Série Frontières de l’IA Ressources Humaines

Frontiers in AI Human Resources Series

Une introduction au casse-tête de l’IA dans un territoire inexploité

Image générée par l'auteur chez Midjourney

En réfléchissant à ma première « session de remue-méninges multi-industries » il y a près de trois ans, je suis stupéfait de voir comment les concepts d’apprentissage automatique, autrefois considérés comme ambitieux, sont maintenant réalisables pour les départements des ressources humaines. La rapidité de l’IA a transformé des industries, de la fabrication aux soins de santé. Pourtant, le secteur des ressources humaines a été lent à adopter cette révolution numérique.

Alors que le mélange de tâches qualitatives et quantitatives dans les ressources humaines peut suggérer qu’il est peu probable que l’IA soit adoptée, cette supposition néglige le potentiel que l’IA apporte au paysage des ressources humaines. Dans cet article, nous cherchons à explorer ce potentiel inexploité. Nous nous concentrerons sur les principaux défis de l’industrie des ressources humaines, les indicateurs de performance significatifs et comment les technologies de l’IA peuvent aider à surmonter ces défis. Cela contraste fortement avec les limites des solutions traditionnelles d’analyse des personnes.

Contrairement au problème de données de la chaîne d’approvisionnement abordé dans le précédent article, la préoccupation principale ici n’est pas seulement la disponibilité de données de haute qualité. Le traitement de ces données et le respect des normes de réglementation des données sont tout aussi cruciaux. Dans les sections suivantes, nous discuterons de la façon dont ces facteurs peuvent être abordés pour débloquer le pouvoir transformateur de l’IA dans les ressources humaines.

Cependant, avant de plonger dans ces cas d’utilisation, il est important de noter que votre organisation devrait d’abord évaluer sa préparation à mettre en œuvre ces stratégies, comme recommandé par Chowdhury, S., et al., (2023). De plus, comme je le souligne constamment, vérifier quelques exigences plus larges sera certainement d’une grande aide (pour cela, vous pouvez vous référer à cet article).

Défis de la gestion des ressources humaines

Une façon facile de générer des idées précieuses est de comprendre d’abord les indicateurs de performance clés (IPC) pertinents pour un secteur spécifique, une zone, une entreprise, etc. Une fois que nous avons des réponses pour tous les IPC, nous pouvons commencer à réfléchir à d’autres solutions « agréables à avoir ». À cet égard, tous les départements des ressources humaines sont confrontés à la même série de défis, notamment l’acquisition et la rétention des talents, l’engagement des employés, la gestion des performances, la diversité et l’inclusion, et la conformité réglementaire (Pereira, V., et al., 2023).

Certains IPC typiques des ressources humaines comprennent :

  • le délai de recrutement
  • le coût par recrutement
  • le taux de rotation des employés
  • le score d’engagement des employés
  • les ratios de diversité

Il est important de souligner que les processus que ces mesures IPC mesurent nécessitent un équilibre délicat d’analyse quantitative et de compréhension humaine. Ensuite, pour comprendre pleinement le potentiel de l’IA dans les ressources humaines, nous devons d’abord poser quelques questions concernant l’état actuel des processus mesurés par chaque IPC. Notez que c’est une procédure standard que vous devez suivre tout en travaillant sur n’importe quel projet d’apprentissage automatique. Dans ce sens, nous passerons en revue chaque étape du processus en utilisant quelques questions déclencheurs.

1. Le défi de l’acquisition de talents

Lors de l’embauche de nouveaux talents, les professionnels des ressources humaines doivent afficher un poste, trier une pile massive de CV, effectuer des évaluations initiales, planifier des entretiens et enfin, prendre des décisions d’embauche basées sur une combinaison de données dures et de compétences douces. Mais ont-ils les outils pour mener à bien ces tâches de manière efficace et transparente ? Comment pouvons-nous affirmer qu’il n’y a pas de biais dans certains processus ? Analysons toute l’histoire.

1.1. Création et affichage de postes

Votre entreprise rédige-t-elle encore des postes sans l’aide de l’IA ? Après avoir identifié un besoin d’embauche, la première étape de tout processus de sélection consiste à créer et afficher une description de poste sur une plateforme appartenant à l’entreprise ou à un tiers tel que LinkedIn. La création de ces descriptions peut être assez laborieuse ; cependant, c’est une étape cruciale pour attirer les meilleurs talents et projeter une image de professionnalisme sur le marché du travail en constante évolution d’aujourd’hui. De plus, compte tenu des solutions que nous discuterons tout au long de cet article, une définition vague d’un poste peut poser certaines limites à la qualité des résultats que nous obtenons dans certains cas d’utilisation (je reviendrai bientôt sur ce point).

Les descriptions de poste mal formulées peuvent dissuader les candidats qualifiés, attirer des candidats inappropriés et compliquer le processus de recrutement. De plus, elles peuvent ternir l’image publique d’une entreprise en suggérant un manque de professionnalisme. Les descriptions vagues peuvent entraîner des complications juridiques en raison d’attentes d’emploi ambiguës et d’un langage potentiellement discriminatoire, enfreignant ainsi les lois sur l’égalité des chances en matière d’emploi. En revanche, des descriptions de poste bien rédigées attirent des talents de premier plan, accélèrent le processus d’embauche, favorisent la diversité et l’inclusion et renforcent la réputation de l’entreprise. Par conséquent, les organisations doivent investir suffisamment de ressources pour créer des descriptions de poste exhaustives, précises et inclusives, assurant ainsi un recrutement efficace, une conformité juridique et une image publique améliorée.

Une solution simple est d’utiliser la puissance de la génération de texte à l’aide de l’IA. En utilisant des outils de pointe tels que les Modèles de Langage Généralistes (LLM), vous pouvez optimiser vos modèles de description de poste et obtenir des résultats impressionnants.

À titre d’exemple, considérons un poste de data scientist senior spécialisé en RH et possédant une expertise en AWS. En utilisant l’IA, le texte pourrait être rédigé en moins de 10 secondes, non seulement efficacement mais également de manière très efficace.

Image de l'auteur

Notez que nous pouvons fournir un texte plus précis pour refléter les valeurs de l’organisation et les sujets qui devraient être évalués tout au long du processus de recrutement.

Après la publication d’une description de poste complète et attrayante, il est naturel de voir un grand nombre de candidats et, par conséquent, une augmentation des candidatures. Cette progression nous amène naturellement à la phase suivante du processus de recrutement : l’analyse minutieuse et laborieuse des CV.

1.2. Analyse des CV

Êtes-vous toujours en train de trier manuellement chaque CV qui atterrit dans votre boîte de réception ? Votre spécialiste en acquisition de talents RH consacre-t-il un temps précieux à l’analyse de centaines, voire de milliers, de candidatures, même après avoir trouvé un candidat approprié ? Vous êtes-vous déjà demandé quels sont les variables spécifiques que vos recruteurs prennent en compte dans leurs décisions, ou comment ils utilisent les CV laissés dans votre base de données pour faire correspondre les candidats à des offres d’emploi futures ?

Si ces questions vous sont venues à l’esprit, il est clair que vous reconnaissez que la méthode traditionnelle de révision manuelle des CV et d’analyse d’un grand nombre de candidatures ne fonctionne plus à l’ère de la gestion des données.

Les solutions d’analyse de CV automatisées ont en effet été un bond en avant significatif, nous permettant d’extraire des informations pertinentes des CV avec une relative facilité. Mais cela ne suffit pas. Après l’étape d’analyse, nous sommes confrontés à une montagne de données qui peut sembler écrasante et difficile à gérer. Il ne suffit plus de simplement trier ces données dans des tableaux et de réaliser une analyse de base.

De plus, bien que l’on puisse supposer que les principales plateformes RH auraient maîtrisé l’art de l’analyse de CV, la réalité est souvent décevante. Leur performance peut être médiocre, surtout lorsqu’elles sont confrontées à un CV qui déroge du format conventionnel, entraînant une perte d’informations critiques sur les candidats.

Une solution pour surmonter ces obstacles est la correspondance sémantique. En apprentissage automatique, ce concept fait référence au processus de compréhension et de comparaison de la signification ou de la sémantique de différents morceaux de texte ou de données. Il implique d’évaluer la similitude ou la relation entre les mots, les phrases, les phrases entières, voire les documents entiers. L’objectif est de déterminer dans quelle mesure différents morceaux de texte s’alignent en termes de leur signification sous-jacente, plutôt que de simplement se fier à des schémas de surface ou à une correspondance de mots exacte. La correspondance sémantique joue un rôle crucial dans diverses tâches de traitement du langage naturel (NLP), telles que la récupération d’informations, la réponse aux questions, l’analyse de sentiment et la classification de texte. Elle contribue à combler le fossé entre la compréhension humaine du langage et les capacités computationnelles des modèles d’apprentissage automatique.

Comment pouvons-nous l’utiliser dans ce cas ? En rédigeant un résumé du profil de poste basé sur les données analysées et en effectuant une correspondance sémantique avec le poste à pourvoir, un score peut être généré. Ce score reflète dans quelle mesure chaque attribut du profil correspond aux exigences du poste. Grâce à la correspondance sémantique, vous pouvez efficacement prioriser et évaluer les candidats en fonction de leur adéquation pour le poste auquel ils ont postulé (et pour d’autres postes également, le tout de manière automatisée). Notez que la qualité des résultats peut être insuffisante si les postes ne sont pas bien définis.

Si la correspondance sémantique ne vous convainc pas, il existe encore d’autres alternatives que vous pouvez explorer pour aborder ce problème de manière significative.

  • Présélection automatisée : mettre en place des mécanismes qui filtrent les candidats qui ne répondent pas à des critères spécifiques ou à des qualifications minimales. Cela peut être réalisé grâce à des systèmes basés sur des règles ou des modèles d’apprentissage automatique formés sur des données de recrutement historiques. Bien sûr, pour ce faire, vous devez disposer d’une solution d’analyse de CV.
  • Classement basé sur l’apprentissage automatique : développer un système de classement qui attribue automatiquement des scores et classe les candidats en fonction de divers attributs, tels que les compétences, l’expérience et les qualifications. Cette approche permet une prise de décision basée sur les données et élimine les biais dans le processus d’évaluation.

Notez que l’investissement dans la mise en œuvre de ces changements peut s’avérer plus impactant que prévu. Ces techniques peuvent bénéficier à vos opérations de RH de plusieurs façons :

  • Scalabilité et efficacité : À mesure que les entreprises se développent et reçoivent un volume croissant de candidatures, il devient de plus en plus difficile de gérer manuellement la charge de travail. Les techniques mentionnées peuvent offrir une scalabilité en traitant efficacement et évaluant un grand nombre de CV, garantissant une analyse cohérente et approfondie pour toutes les applications. De plus, en automatisant les étapes initiales de l’analyse des CV, les entreprises peuvent réduire considérablement le temps et les ressources consacrés à l’examen des candidats non qualifiés. Cela permet aux équipes de RH de concentrer leurs efforts sur des tâches plus stratégiques, telles que l’entretien et l’évaluation des candidats les plus prometteurs.
  • Réduction des biais : la mise en œuvre des solutions décrites a le potentiel nécessaire pour réduire les biais dans le processus d’évaluation des candidats. En se concentrant sur l’alignement sémantique entre les exigences du poste et les attributs du candidat, l’évaluation devient plus objective et moins susceptible de subir des biais inconscients qui peuvent influencer le tri manuel des CV.
  • Apprentissage continu : les approches basées sur l’apprentissage automatique, y compris peuvent apprendre et s’améliorer en continu. En exploitant les données historiques et les commentaires des recruteurs, ces systèmes peuvent s’adapter aux besoins spécifiques de l’organisation, affiner leurs algorithmes de correspondance et devenir plus précis et efficaces dans l’identification des candidats les plus adaptés. Ainsi, la mise en place des bases maintenant donnera certainement des avantages décuplés à l’avenir.

Après avoir analysé les CV, passons à l’étape cruciale des entretiens de candidature.

1.3. Entretien de candidat 2.0

Pendant les entretiens, les recruteurs cherchent souvent de l’aide pour rationaliser le processus et assurer une communication efficace avec les candidats. Pour répondre à ce besoin, notre équipe développe une application innovante qui utilise des modèles de reconnaissance vocale en texte et des algorithmes avancés. Cette application vise à fournir une assistance en temps réel aux recruteurs pendant les entretiens.

En utilisant l’application, les recruteurs peuvent améliorer la structure des entretiens et s’assurer que les questions cruciales sont abordées. L’application utilise différents éléments, notamment les descriptions de poste, une liste de questions d’entretien standard, les CV des candidats et les transcriptions en temps réel des conversations.

Grâce à l’utilisation de LLM, l’application analyse le contenu de l’entretien et génère des questions et des commentaires pertinents. Les recruteurs peuvent personnaliser la fréquence à laquelle ils reçoivent cette assistance, l’adaptant à leurs préférences et besoins.

En offrant cette application, nous visons à optimiser le processus d’entretien, en économisant du temps pour les recruteurs et les candidats tout en favorisant des conversations efficaces et éclairées.

1.4. Automatisation de bout en bout ?

Prévoyez-vous maintenant une automatisation complète du processus de recrutement ? Notez que je n’ai jamais suggéré d’utiliser des chatbots AI ou d’autres méthodes pour automatiser tout le processus de recrutement. Pourquoi ? Eh bien, je ne pense pas que nous en soyons encore là, et nous pouvons bénéficier beaucoup plus en conservant le facteur humain. Bien que l’automatisation et les techniques avancées puissent grandement améliorer le processus d’acquisition de talents, il est important de reconnaître la valeur du jugement et de l’expertise humaine. En adoptant une approche humain-en-boucle, où les résultats des techniques automatisées sont examinés et validés par des recruteurs humains, cela garantit une évaluation équilibrée et précise qui combine les forces de l’intelligence humaine et des algorithmes d’apprentissage automatique.

Pour conclure, je vous laisse quelque chose à méditer : si nous automatisons le processus en utilisant des outils tels que les chatbots AI, les candidats peuvent également utiliser l’AI pour apprendre comment convaincre ces chatbots dans un processus d’apprentissage par renforcement…

2. Le défi de la rétention des talents

Une fois que vous avez réussi à embaucher un candidat, vient ensuite la pièce maîtresse du puzzle : conserver le talent pour éviter de gaspiller tous les efforts déployés dans le processus d’embauche et éviter les dommages que la sortie de l’employé pourrait causer à l’organisation. Pour résoudre ce problème, plusieurs mesures peuvent être prises.

2.1. Prédiction de l’attrition des employés

Votre organisation prédit-elle la probabilité de départ de chacun de ses employés dans le trimestre/semestre/année prochain(e) ? La rétention réussie des employés repose souvent sur des mesures proactives prises avant que le problème ne se pose. Combien de fois votre organisation a-t-elle proposé des contre-offres trop tard pour qu’un employé change d’avis ? Probablement trop pour être compté. Pour relever ce défi, il est donc crucial de détecter les employés présentant un risque élevé de quitter l’organisation avant d’atteindre ce point critique.

Dans ce contexte, des modèles de machine learning en boîte de verre peuvent être développés pour prédire la probabilité qu’un employé quitte l’entreprise dans les n prochains mois et identifier les facteurs contribuant à cette probabilité. Contrairement aux modèles en boîte noire, les modèles en boîte de verre offrent une interprétabilité, permettant une compréhension claire des raisons derrière les prédictions. Cette distinction est cruciale car nous traitons des données sensibles des employés, et les actions recommandées par les inférences du modèle pourraient affecter significativement la trajectoire de carrière d’un employé. Par conséquent, la transparence et la compréhension complètes du fonctionnement du modèle sont primordiales.

En gardant cela à l’esprit, mes collègues et moi avons développé un modèle qui aborde les lacunes couramment observées dans les « solutions » grand public de ce problème. Pour aborder les détails techniques de la façon d’aborder ce problème en suivant un cadre correct, je recommande de se référer à cet article.

2.2. Développement personnalisé des employés

Votre organisation offre-t-elle un parcours professionnel personnalisé ? Les employés recherchent souvent un équilibre entre une rémunération compétitive et des opportunités de croissance professionnelle. Bien que les deux aspects soient souhaitables, les professionnels plus jeunes, par exemple, peuvent donner la priorité à la chance de développer leurs compétences et de progresser dans leur domaine choisi. En reconnaissant cela, les organisations peuvent tirer parti de plans d’apprentissage et de développement personnalisés pour améliorer la rétention des employés en remplissant leur part du marché tacite.

Les systèmes de recommandation alimentés par l’IA peuvent jouer un rôle important à cet égard. Ces systèmes utilisent des données de performance des employés et analysent les forces, les faiblesses et les objectifs de carrière individuels. Ils tiennent également compte des informations provenant d’employés « similaires » qui ont réussi dans des rôles ou des parcours de carrière similaires. En intégrant ces informations, les organisations peuvent créer des recommandations sur mesure pour les opportunités de formation et de perfectionnement professionnel qui correspondent aux besoins et aux aspirations de chaque employé.

De plus, du côté grand public, les systèmes de recommandation alimentés par l’IA peuvent fournir une orientation continue en suggérant des matériaux d’apprentissage pertinents, des cours, des opportunités de mentorat ou des événements de réseautage qui correspondent au plan de développement de chaque employé. En s’adaptant aux préférences individuelles et aux parcours de carrière en évolution, ces systèmes garantissent que les employés ont accès à des expériences d’apprentissage pertinentes et engageantes tout au long de leur parcours avec l’organisation.

Ensuite, étroitement lié au problème de rétention, nous avons le problème d’engagement.

3. Le défi de l’engagement des employés

L’engagement des employés, mesure de l’engagement émotionnel et physique d’un employé envers son environnement de travail, est crucial pour le succès d’une organisation. Il contribue à des performances plus élevées, à la satisfaction au travail et aux taux de rétention. Actuellement, l’engagement est généralement mesuré en conjonction avec la satisfaction au travail par le biais d’enquêtes périodiques, mais cette approche présente deux lacunes :

  • Fréquence : la nature peu fréquente de ces enquêtes donne des instantanés obsolètes de l’engagement.
  • Complexité : ces évaluations nécessitent souvent des analyses multidimensionnelles difficiles à effectuer avec précision par les humains.

Pour résoudre ces problèmes, nous proposons une approche qui considère l’organisation comme un réseau de nœuds interactifs, offrant une perspective holistique.

3.1. Analyse du réseau organisationnel

L’analyse du réseau organisationnel (ONA) utilise des techniques de la théorie des graphes pour explorer et comprendre de manière systématique le réseau d’une organisation, y compris les structures de gestion, les relations interpersonnelles et la circulation de l’information (Barabási, A. L., 2013).

Pour mettre en œuvre ONA, le réseau est construit soit par le biais d’enquêtes de nomination, soit en utilisant des empreintes numériques à partir de plates-formes de travail (en tenant compte des considérations de protection des données). Après avoir établi le réseau, des algorithmes de graphes traditionnels peuvent être utilisés pour déterminer la centralité de chaque membre et leur influence au sein de l’organisation. Ces métriques, combinées aux caractéristiques des employés et aux informations obtenues lors d’enquêtes précédentes, peuvent alors être utilisées pour développer un modèle prédisant l’engagement des employés.

En tirant parti d’ONA, les organisations peuvent obtenir des informations précieuses sur leur dynamique interne, identifier les principaux influenceurs, évaluer le rôle de chaque individu et prédire les niveaux d’engagement des employés. Cependant, il est impératif de garantir la confidentialité et la protection des données tout au long du processus. Une stricte conformité aux accords de protection des données et aux considérations éthiques doit être maintenue lors de la collecte et de l’analyse des données.

Notez que ONA n’est pas de l’IA … mais une première étape pour recueillir des données pertinentes de manière fonctionnelle qui nous permettra de créer ou d’ajouter à nos développements de modèles actuels. Par exemple, nous pourrions extraire des données précieuses sur les niveaux d’interaction ou de connectivité au sein de l’organisation et utiliser ces informations comme fonctionnalités pour le modèle d’attrition ou le modèle d’engagement qui vise à prédire le niveau d’engagement au sein d’une organisation à tout moment donné. Pour ceux qui souhaitent obtenir une explication plus détaillée de ce sujet, je vous recommande de vous référer à cet article.

3.2. Assistants d’engagement IA

Avez-vous envisagé d’extraire des informations quantitatives et qualitatives des formulaires de satisfaction écrits ? L’IA peut jouer un rôle pivot ici. Plutôt que de créer des assistants IA pour surveiller les employés – ce qui risque de dévaluer le facteur humain – nous proposons de les utiliser pour solliciter des commentaires anonymes sur les opportunités d’amélioration de l’entreprise. Ces commentaires peuvent être analysés et structurés pour que le service des ressources humaines extrait des informations exploitables, similaires à la fonction de l’assistant d’entretien proposé précédemment.

Cette approche peut également être précieuse pour des tâches plus spécifiques. Par exemple, lors de la recherche de commentaires sur des ateliers, au lieu d’utiliser des enquêtes traditionnelles sur une échelle de 1 à 5, les participants pourraient être encouragés à fournir des commentaires écrits détaillés. Ces données qualitatives peuvent être analysées à l’aide de LLM pour découvrir des informations plus approfondies et plus significatives.

Bien que les commentaires écrits puissent parfois manquer de qualité et de spécificité, le contexte riche qu’ils fournissent en fait une avenue d’exploration digne d’intérêt.

Ensuite, nous explorons les défis interconnectés de l’engagement, de la rétention et de la gestion des performances.

4. Le défi de l’évaluation des performances

Les processus d’évaluation des performances traditionnels sont souvent confrontés à des problèmes liés à la qualité inégale, l’incomplétude et la consommation de temps.

La qualité inégale : résulte des compétences en écriture et des capacités de communication variées des gestionnaires lorsqu’ils fournissent des commentaires. Des commentaires mal construits ou peu clairs peuvent ne pas avoir d’impact positif sur les employés, ne parvenant pas à aborder les domaines d’amélioration ou à reconnaître efficacement les réalisations.

L’incomplétude découle de réalisations ou de domaines d’amélioration négligés au cours de la période d’évaluation. Ce manque de commentaires complets peut entraîner des opportunités manquées pour guider les employés vers de meilleures performances ou reconnaître leurs réussites.

Le processus de création d’examens de performance complets est chronophage, ce qui peut détourner le temps précieux des gestionnaires de tâches plus productives, telles que le coaching ou le mentorat des employés.

Ces défis nécessitent une approche efficace et rationalisée pour les évaluations de performance qui optimise l’utilisation des ressources, garantit l’équité et améliore la qualité et l’exhaustivité des commentaires.

4.1. Assistant d’évaluation

Pour ceux qui ont du mal à se souvenir des détails clés lorsqu’ils effectuent plusieurs évaluations d’employés, une solution pourrait consister à utiliser des modèles de résumé. En fait, nous avons développé une solution à ce problème.

Imaginez que nous avons une organisation appelée “TheBestCompany”. Dans TheBestCompany, ils utilisent des modèles LLM pour traiter de multiples sources de données et générer des examens d’employés. Diverses sources de données telles que des commentaires, la participation à des initiatives et des commentaires de clients sont compilées et alimentées dans le LLM, qui distingue ensuite entre les réalisations et les domaines d’amélioration et consolide ces commentaires dans un modèle d’examen de performance qui peut ensuite être modifié par l’évaluateur humain en cours.

Ce processus automatisé de génération d’examens permet de gagner du temps et des ressources, de minimiser les biais et les erreurs, et de générer des examens détaillés et précis. La flexibilité des LLM permet une personnalisation en fonction des besoins organisationnels, améliorant la précision, l’efficacité et l’équité des évaluations de performance. Cette solution permet aux organisations de se concentrer sur d’autres tâches et objectifs importants.

5. S’attaquer au défi de la diversité et de l’inclusion

La diversité et l’inclusion posent des défis persistants au sein de nombreuses organisations, allant au-delà du processus de recrutement pour inclure les promotions et les évaluations de performance. La subjectivité dans ces domaines peut obscurcir involontairement les mérites d’un employé et les lacunes d’un autre (Rodgers, W., et al., 2023).

Deux stratégies peuvent aider à atténuer cela. La première consiste à développer des algorithmes qui éliminent les variables sensibles telles que l’âge, le sexe, l’origine ethnique et la religion. Ces algorithmes, axés sur les qualifications, les compétences et les performances, encouragent des évaluations objectives qui peuvent réduire les biais et garantir des décisions équitables.

La deuxième stratégie utilise des modèles qui tiennent compte de ces variables sensibles pour comprendre leur impact sur certains résultats. En analysant les données historiques, ces modèles peuvent révéler des biais potentiels associés à des attributs spécifiques, aidant les organisations à identifier et à rectifier de manière proactive les problèmes systémiques, favorisant l’égalité des chances et l’inclusion.

Cependant, il est crucial de se rappeler que les algorithmes et les modèles doivent compléter le jugement et l’expertise humains, et non les remplacer. De plus, ces outils doivent être régulièrement audités pour garantir qu’ils ne perpétuent pas involontairement des biais.

6. Le défi de la qualité des données

La qualité des données est un obstacle fréquent dans les ressources humaines, les entrées manuelles pouvant entraîner des erreurs potentielles, un formatage incohérent ou des enregistrements incomplets dans des plates-formes RH telles que Workday ou SAP HR. Ces problèmes peuvent compromettre l’exactitude et la fiabilité des algorithmes d’apprentissage automatique, encapsulés par la phrase “Garbage In, Garbage Out”. La mise en œuvre d’un processus ETL (Extraction, Transformation, Chargement) méticuleux est donc essentielle pour l’intégrité des données, en gardant à l’esprit les considérations éthiques et le défi imminent de la protection des données. En fait, près de 90 % du temps consacré au développement de tous les cas d’utilisation mentionnés dans cet article devrait être consacré au processus ETL.

7. Le défi de la protection des données

Les données RH incluent souvent des informations personnelles sensibles, nécessitant des mesures solides de protection des données. Pour protéger ces données, les organisations doivent mettre en œuvre des pratiques solides de gouvernance des données, notamment des mesures de sécurité rigoureuses, des contrôles d’accès et des techniques de chiffrement des données (Hamilton, R. H., & Davison, H. K., 2022).

Il est essentiel d’établir des politiques claires pour la manipulation, le stockage et le partage des données, en ne donnant accès qu’au personnel autorisé. En privilégiant la protection des données et en respectant les réglementations légales, les organisations peuvent établir la confiance avec les employés tout en préservant la confidentialité et la confidentialité des données RH.

Travailler en étroite collaboration avec les équipes juridiques et de conformité est également nécessaire pour respecter toutes les lois et réglementations applicables, en particulier les lois spécifiques de protection des données comme le RGPD dans l’UE. Dans l’ensemble de ces processus, il est important de solliciter les conseils d’un avocat et des professionnels de la protection des données pour garantir la conformité aux lois et réglementations locales.

Remarques conclusives

Dans l’ensemble, nous avons vu que l’intersection de l’IA et des ressources humaines ouvre un monde de possibilités qui attendent d’être explorées. Dans ce scénario, le défi pour les scientifiques des données et les professionnels des affaires est de traduire ces possibilités en solutions tangibles qui rationalisent les processus RH tout en préservant l’élément humain précieux. Cela implique à la fois l’utilisation de la puissance de l’IA et la compréhension des subtilités de la gestion des RH. Sans aucun doute, cet équilibre stimulera l’avenir, créant une industrie des RH plus efficace, inclusive et empathique.

Restez à l’écoute pour plus d’articles instructifs dans cette série alors que nous nous efforçons ensemble d’améliorer le monde grâce à la démocratisation de solutions innovantes.

Références

[1] Chowdhury, S., Dey, P., Joel-Edgar, S., Bhattacharya, S., Rodriguez-Espindola, O., Abadie, A., & Truong, L. (2023). Déverrouiller la valeur de l’intelligence artificielle dans la gestion des ressources humaines grâce au cadre de capacité de l’IA. Human Resource Management Review , 33 (1), 100899.

[2] Pereira, V., Hadjielias, E., Christofi, M., & Vrontis, D. (2023). Une revue systématique de la littérature sur l’impact de l’intelligence artificielle sur les résultats du travail: une perspective multi-processus. Human Resource Management Review , 33 (1), 100857.

[3] Barabási, A. L. 2013. Science des réseaux. Philosophical Transactions of the Royal Society A: Mathematical, Physical and Engineering Sciences , 371(1987), 20120375.

[4] Rodgers, W., Murray, J. M., Stefanidis, A., Degbey, W. Y., & Tarba, S. Y. (2023). Une approche d’algorithme d’intelligence artificielle pour la prise de décision éthique dans les processus de gestion des ressources humaines. Human Resource Management Review , 33 (1), 100925.

[5] Hamilton, R. H., & Davison, H. K. (2022). Défis juridiques et éthiques pour les ressources humaines dans l’apprentissage automatique. Employee Responsibilities and Rights Journal , 34 (1), 19–39.

We will continue to update IPGirl; if you have any questions or suggestions, please contact us!

Share:

Was this article helpful?

93 out of 132 found this helpful

Discover more

AI

10 Questions fréquentes auxquelles les analystes de données sont susceptibles de faire face - et comment y répondre

Dans le monde effréné de l'analyse des données, il n'est pas rare de se retrouver à vivre un sentiment de déjà vu en ...

AI

Estimateur de densité du noyau expliqué étape par étape

KDE nous permet de créer un PDF visuellement attrayant à partir de n'importe quelle donnée sans faire d'hypothèses su...

AI

Le Monde Caché des Index (Vectoriels)

Depuis la sortie publique de ChatGPT, à peine un jour ne s'est écoulé sans qu'un nouveau contenu ne discute des LLMs,...

AI

Créez des visualisations de données époustouflantes en quelques secondes avec ChatGPT

Les scientifiques des données adorent ça ! Voyez comment ChatGPT crée des visualisations de données époustouflantes a...

Science des données

Les 3 principales tendances en architecture de données (et comment les LLM les influenceront)

Adopter la prochaine ère de l'architecture des données Révéler les 3 principales tendances et le rôle influent de LLM.

AI

Les défis de la génération de stops dans Llama 2

Le lancement de Llama 2 par Meta a suscité l'enthousiasme au sein de la communauté, marquant l'aube d'une ère pour de...