Künstliche Intelligenz in der Welt der Personalwesen
Der Kepler-Satellit wurde im März 2009 ins All geschickt, mit dem alleinigen Ziel, weitere Planeten-Systeme zu entdecken. Fast ein Jahrzehnt nach seinem Start hat das am Satelliten montierte Teleskop Lichtwellen aus Tausenden möglicher Planeten-Systeme gesammelt. Durch die Analyse dieser Daten wurden bisher fast 2.500 neue Planeten entdeckt.
Interessanterweise trainierten Forscher von Google und der NASA im Dezember 2017 ein neuronales Netzwerk – das im Grunde ein Computer-System ist, das unserem Gehirn und unserem Nervensystem nachempfunden ist – anhand aller Hinweise, die zur positiven Entdeckung von Planeten führten. Anschließend ließen sie das System ähnliche Daten in der riesigen Datenbank von Lichtwellen suchen, die Kepler über die Jahre gesammelt hatte. Mit der Rechenleistung eines alltäglicher Desktop-PCs konnte das neuronale Netzwerk mit Sicherheit eine neue Planetentypese in dem Kepler-90-System identifizieren. Versteckt in einer subtilen Struktur aus Daten, die von Astronomen verworfen wurden, lag ein ganzer Planetensystem verborgen. Etwas, das man mit manuellen Verfahren nie hätte aufspüren können, ein relativ einfaches neuronales Netzwerk, das mit nur wenigen Stunden Training und einigen Codezeilen entwickelt wurde.
Dies ist eine der bemerkenswertesten Fähigkeiten neuronaler Netze und maschinellem Lernen: die Suche nach versteckten Mustern in umfangreichen Datensammlungen. Mit Hilfe davon analysiert die Pharmabranche die enorme Menge an Daten aus mehr als 900 Impfstoffen und Medikamenten, die derzeit in verschiedenen Stadien der Tests zur Heilung von Krebs stehen. Microsoft nutzt diese Technologie, um die Bruchstücke des menschlichen DNA-Codes zu entschlüsseln, die für unser Immunsystem verantwortlich sind. Hinzu kommt Augmented Reality, Gesichtserkennung und Gestenerkennung sowie selbstfahrende Autos – und künstliche Intelligenz hat aufgehört, nur als akademischer Forschungsbereich zu gelten, da immer deutlicher wird, dass sie der Mittelpunkt der nächsten großen technologischen Revolution sein wird, die unsere Welt erschüttern wird.
Aufbauend auf diesem Einleitungsabschnitt und indem man zum Kernpunkt des Artikels übergeht, verfügen viele Unternehmen heutzutage über eine umfangreiche Datenbasis, die sich auf das Leben eines Mitarbeiters bezieht – von der Auswahlprozesse (CVs, Interviews) über Schulungen und Leistungsindikatoren – es gibt eine Fülle an Rohdaten und Informationen. Ein neuronales Netzwerk kann mithilfe dieser Informationen über die leistungsstärksten Mitarbeiter trainiert werden und anschließend nach Wiederholung solcher Muster bei potenziellen Mitarbeitern suchen, die derzeit im Auswahl- oder Screeningprozess sind. Diese verbesserte Analyse von Informationen wäre sehr hilfreich bei der Entscheidungsfindung in Personalressourcenfragen – Bewerber, die den Kriterien des neuronalen Netzes nicht entsprechen, können objektiv verworfen werden, optimierte Algorithmen können eingesetzt werden, um neu eingestellte Kandidaten an eine Position anzupassen, in der sie am besten arbeiten können usw. Darüber hinaus können Promotionen sehr einfach durch eine Kombination von Zufriedenheitsumfragen, Mitarbeiterbewertungen, Leistungsdaten und Likes entschieden werden. All dies ist nicht nur theoretisch, denn obwohl es sich bei der HR-Forschung um ein vergleichsweise junges Gebiet handelt, werden bereits Anwendungen entwickelt, um die Analyse großer Datenmengen im Zusammenhang mit Personalwesen in den Mainstream zu integrieren.
Darüber hinaus hat die Analyse von Daten über Mitarbeiter die Möglichkeit, anonym über eine abonnementbasierte Plattform von verschiedenen Personalabteilungen gesammelt zu werden. Diese Daten können anschließend zentral analysiert werden und helfen dabei, Muster zu erkennen – etwa bei Mitarbeitern, die eine höhere Neigung zu einem vorzeitigen Ausscheiden haben.
Einer der Pionier auf dem Gebiet der HR-Datenanalyse ist Google, das ein Team für People Analytics gegründet hat, dessen einziges Ziel es ist, durch die Analyse großer Datenmengen Problemlösungen und Optimierungsmöglichkeiten für die Human Resources-Abteilung der Organisation zu bieten. Die Arbeit dieses Teams umfasst: Projekt Oxygen (Identifizierung der besten Führungspersönlichkeiten) und Project Aristotle (zur Zusammenstellung der besten Arbeitsgruppen). Die zu diesen Studien gehörende Forschung ist auf einer Website verfügbar. Eigene Website Und hat dazu geführt, dass ähnliche Abteilungen in anderen großen Unternehmen wie Amazon, Facebook und Microsoft gegründet wurden.
Im Wesentlichen hat sich künstliche Intelligenz von der Forschungslinie abgewandt und hat sich zu einem praktischen Treiber des Wandels entwickelt. Dies ist hauptsächlich auf die schnelle Entwicklung technischer Lösungen im Bereich maschinelles Lernen, Big Data und neuronale Netze in den letzten Jahren zurückzuführen. Große Technologieunternehmen wie Apple, Google und Amazon investieren massiv in die Entwicklung von KI-Lösungen, und die Ergebnisse beginnen sich in der Form allgemeiner Lösungen zu zeigen, wie virtuelle Assistenten (Sir, Google Assistant, Alexa), Spracherkennung und Gesichtserkennung sowie Echtzeit-Übersetzungen. Um das in Perspektive zu stellen: Sundar Pichai, der derzeitige CEO von Google, gesagt hat kürzlich dass KI für die Menschheit wichtiger sein wird als Strom oder Feuer.
Darüber hinaus geht aus Daten, die von Glassdoor bereitgestellt wurden, In einem auf Mitarbeiter ausgerichtetem Netzwerk, das sich auf die anonyme Informationsfreigabe konzentriert, haben Data-Scientists das wertvollste Arbeitsplatzangebot in den USA das dritte Jahr in Folge inne. Die Nachfrage in der Branche ist hoch: In jedem beliebigen Moment stehen durchschnittlich 4500 Stellen für Data-Scientists offen, und der durchschnittliche Einstiegsgehalt liegt bei $110.000. Diese Nachfrage führt zu der Entwicklung von Machine-Learning-Lösungen in verschiedenen Branchen. Human Resources gehört zu diesen Bereichen, da Unternehmen wie Glint, PhenomPeople und Peoplise KI-Lösungen für Auswahl, Talentmanagement und Verbesserung der Mitarbeitererfahrung anbieten.
Fazit: Es sind noch Jahrzehnte hin, bis eine KI-Lösung verfügbar ist, die die Funktionsweise der menschlichen Gehirnstrukturen vollständig nachahmen kann. In der Informationsanalyse ist es jedoch zumindest möglich, Algorithmen zu schreiben und neuronale Netze zu entwickeln, die Verbindungen in Daten erkennen können, die ein menschlicher Analyst möglicherweise übersehen würde. Solche Lösungen sind besonders leistungsstark, wenn sie auf unstrukturierte Informationen angewendet werden, wie dies bei den in der Humanressourcenabteilung verfügbaren Daten und Informationen der Fall ist. Dennoch sind solche Lösungen durch ihre eigenen Vorurteile geprägt, die durch Datenvorgaben entstehen, weshalb es weiterhin optimal ist, eine ausgewogene Zusammenarbeit zwischen Mensch und Maschine zu schaffen, bei der die Vorurteile beider Parteien so gut wie möglich ausgeblendet werden.
