募集が明確に定義されていない場合、結果の品質が低下する可能性があることに注意してください。

意味的マッチングが納得いかない場合、この問題に対処するために、かなりの程度まで他の代替策を探ることができます。

• 自動事前スクリーニング：特定の基準や最低資格を満たしていない候補者をフィルタリングするメカニズムを実装します。これは、ルールベースのシステムまたは歴史的な採用データでトレーニングされた機械学習モデルによって実現できます。もちろん、これを行うには、パースのソリューションが必要です。
• 機械学習に基づくランキング：スキル、経験、資格などのさまざまな属性に基づいて、自動的にスコアリングしてランキングを付けるシステムを開発します。このアプローチにより、データ駆動の意思決定が可能になり、評価プロセスの偏見が排除されます。

これらの変更に投資することは、あなたが期待した以上に影響力があることがわかるでしょう。これらの技術は、以下のようにHR業務に多くの利点をもたらします：

• スケーラビリティと効率： ビジネスがスケールアップし、応募数が増加すると、ワークロードを手動で処理することはますます困難になります。言及された技術は、大量の履歴書を効率的に処理し評価することによりスケーラビリティを提供し、すべての応募で一貫した徹底的な分析を保証します。また、履歴書の最初の段階を自動化することにより、企業は不適格な候補者のレビューに費やす時間とリソースを大幅に削減できます。これにより、HRチームは、最も有望な候補者の面接や評価など、より戦略的なタスクに取り組むことができます。
• バイアスの削減： 記載されたソリューションの実装により、候補者評価プロセスでのバイアス削減の必要性が高まりました。求人要件と候補者属性の意味的な整合性に焦点を当てることにより、評価はより客観的になり、手動の履歴書スクリーニングに影響を与えるかもしれない無意識のバイアスにより影響を受けにくくなります。
• 継続的な学習： 機械学習をベースとしたアプローチは、時間の経過とともに常に学習し改善することができます。履歴データと採用担当者からのフィードバックを活用することにより、これらのシステムは組織の特定のニーズに適応し、マッチングアルゴリズムを洗練し、最適な候補者を特定するためにより正確で効果的になります。したがって、今基盤を築くことは将来的に10倍の利益を生むことが確実です。

履歴書を分析した後は、重要な候補者面接の段階に移りましょう。

1.3. 候補者面接2.0

面接中、採用担当者はしばしばプロセスを効率化し、候補者との効果的なコミュニケーションを確保するための支援を求めます。このニーズに応えるため、私たちのチームは、音声テキストモデルと高度なアルゴリズムを使用する革新的なアプリを開発しています。このアプリは、面接中に採用担当者にリアルタイムでサポートを提供することを目的としています。

このアプリを活用することで、採用担当者は面接の構造を強化し、重要な質問が取り上げられることを確認できます。アプリは、求人ポジションの説明、標準的な面接質問のリスト、候補者の履歴書、および会話のリアルタイムトランスクリプトなど、さまざまな要素を活用します。

LLMを活用して、アプリは面接内容を分析し、関連する質問やフィードバックを生成します。採用担当者は、自分の好みやニーズに合わせてこの支援を受ける頻度をカスタマイズできます。

このアプリを提供することで、面接プロセスを最適化し、採用担当者と候補者の両方の時間を節約し、効率的かつ洞察に富んだ会話を促進することを目的としています。

1.4. エンドツーエンドの自動化？

今後、採用プロセスを完全に自動化する予定ですか？ AIチャットボットやその他の方法を使用して、採用プロセス全体を自動化することを提案したことはありません。なぜなら、私たちはまだその段階に達していないと思い、人間の要素を保持することでより多くの利益を得ることができるからです。自動化や高度な技術は、人材獲得プロセスを大幅に強化できますが、人間の判断と専門知識の価値を認識することが重要です。自動化技術の結果が人間の採用担当者によってレビューされ検証される人間をループアプローチを採用することで、人間の知能と機械学習アルゴリズムの両方の強みを組み合わせたバランスの取れた正確な評価が保証されます。

最後に、考えるための何かを残します。AIチャットボットなどのツールを使用してプロセスを自動化する場合、候補者も強化学習プロセスの一種であるAIを使用してこれらのチャットボットを説得する方法を学ぶことができます。

2. 人材定着の課題

候補者を採用できたら、パズルの最も重要なピースが次に来ます。従業員の退職を防止するために人材を定着させ、採用プロセスに費やしたすべての努力を無駄にせず、従業員が組織に与える損害を防止することが重要です。この問題に対して、いくつかのことができます。

2.1. 従業員離職予測

あなたの組織は、各従業員が次の四半期/学期/年で会社を去る可能性を予測していますか？成功した従業員定着は、問題が発生する前に予防的な措置を取ることに頼っています。あなたの組織は、従業員が考えを変えるにはあまりにも遅すぎるカウンターオファーを何回も提供してきたことがありますか？したがって、従業員がその段階に達する前に組織を去るリスクが高い従業員を検出することが重要です。

この文脈では、ガラスボックス型の機械学習モデルを開発して、従業員が次のnヶ月以内に退職する可能性を予測し、この確率に貢献する要因を特定できます。ブラックボックスモデルとは異なり、ガラスボックスモデルは、予測の背後にある理由を明確に理解できるため、解釈可能性を提供します。この区別は重要です。なぜなら、私たちは敏感な従業員データを扱っており、モデルが推論する行動が従業員のキャリアに大きな影響を与える可能性があるためです。したがって、モデルの動作を完全に透明で理解することが極めて重要です。

この考えを踏まえて、私たちの同僚と私は、この問題の主流の「解決策」に一般的に見られる欠点に対処するモデルを開発しました。正しい枠組みに従ってこの問題に取り組む技術的な詳細については、この記事を参照することをお勧めします。

2.2. 個人向け従業員開発

あなたの組織はカスタムプロフェッショナルパスを提供していますか？従業員は競争力のある報酬と職業成長の機会のバランスを求めることがよくあります。両方の側面が望ましいですが、たとえば若いプロフェッショナルは、スキルを開発し、選んだ分野で進歩する機会を優先する場合があります。これを認識することで、組織は個別の学習と開発計画を活用して、非公式の約束の一部を果たすことにより、従業員の定着を向上させることができます。

AIパワードの推薦システムは、この点で重要な役割を果たすことができます。これらのシステムは、従業員のパフォーマンスデータを活用し、個人の強み、弱み、およびキャリア目標を分析します。また、同じ役割またはキャリアパスで成功を収めた「似た」従業員からの情報も考慮します。これらの洞察を統合することで、組織は、各従業員の特定のニーズと志向に合わせたトレーニングと「アップスキル」の機会についての個別の推奨事項を作成することができます。

さらに、主流派のAIパワードの推薦システムは、従業員の開発計画に合わせて、関連する学習資料、コース、メンターシップの機会、またはネットワーキングイベントを提案することによって、継続的な指導を提供することができます。個人の好みや進化するキャリアパスに適応することにより、これらのシステムは、従業員が組織との旅の間に関連性のある魅力的な学習体験にアクセスできるようにします。

次に、退職問題に密接に関連する取り組み問題があります。

3. 従業員エンゲージメントの課題

従業員エンゲージメントは、従業員の職場環境への感情的および身体的なコミットメントを測定する指標であり、組織の成功に不可欠です。これは、高いパフォーマンス、職場満足度、および定着率に貢献します。現在、エンゲージメントは定期的な調査を通じて職場満足度と共に測定されていますが、この方法には2つの欠点があります。

• 頻度：これらの調査の頻繁でない性質により、エンゲージメントの古いスナップショットが得られます。
• 複雑性：これらの評価には、人間が正確に実行するのが難しい多次元の分析が必要です。

これらの問題に対処するために、私たちは、組織を相互に作用するノードのネットワークとして考えるアプローチを提案しています。

3.1. 組織ネットワーク分析

組織ネットワーク分析（ONA）は、グラフ理論の技術を使用して、管理構造、人間関係、および情報フローを含む組織のネットワークを系統的に探索し理解する方法です（Barabási、A.L.、2013）。

ONAを実施するために、ネットワークは指名調査またはワークスペースプラットフォームからのデジタルフットプリントを使用して構築されます（データ保護上の考慮事項に留意してください）。ネットワークを確立した後、伝統的なグラフアルゴリズムを使用して、各メンバーの中心性と組織内での影響力を決定できます。これらのメトリックは、従業員の特性と過去の調査の洞察と組み合わせて、従業員エンゲージメントを予測するモデルを開発するために使用できます。

組織ネットワーク分析を活用することで、組織の内部動向に関する貴重な洞察を得ることができ、主要な影響者を特定し、各個人の役割を評価し、従業員のエンゲージメントレベルを予測することができます。ただし、データの収集と分析の過程で、データプライバシーと保護を確保することが重要です。データ保護契約と倫理的な考慮事項に厳密に準拠する必要があります。

ONAはAIではないことに注意してください…しかし、このトピックについて詳細な説明を得るには、この記事を参照することをお勧めします。これは、現在のモデル開発を作成または追加するための機能的な方法で関連データを収集するための最初のステップです。たとえば、組織内の相互作用または接続レベルに関する貴重なデータを抽出し、これらの情報を離職モデルまたはエンゲージメントモデルの特徴量として使用することができます。

3.2. AIエンゲージメントアシスタント

書かれた満足度フォームから数量的および質的な洞察を抽出することを考えたことがありますか？AIはここで重要な役割を果たすことができます。従業員を監視するためのAIアシスタントを作成するのではなく – 人間要素を低下させるリスクがあるため – 匿名のフィードバックを収集するためにそれらを使用することを提案します。このフィードバックは分析および構造化され、HR部門が実行可能な洞察を抽出するための機能を提供します。これは、早期に提案された面接アシスタントの機能に似ています。

このアプローチは、より具体的なタスクにも有用です。たとえば、ワークショップのフィードバックを求める場合、従来の1から5のスケール調査を使用する代わりに、出席者は詳細な書面でのフィードバックを提供するように奨励されることがあります。この質的データは、より深い、より意味のある洞察を明らかにするためにLLMを使用して分析することができます。

書面のフィードバックには品質や特異性が欠ける場合があるが、提供される豊富な文脈は探求に値する手段である。

次に、関連し合う「エンゲージメント」「リテンション」「パフォーマンスマネジメント」について探求します。

4. パフォーマンス評価チャレンジ

伝統的なパフォーマンス評価プロセスには、品質のばらつき、不完全さ、時間消費に関する問題がよくあります。

品質のばらつきには、フィードバックを提供するマネージャーの文章スキルやコミュニケーション能力の違いから生じます。不十分なフィードバックは従業員に良い影響を与えず、改善すべき点を扱わず、成果を適切に認識できないことがあります。

不完全さは、評価期間中に見落とされた成果や改善すべき点から生じます。この包括的なフィードバックの欠如は、従業員をより良いパフォーマンスに導いたり、成功を認めたりする機会を逃すことになります。

徹底的なパフォーマンスレビューを作成するプロセスは時間がかかり、マネージャーの貴重な時間を効果的なコーチングや従業員のメンタリングなどの生産的な活動から逸らすことができます。

これらの課題には、リソースの利用を最適化し、公平性を確保し、フィードバックの品質と完全性を向上させる効率的で簡略化されたパフォーマンス評価のアプローチが必要です。

4.1. 評価アシスタント

複数の従業員レビューを実施しながらキーの詳細を覚えるのに苦労している場合は、要約モデルを活用することが解決策になるかもしれません。実際、この問題に対する解決策を開発しています。

「TheBestCompany」という組織を想像してみてください。TheBestCompanyでは、フィードバック、イニシアチブへの参加、顧客フィードバックなどのさまざまなデータソースをLLMモデルで処理し、従業員レビューを生成します。LLMは、成果と改善点を区別し、このフィードバックをパフォーマンスレビューテンプレートにまとめ、現在の人間のレビューアーによって修正できるようにします。

この自動レビュー生成プロセスにより、時間やリソースが節約され、偏見やエラーが最小限に抑えられ、詳細で正確なレビューが生成されます。LLMの柔軟性により、組織のニーズに基づいたカスタマイズが可能になり、パフォーマンス評価の正確性、効率性、公正性が向上します。このソリューションにより、組織は他の重要なタスクや目標に集中できます。

5. 多様性と包摂の課題に取り組む

多様性と包摂は、採用プロセスを超えて昇進やパフォーマンス評価を含め、多くの組織にとって永続的な課題です。これらの分野における主観性は、1人の従業員の長所や他の人の短所を誤魔化すことがあります（Rodgers,W.ら、2023年）。

2つの戦略がこれを緩和するのに役立ちます。1つ目は、年齢、性別、人種、宗教などの敏感な変数を無視するアルゴリズムを開発することです。資格、スキル、パフォーマンスに焦点を当てたこれらのアルゴリズムは、偏見を減らし、公正な意思決定を促進することができます。

2つ目の戦略は、これらの敏感な変数を考慮に入れたモデルを利用し、その影響を特定の結果に理解することです。歴史的なデータを分析することで、これらのモデルは特定の属性に関連する潜在的な偏見を明らかにし、システム的な問題を事前に特定し、平等な機会と包摂を促進することができます。

ただし、アルゴリズムやモデルは人間の判断力や専門知識を補完するものであることを忘れてはなりません。さらに、これらのツールは、バイアスを意図的に拡大しないように定期的に監査する必要があります。

6. データ品質の課題

手動入力によるエラーや一貫性のないフォーマット、またはHRプラットフォーム（WorkdayやSAP HRなど）の不完全な記録により、データ品質はHRにおいて頻繁に障害となります。これらの問題は、「ゴミを入れればゴミが出る」という表現で表される機械学習アルゴリズムの正確性と信頼性を損なう可能性があります。したがって、倫理的な考慮事項や迫り来るデータ保護の課題に留意しながら、厳密なETL（Extract、Transform、Load）プロセスの実施が不可欠です。実際、この記事で言及されたすべてのユースケースの開発にかかる時間のほとんどは、ETLプロセスに費やされるべきです。

7. データ保護の課題

HRデータには、個人情報を含む敏感な情報が含まれていることが多く、堅牢なデータ保護策が必要です。これらのデータを保護するために、組織は厳格なセキュリティ対策、アクセス制御、データ暗号化技術を含む強力なデータガバナンスの実践を採用する必要があります（Hamilton, R. H.、Davison, H. K.、2022年）。

データ処理、保管、共有に関する明確なポリシーを確立し、認可された人員のみがアクセスできるようにします。データ保護を優先し、法的規制を遵守することにより、組織は従業員との信頼関係を築き、HRデータのプライバシーと機密性を保護することができます。

法律チームやコンプライアンスチームとの緊密な連携も必要であり、特にEUのGDPRのような特定のデータ保護法を含む、すべての適用可能な法律と規制を遵守するためには、データ保護の専門家から法的アドバイスを受けることが重要です。

まとめ

全体を通して、AIとHRの交差点は、未だ探求される可能性の領域を開くことができるということがわかりました。このシナリオにおいて、データサイエンティストとビジネスプロフェッショナルの課題は、HRプロセスを合理化しながら、貴重な人間的要素を保存する具体的なソリューションにこれらの可能性を翻訳することです。これには、AIの力を利用することと、HR管理の微妙なニュアンスを理解することの両方が含まれます。疑いの余地なく、このバランスが未来を推進し、より効果的で包括的で共感的なHR業界を創造するでしょう。

革新的なソリューションの民主化を通じて世界を改善するために共に努力するこのシリーズのより深い洞察にご期待ください。

参考文献

[1] Chowdhury, S., Dey, P., Joel-Edgar, S., Bhattacharya, S., Rodriguez-Espindola, O., Abadie, A., & Truong, L. (2023). Unlocking the value of artificial intelligence in human resource management through AI capability framework. Human Resource Management Review , 33 (1), 100899.

[2] Pereira, V., Hadjielias, E., Christofi, M., & Vrontis, D. (2023). A systematic literature review on the impact of artificial intelligence on workplace outcomes: A multi-process perspective. Human Resource Management Review , 33 (1), 100857.

[3] Barabási, A. L. 2013. Network science. Philosophical Transactions of the Royal Society A: Mathematical, Physical and Engineering Sciences , 371(1987), 20120375.

[4] Rodgers, W., Murray, J. M., Stefanidis, A., Degbey, W. Y., & Tarba, S. Y. (2023). An artificial intelligence algorithmic approach to ethical decision-making in human resource management processes. Human Resource Management Review , 33 (1), 100925.

[5] Hamilton, R. H., & Davison, H. K. (2022). Legal and ethical challenges for HR in machine learning. Employee Responsibilities and Rights Journal , 34 (1), 19–39.

We will continue to update VoAGI; if you have any questions or suggestions, please contact us!