Wat machine learning ons leert uit jobprofielen en vacatures

De opkomst van toepas­singen als ChatGPT verhogen de interesse en bereid­wil­lig­heid van orga­ni­sa­ties om met arti­fi­ciële intel­li­gentie en machine learning aan de slag te gaan. Human resources en finance-afde­lingen kunnen deze tech­no­lo­gieën bijvoor­beeld inzetten om admi­ni­stra­tieve anoma­lieën op te sporen of om een skills-based strategic workforce planning op te stellen, die de orga­ni­satie klaar­maakt voor de toekomst. In beide gevallen wordt machine learning ingezet om patronen te herkennen en op basis daarvan beter geïn­for­meerde beslis­singen te nemen. Deze blog verkent de werking van machine learning binnen mana­ge­ment­plat­formen als Workday.

Een skills-based strategic workforce planning opstellen blijft een harde noot om te kraken. Niet alleen moet je een inschat­ting maken van de verwachte groei van je orga­ni­satie en de bijho­rende hr- en finance-inspan­ningen, je moet ook over een skills bibli­o­theek beschikken waarin de verschil­lende aanwezige skills­pro­fielen correct opge­slagen zijn wat in de huidige markt­con­text van constante skill evolutie geen makke­lijke opdracht is. Dankzij machine learning kunnen we nu eindelijk een poging doen om deze uitdaging aan te gaan. Dat brengt effi­ci­ëntie binnen orga­ni­sa­ties, die de inves­te­rings­kosten voor cloud­soft­ware en imple­men­tatie zo kunnen terug­winnen. Bovenal vergaren orga­ni­sa­ties via deze weg betere inzichten op het vlak van human resources.

Geen mensen vervangen

Aanvan­ke­lijk heerste er terug­hou­dend­heid en zelfs wantrouwen tegenover de imple­men­tatie van arti­fi­ciële intel­li­gentie (AI) en machine learning (ML). Zouden die geen waar­de­volle mensen vervangen? En waar zouden beslis­singen van die machines dan wel op gebaseerd zijn? Het idee van een algoritme als ondoor­gron­de­lijke, ontmen­se­lijkte black box lijkt gelukkig stilaan vervangen door een realis­tisch alter­na­tief: augmen­tatie. ML vormt een extra laag bovenop de klassieke infor­matie die hr-leiding­ge­venden puren uit cv’s ‚vacatures en bredere hr-gere­la­teerde data.

ML vervangt dus geen mensen, maar helpt die mensen net betere beslis­singen te nemen op basis van beschik­bare data. Software kan nu eenmaal beter patronen herkennen in gigan­ti­sche datasets dan mensen. Daarbij is het belang­rijk dat de aanbe­ve­lingen op basis van ML ethisch en zonder bias tot stand komen. De werking van ML-toepas­singen moet steeds uitleg­baar en moti­veer­baar zijn. Daarnaast moet de werking van deze achter­lig­gende algo­ritmes tijdens het ontwik­ke­lings­proces constant in vraag gesteld worden en conform de wetgeving zijn.

Skills verbinden

Orga­ni­sa­ties zien steeds meer het belang om hun aanwezige interne talent zo goed mogelijk in te zetten, om zo de toege­voegde waarde van dat talent te opti­ma­li­seren. Binnen human capital mana­ge­ment (HCM) is de skills­cloud van Workday een mooi voorbeeld van de meer­waarde die ML op dat vlak kan bieden. De skills­cloud defi­ni­eert en groepeert vaar­dig­heden, legt verbanden tussen deze skills en koppelt deze aan bestaande profielen, op basis van hun profes­si­o­nele verleden, behaalde certi­fi­caten en gevolgde oplei­dingen. ML orga­ni­seert en verbindt deze skills en geeft sugges­ties op basis van verge­lijk­bare profielen binnen de master­data, die de profielen bevat van meer dan vijf miljoen Workday-gebrui­kers. Deze statis­tisch onder­bouwde sugges­ties zijn een nuttig hulp­middel voor hr en recrui­ters om talent optimaal in te zetten binnen de orga­ni­satie op basis van aantoon­bare skill matches.

Anomalieën opsporen

Finan­ciële depar­te­menten kunnen ML inzetten om anoma­lieën binnen de admi­ni­stratie op te sporen. Docu­menten met ontbre­kende data kunnen zo bijvoor­beeld auto­ma­tisch naar boven gebracht worden voor verdere review. Op basis van eerdere trans­ac­ties kunnen ook ‘work tags’ toegekend worden aan docu­menten, waardoor deze eenvou­diger geor­ga­ni­seerd en geana­ly­seerd kunnen worden. Optical character recog­ni­tion (OCR) koppelt scan­re­sul­taten auto­ma­tisch aan deze ‘work tags’. Belang­rijk hierbij is dat de ML-component nog steeds door mensen getraind en gevoed moet worden met data. De aanwe­zig­heid van een correcte, kwali­ta­tieve finan­ciële master­da­taset is daarbij cruciaal.

Nu de scepsis rond AI & ML-toepas­singen stilaan verdwijnt, ligt de weg open naar waar­de­volle ML-toepas­singen op het vlak van hr en finance. Toepas­singen zoals de skills­cloud bewezen intussen al hun meer­waarde voor recrui­ters. De moge­lijk­heden zijn eindeloos, en we staan duidelijk nog maar aan het begin van deze revolutie. Daarbij mogen we echter het mense­lijke aspect nooit uit het oog verliezen.