多样性（或缺乏IT）仍然是科技公司的主要挑战。有望彻底改变工作世界，一些组织正在利用技术来彻底偏离，更好地识别和筛选候选人，并帮助关闭多样性差距。
这是一个以理解偏见的性质，并承认无意识的偏见是一个主要问题，分析师凯文·穆卡希说未来的工作场所和作者之一《未来职场经验:在招聘和雇佣员工时管理混乱的10条规则》(The Future Workplace Experience: 10 Rules for Managing Disruption in recruitment and engagement Employees)．马尔卡希说，人工智能和机器学习可以成为筛选偏见模式的客观观察者。
“无意识偏见的挑战是，根据定义，它是无意识的，所以它需要一个第三方，如AI，以识别这些事件并指出任何感知的偏差模式。启用了关于关于通信模式的AI的分析Mulcahy说，发件人或年龄（如性别或年龄）可以用于筛选偏差模式并呈现回到发起者的模式分析。“
(相关的故事:中性职位是如何减少招聘时间的］
设置策略
虽然识别偏见，但是如何如何解决偏见？Mulcahy说，第一步是识别偏差是一个问题，并在组织各级的策略设置策略，并且Mulcahy说。
“公司以各种方式处理无意识的偏见，以识别出现它，旨在改变和制定策略和目标来实现和跟踪变革的愿望。解决可观察偏见的一个关键是将偏见的示例与其促销和奖励联系起来Mulcahy说，付款，您可以明确证明纳入的例子有助于促进和赚取奖金。“
Mulcahy说，衡量和追踪和跟踪改进以及行为的负面模式也很重要。AI接口可以是工人之间行为模式的客观测量的重要来源。Mulcahy说，它不能全部留给技术。
“你必须创造一种‘如果你看到了什么，就说出来’的文化，这种文化要一直延伸到高层领导。如果高层人员没有提供许可，没有以身作则，不要指望级别较低的人说出偏见的例子。你仍然可以使用AI提供帮助;机器不知道层级，可以向所有级别的员工提供分析报告，但必须有人力因素，”他表示。
问责制也是改变偏见模式的关键。马尔卡希表示，组织中的每个人都必须对寻找和提拔与自己不同的人承担一定的责任，人工智能可以通过分析新员工或升职时的模式来提供帮助，在这种模式下，员工推荐的候选人要么与自己相当，要么与自己相当。
“这种异常报告可以客观地持有管理人员更加负责以书面形式解释的任何雇用的理由，这些雇用在年龄，性别和竞争中相似。转移检测到机器的明确模式的负担，同时放置招聘管理人员解释同名的负担迅速暴露了持续的逐方的薄弱论据，并发出了多样性的强大消息，“他说。
(相关的故事:对抗IT行业的性别偏见］
偏离的解决方案
当然，你必须确保以这种方式使用的任何人工智能或机器学习产品本身没有偏见，或尽可能免费，产品管理总监阿曼•亚历山大(Aman Alexander)表示。CEB Sunstone Analytics.，招聘和招聘算法评估平台。
“AI /机器学习可以帮助关闭多样性差距，只要它不容易受到人类偏见的影响。例如，招聘联系中心员工可以提供具有高客户的历史申请形式的AI /机器学习模型满意度得分。这允许模型拾取微妙的应用程序属性/特征，而不会受到工作的影响，人类偏见，“亚历山大说。
通过简单地使用这样一个自动化的、客观的过程，就有可能大大减少人类偏见的范围。亚历山大解释说，举例来说，如果使用训练有素的人工智能/机器学习工具，将应聘者从100名申请者削减到最后的10名应聘者，这意味着90%的求职者减少将在一个不受任何人类偏见影响的过程中完成。
(相关的故事:减少招聘过程中的偏见的5种方法］
无意的结果
然而，亚历山大说，有些无意的不利影响你必须筛选安徒生素。“说AI /机器学习模式可以准确地接受大学足球四分卫和销售角色高性能之间的统计关系。这种关系可以取决于完全赞誉的造成因素 - 四分卫的作用要求心理技能的结合，决定制作和影响能力带领一个团队，转化顺利进入高压销售的作用。当然，这方面的一个意想不到的后果是排除女性申请者，凭借的事实，只有男人可以是大学橄榄球四分卫，该算法将随后喜欢在女性中找不到的特质，从而不利地冒着他们，“他说。
他说，这种技术的伟大之处在于，与人类的偏见不同，审计和消除这些偏见要容易得多。通过使用算法对数千名申请者进行评分，然后测试这些申请者的人口统计和/或性别细分。
亚历山大说:“如果在算法评估的所有特征中，女性或任何其他群体被排除得不成比例，那么就可以对算法进行识别，并进行迭代和无缝修正。”
除了人工智能识别无意识偏见的普遍潜力外，一些科技公司正在利用人工智能和机器学习来解决偏见的具体表现，比如工作描述中的性别语言，在漏斗顶部识别不同的候选人，并从公司的申请人跟踪系统中寻找已经存在的候选人。
注意你说的话
公司经常将缺乏多样性归咎于缺乏合格的候选人。的首席执行官兼联合创始人基兰·斯奈德(Kieran Snyder)表示，使用人工智能和机器学习来帮助企业消除职位描述中的性别偏见语言，可以让你的求职者多样化，从而提高聘用女性技术人员的机会textio.这是一个分析语言模式的机器学习平台。
的概念“性别”的工作列表指的是在职位描述中使用偏向男性或女性的术语。这个想法已经获得承认,因为它是由美国心理协会研究,其结果说明了一些看似无关紧要的话实际上可能预示着性别歧视在招聘广告,斯奈德说,影响女性的数量可以申请开放角色以及最终雇佣的人数。
“它认为，如果你到达更广泛的申请人池，那么你更有可能有更多的申请人，反过来又改善了多样性并加快了招聘和招聘过程，”斯奈德说。
斯奈德说，Textio的预测指数使用了来自4500多万个招聘启事的数据，并将这些数据与招聘结果结合起来，来衡量招聘表现和招聘启事的性别基调。该工具旨在对招聘启事中使用的语言的有效性做出定量判断帮助公司调整它们以吸引更好、更多样化的候选人，斯奈德说。
先在内心看
AI和机器学习还可以帮助发现候选人您可能已经存储在您的ATS中，以改善您的管道和加速搜索，STEVE Goodman表示，人才重新发现软件公司的首席执行官和创始人不安分的强盗．
“我们是一个AI和数据分析公司，我们的工具钩在您的ATS或HR系统中，查看您已经获得的应用程序和简历，然后比较那些开放工作描述。”他说，通过消除名称，地理信息和有关可能触发偏见，无意识或其他方式的候选人的任何其他信息，躁动的强盗的产品通过消除名称，地理信息和任何其他信息来消除无意识的偏见。
Goodman说，公司正在坐在申请，简历和潜在人才的宝藏，恢复和潜在人才，尚未支付招聘人员，为候选人进行远方搜索。他说，不仅令人焦躁的强盗的工具有助于使雇用更高效的兴高采烈，因此可以改善雇主在潜在候选人眼中的品牌。
“你有多少次听到，”谢谢，我们会在文件上保持简历'然后再也不会听到那家公司？这是一个巨大的问题。你的应用程序只是消失在深渊中。但想象候选人如何对你感到烦恼如果你可以打电话给他们并说，“让我们看看你所拥有的其他工作，即使他们不是你申请的' - 它展示你真的关注他们，”耶和华说。
招聘的相关性
最后，AI和机器学习正在应用于执行更多有针对性的相关候选搜索，Shon Burton（CEO）HiringSolved伯顿说，这家公司在网上搜索公开的候选人数据，然后将其整理成候选人简介。
“恢复已经死了。十年前，我们会从简历中获取有关候选人的所有信息;现在，我们从网络中获得它，它不断更新 - 它是一个高频数据流。我们所做的是看看网络上的所有公开的数据，我们的软件寻找某些相关性层以找到人才，“Burton说。
它与布尔搜索过滤器不同，布尔搜索过滤器需要更多的手工输入和努力，并基于消除数据集中的“错误”答案。他说，HiringSolved的算法根据求职者的公开档案信息以及这些信息与具体职位描述的特定搜索参数的相关性，对潜在求职者进行排名。
“如果你要去尝试识别候选人，你就可以脱离蝙蝠的大规模数据问题 - 你正在看一些像十亿社会档案一样的东西，你必须确定有关的相关，什么不是什么Burton说，是有关同一个人的信息，是什么，以及对该数据的推断，“博顿说。他说，使用AI和机器学习搜索加快过程并使它更有效，并更容易在招聘漏斗顶部找到不同的候选人。
例如，如果公司寻找女性Linux系统管理员，则该软件可以通过相关的经验，正确的凭据和教育，将所有潜在的女性候选人进行搜索和筛选所有潜在的女性候选人，并将其放在招聘经理或招聘人员面前。它超越了看职称和过去的工作经验，并且可以专注于能够使某人拥有Linux体验的伟大Sysadmin的特定技能，因为您正在选择人们而不是过滤人才伯顿说。
“那么什么是高达涉及的人是去推理。有多老数据？它有多可靠？这种事情，但技术可以大大加快这一进程，”他说。
未来的潜力
CEB Sunstone Analytics'Alexander表示，AI /机器学习工具的最大优点是AI / Machine学习工具对人类的流程进行了经验培训和验证。有时候，特质公司以质量员工思想最重要的是无关紧要的，而认为“消极”的特质实际上使候选人更有可能成功。他说，随着AI和机器学习技术，公司可以完全依赖于这些决定的实际统计关系。
“人类的大脑不是为模式识别而设计的，而模式识别对做出招聘决定最有帮助。例如，大多数人能够一口气说出他们希望或避免的理想候选人的许多特征，但不知道表现出这些特征的人的相对成功率或失败率是多少。因此，他们没有任何数据来证明自己的观点。然而，人工智能和机器学习分析可以提供硬数据，要么证实，要么否定招聘人员、招聘经理或高管关于他们应该招聘的类型的信念，他说。
这些解决方案的潜力
亚历山大表示，这些技术中有许多已经在市场上部署，并出售给了《财富》100强公司，它们的潜在范围和适用性只会增加。
“游戏中有一些主要的贡献因素。公司ATS和HR信息系统的更大数据捕获是对AI和机器学习技术提供了更大的能力，以提供有意义的影响。通过语义和自然语言编程工具的数据可访问性使我们能够打破关闭并解锁非结构化数据中的含义和数据，如免费表单文本，或以凌乱的数据格式的数据。这提供了培训算法的更丰富的数据集。使用可伸缩云计算和从人力资源和招聘中增加，增加了更便宜的计算能力。社区也在帮助推动采用，“他说。
无论是在招聘，筛选和招聘人才偏见的一般偏见或攻击特定表现，AI和机器学习都有潜力级别为女性和其他不足的少数群体提供竞争，并为公司提供竞争优势，这是维多利亚·埃斯皮尔（Victoria Espinel），行业倡导小组首席执行官软件联盟．她说，这些技术可以在开放职业和经济机会方面发挥重要作用，并专门弥补偏见，以便减少或移除它们。
“我认为这类技术有巨大的潜力，以这种方式应用它们真的很重要。软件绝对可以在减轻我们偏见的负面影响方面发挥作用，并确保在设计产品和解决方案时有广泛的视角和创造性思维，使它们能够被最广泛的人使用，”埃斯皮内尔说。
相关的视频
这个故事，“人工智能如何消除招聘中的偏见”最初发表首席信息官 ．