ファイデムのチーフ・プロダクト・オフィサー、アルパー・テキン-インタビューシリーズ
ファイデムのチーフ・プロダクト・オフィサー、アルパー・テキン-インタビューシリーズの魅力的な内容
アルパー・テキン氏は、AI人材獲得および管理プラットフォームのFindemの最高製品責任者です。FindemのTalent Data Cloudは、最も先進的な人材データに基づいて構築されています。市場の動きと同じくらい速く学習し、チーム全体に比類のない人材インテリジェンスを提供します。
以前はシリアルアントレプレナーとして、いくつかのスタートアップの創業者兼CEOとして活動していました。直面した最大の採用の課題はいくつかありましたか？
採用は私の起業の旅の中で最も難しい側面の一つでした。私たち起業家は、他の何よりも人が重要であり、適切なチームを構築することがすべてのビジネスリーダーにとって最も重要な仕事です。しかし、企業を始めて成長させるために関わる他の多くの業務を維持する中で、適切な人材を見つけるために必要な十分な時間を割り当てるのは本当に難しいです。必要なデータの客観的な情報がなければ、適切な人材を見つけることは困難であり、組織内での彼らの活躍を知ることはますます難しくなります。
Findemは将来のHRチームのための自律型人材プラットフォームをどのように構築しているのか、そのビジョンを共有していただけますか？
人材獲得は多くのタスクを伴う複雑な仕事であり、多くの場合、お互いに連携しない多くのポイントツールを利用した多くの役割が関与しています。私たちのビジョンは、AIとワークフローオートメーションの組み合わせにより、この複雑さを解消することです。
私たちの最も重要な目標は、人材チームをサポートするために、日々の業務から退屈で繰り返しやすく、エラーが発生しやすいタスクを自動化し、データに基づいてより迅速かつ優れた公正な判断を支援することです。すでに、大規模なテック企業では、タレントパイプラインを構築するために8〜10のシステムを使用しており、それぞれが孤立した方法で使用されていました。単一のタスクを達成するためには80〜100のクリックが必要でしたが、自律型アプリケーションを使用すると、同じタスクを1回のクリックで実行できるようになりました。
ほぼすべてのビジネス機能と同様に、人材組織はAIを最優先とする変革を遂げ、私たちの計画は自動化できるすべてを自動化し、リクルーターやその他の人材専門家が最大の可能性を発揮できるようにすることです。自律型アプリケーションは、計画、パイプライン、分析において最初に重要な役割を果たし、その後、ワークフォースプランニングから人材プール、キャリア開発、後継者計画に至るまで、タレントライフサイクル全体に広がっていきます。
Findemは兆のデータポイントを分析し、「3Dデータ」と呼ばれるものを利用していますが、3Dデータとは具体的にどのようなものですか？
Findemは、何十万ものソースから1,600兆のデータポイントを取り込み、他に存在しないまったく新しい人材データを生成し、個人と関連する企業の理解とその経過時間を提供します。Findemは、人と企業のデータを時間の経過とともに、個人と企業の旅を結びつけ、豊かな人材プロファイルを作成するために、この3つの次元のデータ（人と企業のデータと時間）を使用します。
次のように考えてみてください：現代の就労市場で働いたすべての人は旅をし、デジタルな足跡を残します。役職、昇進、資格証明書、コードの貢献、出版物、ソーシャル投稿などがあります。同様に、企業にも旅があります。資金調達ラウンド、上場、財務報告書などの活動や、職務内容、組織図、企業のレビューやリーダーシッププロファイルなどがあります。これらのデータは、企業の発展と進歩を示すことができます。
従来、人材の意思決定は履歴書、求人応募および/またはLinkedInのプロフィールに頼っていましたが、これらは人や企業のデータの一次元のスライスしか提供しません。しかし、私たちは、数千のデータポイントを捉え、人と企業の旅から取り込んで、そのデータを大幅に豊かにしたプロファイルを作成するプラットフォームを構築しました。その結果、従来の手動調査やユーザー生成のLinkedInプロフィールでは不可能だったより詳細で詳細な人の経験、スキルセット、影響の理解が得られます。
私たちのTalent Data Cloudを使用すると、GenAIインターフェースを介してキャリア全体をコマンドで検索することができます。たとえば、PEファームが所有する米国の企業で、マイナスの運営利益からプラスに導いたCFOを表示するようにプラットフォームに要求することができます。または、B2Bスタートアップで働き、大規模なシリーズCを経験した忠実なプロダクトマネージャーのリストを提供してもらうこともできます。
分析される異なるタイプのデータポイントは何ですか？
私たちのTalent Data Cloudは、数十万ものデータソースから3Dデータを動的かつ継続的に利用するための言語モデルを活用しています。
LinkedIn、GitHub、StackOverflow、Kaggle、Dribble、Doximity、ResearchGate、WordPress、個人のウェブサイトなどのプロファイルや連絡先データを分析します。国勢調査データはもちろん、米国国勢調査局から提供されます。さらに、資金調達の発表、IPOの詳細、8百万社以上のビジネスモデル、10万以上の企業および製品カテゴリーを分析します。確認されたスキルに関しては、300万件以上の特許や出版物、500万件以上のオープンデータセットやMLプロジェクト、2億以上のオープンソースのコードリポジトリやその他の公開貢献を分析します。そして、重要なATSデータとして、ユーザーのATSであるGreenhouse、Workday、SmartRecruiters、BambooHR、Leverなどからの応募者プロファイル情報を含みます。
機械学習がこのデータを分析する際に何を探しているのでしょうか？
FindemはまずBI（ビジネスインテリジェンス）を行い、その後AIを使用して事実データに基づいて学習し予測を行います。このようなモデルを確定的モデルと確率的モデルと呼びます。例えば、私たちは確率的にスタートアップの経験を推測しません。代わりに、あなたの雇用歴を見て、勤務した企業がスタートアップと分類されているかどうかを調べ、それからあなたのプロフィールに「スタートアップ経験」の属性を追加します。
では、このデータはどのように属性に変換され、属性とは何ですか？
データ収集が行われると、私たちは知能エンジン（高度なSQLミドルウェアのようなものと考えてください）を利用してデータを任意の作成したい属性にマッピングすることができます。
属性とは個人や企業のスキル、経験、特性のことであり、具体的で非具体的の両方があります。具体的な属性には、役職（現在の役職、過去の役職経験）、職務経験、教育、資格などの技術情報が含まれます。非具体的な属性は、忠誠心を鼓舞するかどうか、多様なチームを形成するかどうか、ミッション志向であるかどうかなど、幅広い要素を持つことができます。
私たちの属性ベースの検索は、人事チームが人材エコシステム内のあらゆるチャネルで候補者を検索するのに、あなたが考えつくほとんどの基準を使用できるようにします。
プラットフォームは、採用の決定に性別や人種のAIバイアスが入り込まないようにどのようにしていますか？
私たちのプラットフォームは意図的にユーザーの代わりに決定を下すように設計されておらず、むしろAIが人々の意思決定をサポートするために使用されます。BI（ビジネスインテリジェンス）ファースト戦略を使用することで、プラットフォームはデータの収集、分析、提供を優先し、インサイトと意思決定のサポートを提供し、その後AIを使用して学習し、推論や予測を行います。
私たちは検索とマッチングのプラットフォームであり、人の主観的評価をAIによって自動的に行うことはありません。応募者の選択や進展は、決して自動的に進めたり拒否したりすることはありません。また、Findemは検索とマッチングにAIを使用していないため（これらの機能はBIに基づいています）、バイアスや差別がプロセスに侵入するリスクを軽減します。
Findemは内部スタッフの昇進プロセスをどのように簡素化していますか？
本質的には、私たちは「内部」と「外部」の才能を区別する必要はありません。データベース内の任意の人物に対して、アルゴリズムは組織内外のトップマッチング候補者を見つけることができます。
提供されているすべての人材管理ツールは何ですか？
私たちはトップファンネル活動を統合していますので、人材獲得からCRM、分析まで、すべてをカバーしています。また、内部移動の解決策も提供しており、紹介管理やキャリア開発計画に向けたオファーも展開しています。
スタートアップがFindemにアプローチする前に、起業の過程のどの段階であるべきですか？
私たちはあらゆる規模の顧客にサービスを提供していますが、最適な対象は数百人の従業員を抱えるスケーリングモードの企業です。
素晴らしいインタビューありがとうございました。さらに詳しく知りたい読者は、Findemを訪れてください。
We will continue to update VoAGI; if you have any questions or suggestions, please contact us!
Was this article helpful?
93 out of 132 found this helpful
Related articles
