راهنمای مبتدیان برای یادگیری ماشین برای پزشکان منابع انسانی

وقتی هوش مصنوعی (AI) را می شنوید اولین چیزی که به ذهن می رسد ربات ها هستند. به ویژه، فیلم استیون اسپیلبرگ با عنوان هوش مصنوعی که در آن یک کودک روباتی ساخته شده است که می تواند مانند یک انسان واقعی عشق ورزیده و رفتار کند. به نظر می رسد این ایده بیشتر به رویا نزدیک است تا واقعیت. حقیقت این است که هوش مصنوعی فراگیرتر از آن چیزی است که ما فکر می کنیم. از ماشین های خودران، توصیه های فیلم در نتفلیکس، تشخیص هرزنامه ایمیل تا دستیارهای کنترل صدا مانند SIRI اپل را شامل می شود. واقعیت این است که هوش مصنوعی در حال حاضر در بسیاری از مشاغل و صنایع مختلف وجود دارد، همانطور که در شکل زیر نشان داده شده است.

با این حال، شواهد نشان می دهد که بخش های منابع انسانی قادر به استفاده از فرصت های متعدد مرتبط با هوش مصنوعی نیستند. تا حدی، آنچه ممکن است برای تسریع پذیرش هوش مصنوعی مورد نیاز باشد، محتوای آموزشی است که به متخصصان منابع انسانی اختصاص داده شده است، نه دانشمندان داده. بنابراین، ما این راهنمای مختصر را برای یادگیری ماشین (ML)، زیرمجموعه مهم هوش مصنوعی، با هدف ابهام زدایی از ML و ملموس کردن آن ارائه می‌کنیم.

هوش مصنوعی چیست؟

بیایید با تعریف شروع کنیم. هوش مصنوعی حوزه وسیعی از علوم کامپیوتر با تمرکز بر ساخت ماشین‌هایی است که می‌توانند به شیوه‌ای هوشمندانه رفتار کنند – شبیه به انسان. علاوه بر این، ما می توانیم بین 1. AI تعمیم یافته و 2. AI خاص تفاوت قائل شویم. مفهوم هوش مصنوعی تعمیم یافته توسعه ماشین هایی است که می توانند وظایف متعددی را انجام دهند، درست مانند ربات-فرزند اسپیلبرگ. این منطقه ای است که هنوز در مراحل اولیه است.

بیشتر مرتبط با منابع انسانی، هوش مصنوعی خاص است، که به استفاده از ماشین‌های هوشمند برای انجام تنها یک کار خاص، اما برای انجام آن بهتر از یک انسان (مثلاً سریع‌تر، دقیق‌تر یا عینی‌تر) اشاره دارد. به عنوان مثال، برنامه‌ای که صدها رزومه را در چند ثانیه می‌خواند و نامزدهای بهینه را برای مصاحبه شناسایی می‌کند – در نتیجه به متخصصان منابع انسانی زمان بیشتری برای انجام وظایفی که انسان‌ها بهتر از ماشین‌ها انجام می‌دهند (مانند ایجاد رابطه، همدلی، خلاقیت، تفکر انتقادی و غیره) می‌دهد. .

یادگیری ماشینی چیست؟

اما چگونه می توان یک ماشین را طوری برنامه ریزی کرد که اطلاعات (یعنی داده ها) را به روشی هوشمند پردازش کند؟ پاسخ به آن یادگیری ماشینی (ML) است. ML زیرمجموعه ای از Specific AI است که از ترکیبی از آمار و علوم کامپیوتر می آید. این به فرآیند یادگیری کامپیوترها برای انجام یک کار به جای پیروی از دستورالعمل های گام به گام اشاره دارد. این به طور کلی توسط دانشمندان داده به طور مکرر انجام می شود که به کامپیوتری در صورت صحیح یا نادرست بودن تصمیمات آن دستور می دهند. بسته به نتیجه، کامپیوتر نحوه تصمیم گیری در آینده را تطبیق می دهد – به عبارت دیگر، “یاد می گیرد”.

وقتی صحبت از ML می شود، اساساً سه نوع کلی وجود دارد:

1. یادگیری تقویتی،
2. یادگیری بدون نظارت و
3. یادگیری تحت نظارت

یادگیری تقویتی چیست؟

Reinforcement Learning احتمالاً بیشتر از طریق رایانه Deep Blue IBM شناخته می شود، “رباتی” که یاد گرفت چگونه شطرنج بازی کند و قهرمان جهان انسان را شکست دهد.

یادگیری تقویتی نوعی تکنیک است که الگوریتم را قادر می سازد تا با آزمون و خطا، با استفاده از بازخورد اعمال و تجربیات خود، یاد بگیرد. مانند پاولوف و سگش، یادگیری تقویتی شامل پاداش دادن به تصمیماتی است که منجر به موفقیت می شود و تصمیماتی را که منجر به هر چیزی غیر از موفقیت می شود جریمه می کند و در نهایت الگوریتم را در این فرآیند هوشمندتر می کند.

نمونه‌هایی از یادگیری تقویتی که در منابع انسانی به کار می‌رود کمی ناب هستند، اگرچه در زمینه‌هایی مانند آموزش (به عنوان مثال، استفاده از محتوا بر اساس پیشرفت دانش‌آموز)، امور مالی و سرمایه‌گذاری (یعنی پیش‌بینی پیشرفته)، عملیات زنجیره تامین (یعنی به‌عنوان مثال) رایج‌تر هستند. ، روبات هایی که سفارشات را در یک انبار انجام می دهند)، بهینه سازی جریان ترافیک، و مراقبت های بهداشتی (یعنی طبقه بندی دقیق تصاویر بیوپسی).

یادگیری تحت نظارت چیست؟

رایج ترین اشکال ML در صنایع، و به طور خاص در حوزه منابع انسانی، یادگیری تحت نظارت و پس از آن یادگیری بدون نظارت است.

در یادگیری نظارت شده، ما سعی می‌کنیم نتیجه‌ای را پیش‌بینی کنیم، مانند اینکه آیا یک کارمند شرکت را ترک می‌کند، خطر آسیب‌دیدگی یک کارمند، یا حقوق اولیه ایده‌آل یک کارمند جدید.

برای انجام پیش‌بینی‌ها به متغیرهای ورودی متفاوتی نیاز داریم (یعنی متغیرها توسط دانشمندان داده «ویژگی‌ها» نامیده می‌شوند). ویژگی‌های ورودی ما فقط به تخیل ما محدود می‌شود (یعنی آنچه فکر می‌کنیم مهم است)، چه داده‌هایی می‌توانیم به دست بیاوریم، یا چه داده‌هایی را می‌توانیم ایجاد کنیم (مثلاً با دانستن اینکه کسی کجا کار می‌کند و کجا زندگی می‌کند، می‌توانیم یک متغیر متمرکز بر مسافت رفت و آمد کارکنان ایجاد کنید).

یک مثال: آموزش نظارت شده که به گردش کارمندان اطلاع می دهد

بیایید یک مثال دقیق تر از یادگیری تحت نظارت را بررسی کنیم – پیش بینی اینکه چه کسی یک سازمان را ترک می کند. تصور کنید که از هر 5 نیروی جدید، 1 نفر در 12 ماه اول کار خود از یک سازمان خارج می شود. برای جلوگیری از چنین جابجایی، می‌توانیم یک مدل یادگیری نظارت شده بسازیم که احتمال خروج افراد تازه‌کار را پیش‌بینی می‌کند، به طوری که همکاران مدیریتی و منابع انسانی ما بتوانند مداخله کنند.

در این مثال، نتیجه مدلی که پیش‌بینی می‌شود، ریسک گردش مالی است و ویژگی‌های مورد استفاده برای پیش‌بینی ریسک گردش مالی می‌تواند شامل ویژگی‌های جمعیتی و شغلی کارکنان باشد (به عنوان مثال، سن، سطح تحصیلات، سطح نقش، پرداخت نسبت به بازار، ماه اشتغال، وجود طرح های توسعه و غیره).

با فرض اینکه چنین مدلی بسیار دقیق باشد، ما را قادر می سازد تا گردش مالی در میان جمعیت شروع کننده جدید خود را از سه زاویه درک کنیم.

1. اول اینکه چه عواملی در پیش‌بینی گردش مالی در بین جمعیت ما مؤثر هستند. نمونه ای از چنین خروجی مدلی در شکل زیر ارائه شده است، که نشان می دهد آیا یک ویژگی از گردش مالی جلوگیری می کند (نوارهای سبز) یا باعث افزایش گردش مالی (خطوط قرمز) می شود، و اهمیت نسبی هر ویژگی در پیش بینی گردش مالی (یعنی خطوط طولانی تر نشان دهنده اهمیت بیشتر است. ).
2. ثانیاً، این مدل همچنین احتمال خروج هر یک از شروع‌کنندگان جدید از شرکت را ارزیابی می‌کند و مداخله متمرکز را امکان‌پذیر می‌کند (یعنی خطر ترک آدام در 12 ماه اول خود).
3. ثالثاً، این مدل ویژگی‌هایی را شناسایی می‌کند که از ریسک گردش مالی برای هر کارمند جلوگیری یا ارتقا می‌دهد. این خروجی فردی می‌تواند متخصصان منابع انسانی را قادر سازد تا بدون توجه به اینکه شخصاً هر کارمند را می‌شناسند، اقدام آگاهانه و شخصی‌شده انجام دهند.

یک مدل یادگیری نظارت شده که برای پیش‌بینی جابجایی کارکنان در میان تازه‌کارها استفاده می‌شود، این پتانسیل را دارد که هزینه‌های قابل‌توجهی را کاهش دهد، از جمله اعتبار مالی (مثلاً جدایی، جای خالی، استخدام، آموزش، و جایگزینی) شهرت (مانند فرسایش EVP و/یا کاهش درخواست تجدیدنظر نامزد). و مرتبط با بهره وری (به عنوان مثال، سازمان ها به طور متوسط بین چهار هفته تا سه ماه برای آموزش کارکنان جدید سرمایه گذاری می کنند). برخی از این هزینه‌ها را می‌توان به آسانی اندازه‌گیری کرد تا بتوانیم پس‌اندازهای سازمانی را بر اساس گردش مالی ممانعت‌شده شناسایی کنیم (یعنی جلوگیری از 2 در 10 استعفا باعث صرفه‌جویی xxx می‌شود).

یادگیری بدون نظارت چیست؟

برخلاف یادگیری تحت نظارت که در آن سعی می کنیم یک نتیجه را پیش بینی کنیم، یادگیری بدون نظارت متغیرهای زیادی را به طور همزمان تجزیه و تحلیل می کند تا شباهت ها، الگوها یا روابط موجود در داده ها را شناسایی کند. یادگیری بدون نظارت بیشتر در مورد درک آنچه در داده ها وجود دارد است. دو مورد از رایج ترین کاربردهای یادگیری بدون نظارت بر موارد زیر متمرکز است:

• خوشه بندی : تقسیم خودکار مجموعه داده ها به گروه ها بر اساس شباهت بین ویژگی های تجزیه و تحلیل شده. به طور کلاسیک برای مصرف کنندگان اعمال می شود، اما به همان اندازه برای سازمان ها مرتبط است، به موجب آن ما بخش های کارکنان خود (به عنوان مثال، خوشه ها) را درک می کنیم و تعیین می کنیم که آیا خط مشی های منابع انسانی ما در خدمت بخش ها هستند یا خیر.
• انجمن کاوی : مجموعه‌ای از متغیرها را که اغلب با هم در مجموعه داده شما رخ می‌دهند، شناسایی می‌کند. به عنوان مثال، شناسایی الگوهای آسیب در میان کارگران در مکان های خاص.

یک مثال: آموزش بدون نظارت که به گردش کارمندان اطلاع می دهد

تجزیه و تحلیل خوشه ای، معروف ترین شکل یادگیری بدون نظارت، همچنین می تواند به ما در درک بهتر فرسایش کارکنان کمک کند. این رویکرد می تواند به کارمندان گروه بر اساس ویژگی های مشابه (مثلاً مکان، محل خدمت، ملیت، سطح تحصیلات، سن، سطح عملکرد و غیره) کمک کند.

شکل زیر نتایج تجزیه و تحلیل ویژگی های جمعیت شناختی کارمند را نشان می دهد. ویژگی های جمعیتی چندگانه ابتدا با استفاده از روشی به نام Manifold Learning (روش بدون نظارت دیگر) به دو بعد کاهش می یابد و سپس این دو بعد جدید با استفاده از روشی به نام T-SNE خوشه بندی می شوند. شکل زیر به ما نشان می دهد که چگونه می توان کارمندان را بر اساس ویژگی های جمعیت شناختی با هم گروه بندی کرد، در این مورد، دوازده خوشه.

پس از گروه بندی به خوشه ها، مرحله بعدی تعیین ریسک گردش مالی برای هر گروه است. علاوه بر این، تشخیص اینکه آیا برخی از عوامل خطر مشترک وجود دارد یا خیر، جالب است که عملاً نشان می دهد که کارمندان در یک خوشه به روشی مشابه محل کار را تجربه می کنند.

این بینش آخر از اهمیت عملی قابل توجهی برخوردار است، زیرا ممکن است به ما کمک کند تا مداخلاتی را انجام دهیم که خوشه های کارکنان خاص را هدف قرار می دهد، در نتیجه حداکثر تأثیر را (یعنی حفظ کارکنان و کاهش هزینه های گردش مالی) و بازگشت سرمایه (یعنی به ازای هر دلار خرج شده، ایجاد می کند. xxx در پس انداز ناشی از کاهش گردش مالی).

نتیجه گیری

ما شروع به باز کردن جعبه سیاهی که هوش مصنوعی است، کرده ایم و یک نمای کلی ساده از ML ارائه می دهیم. ما به سه نوع گسترده ML – تقویتی، تحت نظارت و بدون نظارت – نگاه کردیم و برخی از کاربردهای ساده هر کدام را که در صورت امکان مرتبط با منابع انسانی بود، بررسی کردیم. این اعتقاد واقعی ما است که از طریق دانش بیشتر در مورد آنچه که با ML امکان پذیر است، HRBP و تصمیم گیرندگان سازمانی هم انتظار بیشتری در این حوزه فناوری دارند و هم مایل به انجام کارهای بیشتری هستند. قطعه بعدی ما روند گام به گام اجرای ML تحت نظارت را توضیح می دهد – بحث و گفتگو با تیم های People Analytics را ملموس تر و کمتر انتزاعی می کند!