Réévaluer le recrutement : Le rôle de l'IA et de l'équité

Le Recrutement est super important pour n'importe quelle organisation. Ça aide à trouver des candidats qualifiés et à façonner la culture au boulot. Les méthodes traditionnelles comme les annonces d'emploi, les évaluations de compétences et les tests de personnalité sont largement utilisées et ont un impact significatif sur la performance des organisations, le turnover des employés et la productivité. Ces processus touchent des millions de demandeurs d'emploi chaque année, puisque la plupart des gens changent de boulot plusieurs fois au cours de leur carrière. Du coup, les organisations cherchent de meilleures façons de recruter des candidats pour garantir un succès à long terme.

#Le passage au recrutement numérique

Au cours des trente dernières années, le processus de recrutement a beaucoup évolué, passant vers le recrutement numérique. Ce changement peut être divisé en trois phases :

1. Recrutement Numérique 1.0 : Cette phase a commencé dans les années 90, quand les descriptions de poste en ligne sont devenues courantes. Les demandeurs d'emploi pouvaient soumettre leur CV et leurs candidatures en ligne.

2. Recrutement Numérique 2.0 : Cette phase a démarré dans les années 2000 avec l'essor des sites d'emploi comme Indeed et Monster, qui regroupaient les annonces et aidaient les chercheurs d'emploi à trouver des postes qui les intéressaient.

3. Recrutement Numérique 3.0 : Cette phase actuelle se caractérise par l'utilisation de l'intelligence artificielle (IA) dans le recrutement. L'IA est maintenant utilisée par les organisations pour diverses tâches, comme créer des annonces, suivre les candidats, réaliser des entretiens et utiliser des jeux pour évaluer les candidats.

La tendance vers l'IA dans le recrutement est alimentée par son efficacité. Le filtrage des candidats est un des domaines clés où l'IA est utile. Les méthodes automatisées peuvent accélérer le processus de recrutement et potentiellement réduire les biais. Pour les grandes entreprises qui gèrent des milliers de candidatures, l'IA est devenue essentielle.

#IA dans le recrutement

L'IA est largement utilisée pour des tâches comme la rédaction d'annonces d'emploi et la génération de questions d'entretien. Après la montée du télétravail, surtout pendant la pandémie de COVID-19, le rôle de l'IA dans le recrutement devrait encore augmenter. Les statistiques montrent qu'un grand nombre d'organisations avaient déjà commencé à utiliser l'IA dans leur recrutement en 2019.

Cependant, à mesure que de plus en plus d'employeurs utilisent l'IA, des préoccupations ont émergé concernant les biais dans les décisions prises par ces systèmes. Par exemple, des incidents passés ont montré que certains systèmes d'IA favorisaient les hommes par rapport aux femmes pour des annonces de haute rémunération. D'autres cas impliquaient des outils d'IA qui notaient les CV des femmes de manière injuste à cause d'un manque de candidates féminines dans les données d'entraînement. Ces exemples montrent que les biais présents dans les pratiques de recrutement peuvent se transférer aux systèmes d'IA.

#Traiter les biais dans le recrutement IA

Il y a un besoin urgent de revoir comment l'Équité dans l'apprentissage automatique s'applique au recrutement basé sur l'IA. Bien que des études antérieures aient abordé les biais dans les méthodes de recrutement non-IA, il reste encore un manque de recherches systématiques sur l'équité dans les processus de recrutement pilotés par l'IA.

Ce besoin a été mis en lumière par des enquêtes indiquant qu'un grand nombre d'employeurs utilisent maintenant l'IA dans leurs efforts de recrutement. L'IA peut aider à créer des descriptions de poste, à engager des candidats et à assister dans le filtrage des CV.

#Composantes clés des systèmes de recrutement IA

Pour assurer l'équité dans les pratiques de recrutement, il est nécessaire de définir ce que signifie « équité » dans ce contexte. L'équité, la confiance et la justice sont tous des concepts liés qui influencent la façon dont les candidats perçoivent les processus de recrutement.

• Confiance : La confiance se construit avec le temps et est essentielle lorsque les candidats évaluent l'équité du recrutement. Elle peut facilement être perdue, surtout si les candidats manquent de Transparence dans le processus.

• Justice Organisationnelle : Cela concerne la façon dont les individus sont traités au sein des organisations. Il existe trois principaux types de justice organisationnelle :

  • Justice Distributive : Se réfère à la façon dont les récompenses sont réparties entre les employés.
  • Justice Procédurale : Se concentre sur l'équité des processus par lesquels les décisions sont prises.
  • Justice Interactionnelle : Concerne la façon dont les individus sont traités avec respect tout au long du processus de recrutement.

En prenant en compte ces aspects, les organisations peuvent créer des processus de recrutement pilotés par l'IA plus équitables.

#Équité dans la législation

Plusieurs principes directeurs ont été établis pour soutenir un développement équitable de l'IA. Ces principes comprennent la responsabilité, l'explicabilité, l'exactitude et l'équité. Les gouvernements mettent aussi en place des réglementations pour garantir l'équité dans les systèmes d'IA. Par exemple, des lois sont en train d'être créées pour protéger les droits des individus concernant l'IA dans le recrutement.

La Commission américaine pour l'égalité des chances en matière d'emploi (EEOC) fait appliquer des lois contre la discrimination dans l'embauche basée sur la race, la religion, le sexe et d'autres facteurs. Les entreprises doivent s'assurer que leurs systèmes d'IA respectent ces lois.

#Causes des biais dans les systèmes d'IA

Les biais peuvent entrer dans les modèles d'IA de plusieurs manières :

1. Données d'entraînement : Si les données utilisées pour entraîner les systèmes d'IA sont biaisées, le modèle apprendra et continuera ce biais. Par exemple, si certains groupes sont sous-représentés dans les données, l'IA peut ne pas bien fonctionner pour ces groupes.

2. Définitions de labels : La façon dont les résultats sont labellisés peut aussi introduire des biais. Si un modèle d'embauche est biaisé, il pourrait favoriser certaines caractéristiques par rapport à d'autres, entraînant des résultats inégaux pour différents groupes.

3. Sélection de caractéristiques : Les attributs utilisés par le modèle pour faire des prédictions peuvent affecter l'équité. Si ces caractéristiques ne représentent pas tous les groupes de manière égale, cela peut conduire à des biais.

4. Proxys : Même si des attributs protégés sont retirés, d'autres facteurs pourraient encore indiquer le contexte d'un candidat, entraînant une discrimination involontaire.

5. Masquage : Si les développeurs ont des vues biaisées, ils peuvent concevoir des caractéristiques qui favorisent certains groupes par rapport à d'autres.

#Étapes du processus de recrutement

Le recrutement peut être découpé en quatre principales étapes :

1. Sourcing de candidats : Cela implique d'attirer des chercheurs d'emploi, ce qui peut être aidé par l'IA grâce à l'analyse des emplois et à la prospection de candidats.

2. Filtrage des candidats : À ce stade, les outils d'IA sont souvent utilisés pour classer les CV et évaluer les candidats selon leurs qualifications. Cependant, les outils de filtrage peuvent aussi refléter des biais systémiques.

3. Entrevues avec les candidats : Les systèmes d'IA sont de plus en plus utilisés pour évaluer les candidats lors des entretiens. Différentes modalités d'IA peuvent évaluer les candidats, mais des inquiétudes concernant la transparence et les biais se posent également ici.

4. Sélection et évaluation : Enfin, les organisations décident des candidats et négocient des offres. L'IA peut aider à prendre des décisions plus équitables, mais des biais peuvent encore se produire.

#Stratégies de détection et de mitigation des biais

Pour garantir l'équité dans le recrutement, les organisations doivent détecter et gérer les biais. Il existe plusieurs méthodes disponibles pour évaluer les biais et mettre en œuvre des stratégies pour les réduire :

#Métriques d'équité

Une variété de métriques sont utilisées pour mesurer l'équité, notamment :

• Équité par ignorance : Suppose qu'un modèle est équitable s'il n'utilise pas d'attributs protégés dans son entraînement.

• Parité démographique : Exige que les taux d'acceptation pour différents groupes démographiques soient égaux.

• Parité d'exactitude : Assure que les candidats qualifiés de tous les groupes ont des chances similaires d'être embauchés.

• Parité de taux prédictif : Recherche une cohérence dans les prédictions entre différents groupes.

#Techniques de mitigation des biais

Trois principales catégories de techniques de mitigation des biais existent :

1. Prétraitement : Des ajustements sont faits au dataset avant l'entraînement du modèle, visant à éliminer les facteurs induisant des biais.

2. Entraînement : Cette méthode optimise le modèle pendant l'entraînement, s'assurant que les métriques d'équité sont respectées tout au long du processus.

3. Post-traitement : Des ajustements sont faits après que le modèle a été entraîné pour aligner les résultats avec les critères d'équité.

#Défis actuels du recrutement IA

Plusieurs défis restent à relever pour créer des processus de recrutement IA équitables :

1. Sélection des métriques : Choisir les bonnes métriques d'équité peut être difficile car différents types de postes peuvent avoir des exigences uniques.

2. Exigences spécifiques au poste : Les métriques d'équité doivent s'adapter aux rôles variés et aux changements de marché, ce qui peut être compliqué.

3. Audit des modèles : Les grands modèles d'IA nécessitent des audits constants pour s'assurer qu'ils ne perpétuent pas de biais, mais cela fait souvent défaut dans de nombreuses organisations.

4. Transparence : Fournir des retours et de la clarté sur les décisions de l'IA est crucial pour construire la confiance parmi les candidats, mais beaucoup d'entreprises échouent à le faire.

#Conclusion

En résumé, les processus de recrutement sont essentiels pour les organisations, et à mesure que l'IA devient une plus grande partie de ces processus, comprendre l'équité et les biais est plus pertinent que jamais. Les entreprises doivent adopter des mesures pour atténuer les biais à toutes les étapes du recrutement et garantir la conformité avec les normes légales. En se concentrant sur des métriques plus claires, des exigences spécifiques au poste et la transparence, les organisations peuvent travailler vers un processus de recrutement plus équitable et plus efficace qui bénéficie à la fois aux employeurs et aux chercheurs d'emploi.