Cách Máy Học Có Thể Giúp Loại Bỏ Độ Chệch Trong Quá Trình Tuyển Dụng

Nhiều công ty nói họ muốn đa dạng hóa lực lượng lao động của họ. Rất ít có thực sự thành công trong việc làm điều này, ngay cả khi họ cố gắng chân thành. Và một trong những rào cản đầu tiên có thể xuất hiện trước khi bất kỳ ứng viên nào được phỏng vấn: Ngôn ngữ được sử dụng trong các email tuyển dụng hoặc bài đăng công việc thường đầy đủ các định kiến vô thức - các cụm từ như "thỏa thuận của quý ông" hoặc thậm chí là "ninja" có thể ngăn cản phụ nữ hoặc những người màu da từ việc nộp đơn vào lúc đầu.

Nhưng làm thế nào chúng ta kiểm tra những định kiến vô thức của mình khi, theo định nghĩa, chúng ta không biết chúng là gì? Một startup có trụ sở tại Seattle có tên là Textio nói rằng họ đang sử dụng máy học để giúp loại bỏ những định kiến đó trong thời gian thực, bằng cách thay đổi ngôn ngữ của những quản lý tuyển dụng đang soạn bài đăng công việc.

Tuần này trên Gadget Lab, nhà báo cấp cao của Mytour, Lauren Goode, trò chuyện với CEO Textio Kieran Snyder về cách phần mềm hoạt động, cách theo dõi mô hình ngôn ngữ qua thời gian có thể làm sáng tỏ cái nhìn của chúng ta về thế giới, và cách loại phần mềm “viết bổ sung” như vậy cuối cùng có thể được sử dụng trong các ứng dụng vượt ra ngoài bài đăng công việc.

Ghi Chú Phát Sóng

Đọc thêm về Textio tại đây. Khám phá các cuộc trò chuyện khác từ Mytour25 tại đây.

Lauren Goode có thể được tìm thấy trên Twitter @LaurenGoode. Michael Calore là @snackfight. Gọi đến đường dây nóng chính tại @GadgetLab. Chương trình được sản xuất bởi Boone Ashworth (@booneashworth). Nhà sản xuất điều hành tư vấn của chúng tôi là Alex Kapelman (@alexkapelman). Âm nhạc chủ đề của chúng tôi được thực hiện bởi Solar Keys.

Cách Nghe

Bạn luôn có thể nghe podcast của tuần này thông qua trình phát âm thanh trên trang này, nhưng nếu bạn muốn đăng ký miễn phí để nhận mọi tập, đây là cách:

Nếu bạn đang sử dụng iPhone hoặc iPad, hãy mở ứng dụng có tên là Podcasts, hoặc chỉ cần nhấp vào liên kết này. Bạn cũng có thể tải xuống một ứng dụng như Overcast hoặc Pocket Casts và tìm kiếm Gadget Lab. Nếu bạn sử dụng Android, bạn có thể tìm thấy chúng tôi trong ứng dụng Google Play Music chỉ cần nhấp vào đây. Chúng tôi cũng có mặt trên Spotify. Và trong trường hợp bạn thực sự cần nó, đây là RSS feed.

Bản Ghi Âm

Lauren Goode: Chào mừng bạn, tôi là Lauren Goode, đồng chủ nhật của podcast Gadget Lab của Mytour. Và tuần này, chúng tôi sẽ nói về Trí tuệ Nhân tạo, cụ thể là làm thế nào Trí tuệ Nhân tạo có thể được sử dụng để đưa ra gợi ý về văn bản của bạn khi bạn đang viết để loại bỏ độ chệch. Tất nhiên, câu hỏi lớn là, liệu Trí tuệ Nhân tạo có bao giờ thay thế tất cả các nhiệm vụ viết của chúng ta không? Và điều gì xảy ra nếu công nghệ được thiết kế để loại bỏ độ chệch lại có độ chệch?

Đây là một tập đặc biệt trong tuần này, vì một vài người từ đội Gadget Lab thường xuyên đều đang đi công tác. Vì vậy, chỉ có mình tôi ở trong phòng thu. Và cuộc phỏng vấn bạn sắp nghe là từ hội nghị Mytour 25 của chúng tôi cuối năm ngoái. Đó là một cuộc trò chuyện tôi có với Kieran Snyder.

Kieran là người sáng lập kiêm Giám đốc điều hành của Textio, một startup đặt tại Seattle đã tạo ra những gì Snyder gọi là một nền tảng viết bổ sung. Và điều đó rất hấp dẫn. Chúng tôi nói nhiều về cách Textio hoạt động, những từ ngữ và cụm từ nào có độ chệch mà bạn có thể thậm chí không nhận ra là có độ chệch, và cách cô ấy tưởng tượng rằng những thứ như Textio có thể được sử dụng rộng rãi hơn trong nơi làm việc. Được rồi, không còn thêm nhiều sự chuẩn bị nào nữa, dưới đây là Kieran Snyder từ Textio.

Người thông báo: Xin chào Kieran Snyder trong cuộc trò chuyện với Lauren Goode của Mytour.

LG: Cảm ơn mọi người đã tham gia cùng chúng tôi hôm nay, vì đã ở đây. Và cảm ơn Kieran Snyder đã tham gia cùng chúng tôi tại Mytour 25.

Kieran Snyder: Cảm ơn vì đã mời tôi.

LG: Một giới thiệu ngắn gọn về Kieran. Kieran là người sáng lập kiêm Giám đốc điều hành của Textio, chúng ta sẽ nói về tất cả. Trước đó, bạn làm trưởng nhóm quản lý chương trình tại Microsoft gần một thập kỷ, phải không?

KS: Nhiều hay ít thì cũng được.

LG: Nhiều hay ít. Và cô ấy cũng có bằng tiến sĩ về ngôn ngữ học và khoa học nhận thức. Cô ấy, theo tất cả định nghĩa, là một chuyên gia ngôn ngữ học. Và vì vậy, chúng ta sẽ nói về điều đó nữa.

Và tôi biết rằng đối với một số trong số bạn đã tham gia các buổi thu âm podcast trước đây, bạn đã biết ở thời điểm này có một cái hội chợ nhỏ cho trẻ em diễn ra bên cạnh, nhờ Google. Vì vậy, bạn có thể nghe một số tiếng ồn khi trẻ em thể hiện sự hung dữ của họ với robot và những thứ như vậy.

Nhưng đó là điều chúng tôi thích ở podcast Gadget Lab. Điều đó chỉ làm tăng thêm không khí. Vì vậy, cảm ơn bạn vì sự kiên nhẫn khi chúng tôi phải đối mặt với tiếng ồn. Vì vậy, tôi nghĩ một nơi tốt để bắt đầu có lẽ là hỏi Textio là gì? Textio làm gì?

KS: Textio là một nền tảng viết tăng cường. Vậy câu hỏi tiếp theo là, nền tảng viết tăng cường là gì, đúng không? Hãy nghĩ về nó như là một bộ xử lý từ được thiết kế để cho bạn biết ai sẽ phản ứng với những điều bạn đang viết. Vì dựa vào các mẫu ngôn ngữ bạn đang sử dụng, bạn có thể tạo ra ấn tượng mạnh mẽ hơn với một khán giả so với khán giả khác.

Có thể bạn đang viết mô tả công việc, và bạn đang cố gắng tìm hiểu cách làm sao để có được những người đủ chất lượng nộp đơn. Hoặc có thể bạn đang viết một thông điệp cho đồng nghiệp, và bạn đang cố gắng tìm hiểu cách khiến họ tham gia mà không loại bỏ. Nhưng đó là Textio.

LG: Và bạn đang bán sản phẩm đó cho ai?

KS: Chúng tôi bán cho doanh nghiệp, thông thường là cho các nhà lãnh đạo. Vì vậy, những người liên quan đến việc tuyển dụng, truyền thông nội bộ hoặc nhân sự. Nhưng luôn là vào doanh nghiệp, các công ty mọi kích thước.

LG: Khi bạn nói về các công ty mọi kích thước, có những doanh nghiệp cụ thể nào bạn có thể chia sẻ? Một số tên mà mọi người có thể nhận ra?

KS: Chắc chắn. Từ Cisco và Johnson & Johnson đến Slack và NASA. Chúng tôi thực sự hào hứng với dự án NASA. Khi đội của chúng tôi được đến thăm NASA trực tiếp, họ trở về với áo thun NASA. Chúng tôi có rất nhiều người yêu thích vũ trụ ở công ty. Nhưng thực sự, một loạt lớn các tổ chức, chính phủ, tổ chức dân sự, cũng như các doanh nghiệp lớn.

LG: Tôi nghĩ có thể giúp độc giả hiểu rõ hơn về những gì đang xảy ra khi họ sử dụng phần mềm của Textio. Vì vậy, bạn đang ở trong nền tảng viết bổ sung này. Và một trong những ví dụ chúng ta đã nói về trước đó, vì Kieran cũng xuất hiện trong một số của Mytour earlier this year, là bạn là một quản lý tuyển dụng hoặc nhà tuyển dụng và bạn đang gõ một cái gì đó và bạn sử dụng một từ như, "Tôi đang tìm kiếm một ninja," hoặc "Tôi đang tìm kiếm một ngôi sao rock."

KS: Đừng sử dụng từ đó. Đúng không? Yeah.

LG: Và tôi thấy một người bạn cười vì cô ấy hiện đang làm việc tại LinkedIn và cô ấy nói, "Vâng, tôi thấy điều này cả ngày." OK. Vì vậy, bạn nhìn thấy những cụm từ như vậy. Và một trong những điều khiến tôi kinh ngạc là bạn nói với tôi về cách mà những từ đó được mã hóa và rằng phần mềm thực sự đánh dấu chúng. Vậy, như, hãy vẽ một bức tranh cho chúng tôi nếu ai đó đang gõ một email hoặc một truy vấn hoặc cái gì đó trong phần mềm của bạn. Điều gì thực sự xảy ra?

KS: Đúng. Bạn là một người viết, vì vậy có lẽ điều này chưa bao giờ xảy ra với bạn, nhưng hãy nghĩ về lần cuối cùng bạn phải viết một email nhạy cảm, một thông điệp truyền thông rất nhạy cảm. Và bạn biết trước khi nhấn Gửi rằng nó có chút rủi ro. Và nếu bạn giống như những người khác, những gì bạn có thể đã làm trong tình huống đó là bạn hỏi một người bạn tin tưởng đọc qua nó trước khi bạn gửi đi, phải không? Và có lẽ họ sẽ bắt được điều gì đó về cách nó sẽ đổ bộ, và có lẽ nếu họ bắt được điều gì đó, bạn sẽ thực hiện một số thay đổi và bạn sẽ nhấn Gửi và bạn sẽ không gặp rắc rối. Đúng không?

Textio giống như 500 triệu ý kiến thứ hai đó. Do đó, khi bạn đang viết, Textio đang so sánh ngôn ngữ của bạn với ngôn ngữ của các tài liệu tương tự khác mà hệ thống đã thấy trước đó, nơi nó biết ai đã phản hồi với bạn. Và vì vậy, bạn đang nhận được các đề xuất, bạn đang nhận được các mô hình ngôn ngữ được đề xuất cho bạn sẽ hoạt động tốt trong tình huống của bạn. Vì vậy, nếu bạn đang nói "ninja" trong ngữ cảnh của một văn bản tuyển dụng, bạn có khả năng thống kê rất cao chỉ thu hút những người tự nhận mình là nam giới cho vai trò, phải không?

Do đó, chúng tôi thường xuyên thấy những mô hình này. Một trong những ví dụ yêu thích của chúng tôi đến từ một trong những trường cũ của tôi. Amazon sử dụng từ "maniacal" trên trang tuyển dụng của mình nhiều hơn 11 lần so với ngành công nghiệp công nghệ khác. Và tôi đảm bảo rằng không có nhân sự nào tại Amazon chạy quanh và bảo người ta mô tả nơi làm việc của họ như là điên đảo. Nhưng khi họ làm điều đó, theo thống kê, nó thay đổi bể ứng viên của họ. Và khi chúng ta nghe thấy điều đó, không ai trong chúng ta đều ngạc nhiên, phải không? Bởi vì khi có hàng ngàn người sử dụng một mô hình chung, điều đó làm sáng tỏ điều gì đó sâu sắc về văn hóa.

LG: Khi bạn nói nó thay đổi mô hình tuyển dụng của họ, nó làm nghiêng về phía ai chính xác? Nó thu hút ai?

KS: "Maniacal" chắc chắn thu hút ít ứng viên tự nhận mình là phụ nữ cho vai trò. Hoặc bạn nghe thấy một số điều như Uber sử dụng "bằng mọi giá" nhiều hơn 30 lần so với ngành công nghiệp khác. Nó có một tác động tương tự. Nó thu hút nhiều ứng viên tự nhận mình là nam giới và cụ thể là nam giới da trắng. Và điều này có lẽ không phải là mục tiêu ý định của họ, khi sử dụng ngôn ngữ đó, nhưng nó vẫn xảy ra.

LG: Vậy bạn nói rằng phần mềm đang so sánh tài liệu bạn đang làm việc vào thời điểm đó và thời gian thực với 500 ... bạn nói 500 triệu tài liệu khác, có thể?

KS: Thực tế thì thường gần 600 triệu.

LG: Gần 600 triệu.

KS: Bây giờ là các tài liệu khác nơi mà Textio đã đo lường tỷ lệ phản hồi trong quá khứ.

LG: Và tất cả đều là các tài liệu Textio? Hay bạn đã lấy dữ liệu từ đâu khác?

KS: Đó là các tài liệu Textio. Vì vậy, tất cả đều là tài liệu trong luồng dữ liệu và bộ dữ liệu đào tạo của chúng tôi. Và tất nhiên, khi tôi đang viết, không phải tất cả 600 triệu đều liên quan đến những gì tôi đang viết. Vì vậy, Textio cắt và xắt bộ dữ liệu để bạn có bộ tập hợp phù hợp nhất. Vì vậy, nếu tôi đang tuyển một kỹ sư ở San Francisco, tôi có một bộ so sánh khác biệt so với việc tôi đang tuyển một kế toán ở New York, ví dụ.

LG: Được. Và bạn có hai loại sản phẩm khác nhau. Một là, như bạn mô tả, bạn đã viết rồi. Và sau đó, bạn gửi nó qua bộ xử lý này. Và sau đó là các gợi ý đang xảy ra trong thời gian thực.

KS: Vì vậy, tôi sẽ chia nó một chút khác. Toàn bộ Textio là trải nghiệm viết theo thời gian thực. Nhưng trong bất kỳ nền tảng vòng học nào — và chúng tôi nghĩ về Textio như là một nền tảng vòng học, có nghĩa là khi bạn sử dụng nó, bạn đang làm cho hệ thống trở nên thông minh hơn đối với tất cả mọi người đang sử dụng nó — tôi nghĩ có ba yếu tố chính.

Phần đầu tiên là khả năng dự đoán điều gì sẽ xảy ra, đúng không? Vì vậy, khi bạn đang viết, liệu Textio có thể đưa ra dự đoán về ai sẽ tham gia không? Phần thứ hai là đưa ra gợi ý để thay đổi điều gì đó bạn vừa gõ. Và nói, "OK, thực sự, thay vì từ 'quản lý' trong ngữ cảnh này, có lẽ sử dụng từ 'dẫn dắt,' hoặc 'chạy,' hoặc 'xử lý,' vì bạn sẽ có một ảnh hưởng khác nhau."

Và phần thứ ba, mà tôi nghĩ bạn có thể đang nói đến, là khả năng tạo ra ngôn ngữ một cách tích cực hơn. Vì vậy, nếu hệ thống biết rằng tôi đang tuyển dụng một người có kinh nghiệm máy học và 10 năm kinh nghiệm, nó có thể chủ động biến những ghi chú đó thành ngôn ngữ sẽ hoạt động rất tốt cho vai trò đó.

LG: Một trong những câu chuyện khác mà bạn kể cho tôi và trở thành một trong những câu chuyện yêu thích của tôi là cách bạn phát hiện ra rằng big data đã qua thời. Việc người ta nói "big data" trong một bài đăng việc là rất cũ. Nó đã có khoảnh khắc của nó, nhưng bây giờ nó được xem là hơi lỗi thời.

KS: Đúng. Và điều tương tự đang xảy ra với trí tuệ nhân tạo. Vì vậy, thực sự, khi chúng tôi bắt đầu công ty, khoảng năm 2015, đó là ngay sau khi "big data" như một mô hình ngôn ngữ đang giảm sút. Vì vậy, nếu bạn quay lại có thể là sáu hoặc bảy năm trước, nếu bạn miêu tả công việc của mình liên quan đến big data trong ngữ cảnh một mô tả công việc, hoặc ngay cả một startup bạn đang cố gắng có vốn đầu tư, nó thực sự rất phổ biến.

Nếu bạn đã sử dụng nó trong ngữ cảnh tuyển dụng, bạn đã có nhiều người đăng ký hơn. Bạn đã có nhiều người có đủ đức để đăng ký. Đó là một thuật ngữ rất hot vào thời điểm đó. Và điều xảy ra với bất kỳ thứ tiếp thị nào trở nên phổ biến là mọi người sao chép nó. Và khi mọi người sao chép nó, nó trở nên rộng rãi đến mức mất mất ảnh hưởng phân biệt mà nó đã từng có.

Ngày nay, nếu bạn sử dụng "big data," mọi người sẽ cười một chút, phải không? Bởi vì nó trở nên quá phổ biến đến mức trở thành một lối ngôn ngữ cũ. Và vì thế, ngày nay, nếu bạn sử dụng "big data" trong ngữ cảnh tuyển dụng, các công việc sẽ được điền chậm hơn đáng kể, vì ít người sẽ đăng ký. Và điều tương tự đang xảy ra với "trí tuệ nhân tạo" ngày nay. Nó đã rõ ràng đạt đến điểm bão hòa và đang bắt đầu suy giảm.

LG: Vì vậy, theo một số cách, bạn đang sử dụng trí tuệ nhân tạo để xác định rằng cụm từ trí tuệ nhân tạo có thể đã không còn thịnh hành nữa.

KS: Đúng rồi. Tôi sẽ nói chúng tôi đang sử dụng vòng học.

LG: Đúng vậy. Vòng học.

KS: Có lẽ đó là điều tiếp theo.

LG: Đúng, đúng. Vì vậy, tôi nghĩ câu hỏi tự nhiên là, khi phần mềm này trở nên phổ biến rộng rãi hơn? Khi nào nó trở thành một cái gì đó mà chúng ta tất cả đang sử dụng? Như chúng ta có thể cắm nó vào Google Docs hoặc Office 365 của chúng ta? Để như người tiêu dùng, chúng ta có quyền truy cập vào những công cụ viết bổ sung này, và nó không chỉ là điều mà doanh nghiệp và người quản lý tuyển dụng đang sử dụng.

KS: Vâng, tất cả chúng ta đều là cả nhân viên và người tiêu dùng. Và tôi nghĩ ranh giới giữa những thứ chúng ta sử dụng ở nhà và những thứ chúng ta sử dụng ở công việc là khá mơ hồ nói chung. Vì vậy, khi chúng ta nói về vòng học, tôi chỉ muốn chú ý rằng trong cuộc sống người tiêu dùng của chúng ta, chúng ta đã sử dụng phần mềm tương tự từ khá lâu rồi, phải không? Mỗi khi bạn lái xe với Waze hoặc Google Maps, nó đều là nguyên tắc cơ bản giống nhau, phải không?

Bạn đang chia sẻ tọa độ của mình với phần mềm và tất cả mọi người trên đường cũng vậy. Và do đó, chúng ta đều đến nơi mình muốn một chút nhanh hơn. Hoặc khi bạn đang cố nghe nhạc trên Spotify và bạn đang nhận được các đề xuất từ những người có các mẫu giống bạn nhiều. Vì vậy, công nghệ vòng học đã xuất hiện trong cuộc sống tiêu dùng của chúng ta từ rất lâu rồi. Và tôi nghĩ trong vòng ba đến bốn năm qua, chúng ta ngày càng mong đợi sự bổ sung ở công việc. Viết chỉ là một lĩnh vực.

LG: Vậy tôi đoán tôi sẽ hỏi lại điều đó. Bạn có kế hoạch tung ra một phiên bản dành cho người tiêu dùng của phần mềm của bạn không?

KS: Có thể. Hiện tại, có nhiều lĩnh vực trong doanh nghiệp có tác động rất lớn đối với doanh nghiệp. Chúng tôi bắt đầu từ việc tuyển dụng vì mọi doanh nghiệp thực sự bị ảnh hưởng chủ yếu bởi người chọn làm việc ở đó. Đó là điều làm nên hoặc phá hủy doanh nghiệp. Nhưng nếu bạn nghĩ về tất cả những nơi bạn viết ở công việc, cho dù bạn đang tạo phần mềm như chúng tôi ở công ty của mình hay bạn đang làm áo thun, thứ bạn thực sự có lẽ làm nhiều nhất mỗi ngày là từ.

Và cơ hội trong một doanh nghiệp thực sự thú vị là, các công ty thực sự có giọng điệu và văn hóa xuất hiện trong ngôn ngữ họ sử dụng. Vì vậy, việc Uber sử dụng "bằng mọi cách" nhiều đến vậy không chỉ là một sự thật về ngôn ngữ tuyển dụng của họ. Đó là một sự thật về ngôn ngữ của họ nói chung. Vì vậy, tôi không loại trừ điều gì đó dành cho người tiêu dùng. Nhưng các mẫu văn hóa, khi bạn nhìn vào các tổ chức lớn, rất thú vị từ góc độ ngôn ngữ. Vì vậy, chúng tôi đang tập trung mạnh vào đó ngay bây giờ.

LG: Nói về các tổ chức lớn, điều gì sẽ xảy ra khi các công ty như Google hoặc Microsoft bắt đầu tích hợp một số tính năng này trực tiếp vào các bộ công cụ sản xuất phổ biến của họ? Khi tôi ở Microsoft đầu năm nay, và họ đang thực hiện một số cập nhật cho 365—điều này diễn ra trước sự kiện phần mềm hàng năm lớn của họ—một trong những điều tôi thấy là trong Word bây giờ có một công cụ làm cho văn bản của bạn trở nên tinh tế hơn. Nơi một số từ cụ thể được đánh dấu là những thứ như nếu bạn viết rằng bạn đang tạo một "thỏa thuận quý ông," phần mềm có thể thực sự đánh dấu nó và nói, "Đây không phải là văn bản bao gồm. Đây là một gợi ý khác." Hoặc nếu bạn viết "người nội trợ", nó sẽ sửa lại và nói, "Còn nói 'người chăm sóc gia đình' đi, vì nó không có giới tính."

KS: Và vì vậy, có vẻ như các công ty công nghệ lớn có khả năng xây dựng điều này một cách hiệu quả. Làm thế nào bạn duy trì sự cạnh tranh và phân biệt khi bạn biết rằng tất cả những người rất thông minh này đang làm việc trên các công cụ tại Google và Microsoft?

KS: Nhưng họ không làm việc trên những công cụ này. Họ đang làm việc trên các nền tảng xử lý từ vựng rộng lớn, điều đó khá khác biệt. Đó là thế giới mà cả người sáng lập và tôi đến từ. Và thực sự, chúng tôi đều tham gia vào phần mềm sản xuất tại Microsoft ở những vai trò lãnh đạo trong một khoảng thời gian khá dài. Và thách thức với cái như Microsoft Word và Google Docs là ngược đồng loạt với quy mô của nó. Vì vậy, thực tế là một tỷ người sử dụng Microsoft Word mỗi năm, đó là một thị trường lớn. Có lẽ lớn hơn một tỷ người bây giờ. Nó lớn hơn một tỷ một vài năm trước.

Họ đang sử dụng nó để viết mọi thứ. Và điều đó có nghĩa là bạn mất khái niệm về kết quả, phải không? Vì tốt nhất bạn có thể làm khi bạn đang viết... bạn đang tạo phần mềm mà nên hoạt động cho một tỷ người, viết mọi thứ cùng một lúc, là bao gồm các quy tắc nông cạn để nói, "Ừ, 'thỏa thuận quý ông.' Đó có phần thiên vị." Hoặc "Ừ, bạn để dấu phẩy của bạn ở chỗ sai." Hoặc "Ồ, câu của bạn khá dài."

Những điều này không phải là những thứ đang nói cho bạn biết ai sẽ phản ứng, vì bạn không thể xây dựng một mô hình dựa trên phản ứng cho một tỷ loại giao tiếp cùng một lúc. Cơ hội của việc viết bổ sung thực sự là tập trung cụ thể vào một lĩnh vực. Hoặc trong trường hợp của công việc, đó thực sự là về người phản ứng với bạn. Có một vòng phản hồi có thể được đo lường. Các bộ xử lý từ vựng rộng lớn không có loại vòng phản hồi đó.

LG: Thú vị.

KS: Đó là một tình huống viết rất khác nhau.

LG: Bạn đang nói rằng một trong những điểm khác biệt của bạn là bạn có thể đo lường hiệu suất? Dự án mà một ai đó đang làm việc trên phần mềm của bạn có thể thực hiện được, phải có một loại... người phải phản ứng với tin tuyển dụng. Ngược lại, viết một bài "Nhật ký thân yêu" trong Microsoft Word mà không ai sẽ thấy. Hoặc một số bản nháp khác có thể có tiềm năng không có ảnh hưởng.

KS: Đúng vậy. Vì vậy, nếu bạn nghĩ về tất cả những nơi bạn sử dụng Microsoft Word hoặc Google Docs, khi bạn viết, bạn sử dụng nó để ghi chú. Bạn sử dụng nó để viết tài liệu tiếp thị. Bạn sử dụng nó để viết đặc tả kỹ thuật. Bạn sử dụng nó để viết bài viết. Bạn sử dụng nó để viết mọi thứ. Và không rõ rằng trong toàn bộ tập đó, bạn sẽ đo lường loại vòng phản hồi gì.

Đó là một điều cực kỳ quý giá khi có một bộ xử lý từ vựng rộng lớn, nhưng đó là một loại khác. Thực tế, tôi thấy các tính năng của Microsoft Word cạnh tranh nhiều hơn với như một Grammarly, cũng là về các quy tắc nông cạn hoạt động trên tất cả các loại văn bản bạn đang viết. Thay vì là một thứ mạnh mẽ viết cho một tình huống cụ thể rất cụ thể.

LG: Chúng ta sẽ có một giảm giờ nghỉ ở đây. Nhưng hãy tiếp tục theo dõi phần còn lại của cuộc trò chuyện với Kieran Snyder từ Textio.

[Nghỉ giải lao]

LG: Tại sao con người cần phần mềm này? Tại sao chúng ta không thể chỉ... sau khi đã làm việc trên một số bản nháp hoặc học một bài học qua thời gian, chúng ta đã đăng một loạt các bản tin tuyển dụng và chúng ta không nhận được phản hồi. Vì vậy, chúng ta chỉnh sửa những từ ngữ và hy vọng rằng nó sẽ hiệu quả hơn, đúng không? Chúng ta có khả năng tự học các mô hình qua thời gian. Tại sao chúng ta không thể chỉ... tôi không biết, tìm ra những đặc điểm chệch trong văn bản của chúng ta? Và cần phải phụ thuộc vào phần mềm như thế này?

KS: Tôi nghĩ chúng ta có thể tìm ra một số đặc điểm chệch của chúng ta một cách rất hạn chế. Nhưng chúng ta luôn bị hạn chế bởi trải nghiệm chúng ta đã có, A, và quan sát, B. Phải không? Và cơ hội để những quan sát của tôi được bổ sung bởi hàng trăm triệu quan sát của người khác có nghĩa là tôi có cơ hội học hỏi nhiều hơn.

Và thực tế là càng khác biệt hơn so với tôi, tôi càng sẽ kém tốt khi đoán xem điều gì sẽ làm cho người đó phản ứng tích cực hoặc cảm thấy xa lạ. Phải không? Khi chúng ta yêu cầu đồng nghiệp đáng tin cậy đóng vai trò là người thứ hai để đánh giá, đó là vì chúng ta lúc nào cũng biết rằng chúng ta có thể không đoán đúng mọi lúc. Có lẽ có điều gì đó không đúng.

Những trường hợp đó là những trường hợp chúng ta biết. Hầu hết các trường hợp của định kiến vô thức, theo định nghĩa, chúng ta không biết rằng mình có, phải không? Đó là ý nghĩa của việc chúng vô thức. Và vì vậy, chúng ta đều bị hạn chế bởi những gì chúng ta đã trải qua và có thể quan sát được về trải nghiệm đó. Đó chỉ là một phần của việc làm người.

LG: Vậy điều gì sẽ xảy ra khi chúng ta đạt đến một điểm nơi các công cụ và nền tảng viết bổ sung đang thay đổi ngôn ngữ của chúng ta một cách sao cho nhiều ngôn ngữ của chúng ta đều trông giống nhau? Tôi viết điều giống như đồng nghiệp Boone của tôi, mà biên tập viên Mike của tôi cũng đang viết. Điều gì sẽ xảy ra khi những sự sửa đổi từ từ khiến chúng ta tất cả trông giống nhau trong những sáng tạo của chúng ta?

KS: Thực sự, bạn là một nhà văn. Vì vậy, hãy để tôi hỏi bạn nếu bạn sẽ làm gì trong tình huống đó.

LG: Vâng, tôi là một nhà văn. Vì vậy, ở một số khía cạnh, Textio khiến tôi sợ hãi và hạnh phúc. Tôi không muốn nó lấy việc của tôi. Nhưng đồng thời, có vẻ như nó có thể là một công cụ rất hữu ích. Vì vậy, tôi đoán nếu, hãy nói...

KS: Quên Textio đi.

LG: Được.

KS: Bạn làm gì ngay bây giờ? Nếu bạn nhận ra rằng các nhà văn công nghệ đang viết cách tương tự về những chủ đề tương tự, bạn làm gì? Bạn là một nhà văn.

LG: Tôi điều chỉnh. Tôi điều chỉnh sản phẩm của chính mình. Và tôi thực sự làm điều đó rất nhiều. Ở Mytour, chúng tôi rất nhạy bén với những gì chúng tôi gọi là những tiếng vang. Nếu bạn sử dụng cùng một từ lặp đi lặp lại trong bản sao.

Và, "Hạn sự đầy đủ", tôi đang đặt ra một từ ngay bây giờ. Nhưng, "Bạn đã nói từ đó ba lần trong bản sao của bạn. Hãy quay lại và thay đổi hai cái," đúng không? Vì vậy, bạn chỉ có một trường hợp.

Vậy nếu tôi đang đọc một loạt bài viết và nhận ra, "Hửm, chúng ta đang bắt đầu lặp lại lẫn nhau một cách nào đó." Tôi có lẽ sẽ cố tạo ra cách diễn đạt duy nhất hoặc khác biệt.

KS: Đó là điều mà những nhà văn xuất sắc làm. Dù mọi người hội tụ vào một giọng điệu vì họ đang sử dụng phần mềm hay không, những nhà văn xuất sắc luôn tìm ra cách để nghe khác biệt. Khi mọi người bắt đầu sử dụng "big data," có người nhận ra rằng "trí tuệ nhân tạo" là tiếp theo. Và khi mọi người đều sử dụng "trí tuệ nhân tạo," có người nhận ra rằng "vòng lặp học" là tiếp theo.

Và đó là cách ngôn ngữ phát triển. Đó không phải là một hệ thống tĩnh lặng. Chúng ta không nói giống như cha mẹ chúng ta nói hay những người cha mẹ của họ nói, hoặc chắc chắn là cách mọi người nói một trăm năm trước. Đó không phải là cách chúng ta nói hôm nay. Chúng ta sử dụng từ ngữ khác nhau. Chúng ta kết hợp từ ngữ theo cách khác nhau. Những âm thanh chúng ta sử dụng đã thay đổi theo thời gian.

Vì vậy, hệ thống tiếp tục di chuyển. Vì thậm chí nếu bạn có phần mềm hướng dẫn mọi người, ở một số trường hợp, nơi họ là một phần của cùng một tổ chức đến một giọng điệu thống nhất nào đó, những nhà văn xuất sắc luôn tìm ra cách để làm cho nó khác biệt. Và vì vậy, điều quan trọng tại Textio là chúng tôi nhìn vào những nhà văn mà họ có đạt thành công nhất trên nền tảng. Và chúng tôi xem xét những mô hình họ có vẻ đang đổi mới trước khi toàn bộ hệ thống nắm bắt được điều đó.

Ví dụ đơn giản, trong trường hợp các bài đăng công việc trong năm qua, các bài đăng công việc thành công đã trở nên ngắn gọn hơn. Họ đã giảm khoảng một trăm từ. OK? Và Textio biết điều đó sẽ xảy ra rất sớm. Và không phải vì nó xuất hiện trong bộ dữ liệu phổ quát của chúng tôi, mà là vì mô hình xuất hiện trong văn bản của những người viết có điểm cao nhất trên nền tảng. Và vì vậy, những nhà văn xuất sắc luôn tìm ra cách để nổi bật, để đẩy hệ thống tiến lên theo những cách rất lớn hoặc rất nhỏ.

LG: Có khả năng công nghệ của bạn hoạt động theo chiều ngược lại không? Thay vì phần mềm được áp dụng khi ai đó đang soạn một văn bản, công nghệ thực sự đang đọc một cái gì đó đã được viết. Có thể là phản hồi đến. Và điều đó mở ra một hộp sọ khác hoàn toàn, phải không? Khi bạn đang hiệu đính ứng viên một cách hiệu quả cho các công việc, liệu phần mềm của bạn có thể hoạt động theo cách đó không?

KS: Vì vậy, ở cấp độ nền tảng ngôn ngữ, Textio và bất kỳ nền tảng nào được xây dựng tương tự sẽ có thể thích ứng với bất kỳ loại văn bản nào có kết quả đính kèm. Phần kết quả quan trọng thực sự. Ngược lại, bạn chỉ trở thành một bộ xử lý từ ngữ tổng quát và bạn mất đi sức mạnh dự đoán của phần mềm có thể làm gì. Nhưng tất cả đều về nơi nào là cơ hội ảnh hưởng cao nhất để giúp mọi người diễn đạt ý của họ mà không phải đoán. Đặt bước chân tốt nhất của họ.

Vì vậy, một kịch bản hoàn toàn khả thi sẽ là giúp người tìm việc đặt bước chân tốt nhất của họ trong một đơn xin việc. Và nhân tiện, đó là một kịch bản mà nhiều công ty đối tác của chúng tôi đều rất quan tâm đến việc chúng tôi có thể kích hoạt. Bởi vì họ cũng muốn người tìm việc mạnh mẽ để tuyển dụng.

Và không phải mọi công việc, khả năng viết sơ yếu lý lịch hoặc lá thư xin việc của bạn có liên quan gì đến đạt được đủ điều kiện cho công việc của bạn. Vì vậy, nếu bạn có thể giúp mọi người đặt bước chân tốt nhất của họ, nó sẽ giúp những người lọc hiểu rõ những kỹ năng thực sự có thể áp dụng. Tôi nghĩ có khả năng trở nên rất có đạo đức cho cả việc tuyển dụng và người cố gắng được tuyển.

LG: Vì vậy, điều thú vị là, và tôi biết rằng trước đây chúng ta đã nói về cách bạn gọi đó là một nền tảng viết tăng cường, không phải là một nền tảng viết trí tuệ nhân tạo. Nhưng tôi nghĩ nhiều người đang nghe, "OK, trí tuệ nhân tạo. Đây chắc chắn là một loại trí tuệ nhân tạo được áp dụng ở đây đối với một trải nghiệm rất con người."

Điều thú vị là bạn đang sử dụng trí tuệ nhân tạo theo một cách để chống lại những định kiến mà nhanh chóng xâm nhập vào văn bản của chúng ta. Trong khi trí tuệ nhân tạo chính nó đã được biết đến có những định kiến vì con người đang xây dựng dữ liệu và đưa dữ liệu này vào trí tuệ nhân tạo. Vì vậy, tôi đoán, bạn lo lắng như thế nào về phần mềm của mình có khả năng hấp thụ định kiến khi nó được triển khai để chống lại định kiến trong quá trình tuyển dụng?

KS: Đó là điều chúng tôi suy nghĩ liên tục. Tôi không biết bạn có nhớ không, có lẽ cách đây khoảng một năm và nửa, Amazon gặp rắc rối khi cố gắng xây dựng phần mềm tuyển dụng tự động phù hợp ứng viên của họ với vị trí mở của họ. Họ cố gắng xây dựng nó chỉ để sử dụng nội bộ. Và điều xảy ra chính là bạn mong đợi, đó là phần mềm lặp lại chính xác các định kiến đã xuất hiện trong mô hình tuyển dụng của họ trong thập kỷ trước đó. Đúng không?

Vì vậy, nếu những vai trò cụ thể thường được đàn ông, người da trắng hoặc người trẻ đổ vào, phần mềm sẽ chọn nam và người da trắng và người trẻ cho những vai trò đó. Và tất nhiên, đó là một vấn đề lớn. Điều này hoàn toàn không phải là những gì họ dự kiến khi thiết kế nó. Và vì vậy, khi chúng tôi nghĩ về điều đó tại Textio, quan trọng là dữ liệu của mọi người có thể được ẩn danh và tổng hợp để bạn có thể xem nó ở cấp tổ chức.

Nhưng cũng, ở cấp ngành, cấp địa lý và cấp vai trò. Và nhiều cách để chia nhỏ và phân loại nó. Đó không phải là một giải pháp hoàn hảo. Vì vậy, tôi sẽ nói như các ngành, địa lý và vai trò cũng có định kiến. Nhưng mức bạn có thể làm cho bộ dữ liệu có liên quan và nhiều khía cạnh ... mảnh vỡ bạn có thể bao phủ, bạn càng có khả năng giảm thiểu định kiến có thể có trong bộ dữ liệu.

Và sau đó, tất nhiên, thực tế rằng nó dựa trên kết quả, một lần nữa, có nghĩa là bạn có cơ hội học nhanh chóng. Và khi chúng tôi nói về hàng chục triệu tài liệu mỗi tháng đang đến vào hệ thống với kết quả, bạn có thể thấy khá nhanh chóng nếu bạn truyền tải các mô hình đang thúc đẩy cùng loại định kiến, và bạn có cơ hội phát hiện điều đó. Điều này khác biệt, một lần nữa, so với một hệ thống trí tuệ nhân tạo chỉ đang đưa ra dự đoán. Hoặc đưa ra dự đoán, đo lường vòng phản hồi, và sau đó đưa ra hướng dẫn khác nhau dựa trên điều gì xảy ra.

LG: Liệu bạn có sử dụng bất kỳ dữ liệu bên thứ ba hoặc bên ngoài nào để xây dựng công nghệ của mình không?

KS: Chúng tôi thực sự không sử dụng dữ liệu bên ngoài. Chúng tôi nhất định có những nơi trong hệ thống nơi chúng tôi sử dụng thư viện bên ngoài cho những thứ chúng tôi nghĩ là các thành phần của trải nghiệm dữ liệu. Điều này có thể là những thứ như trình phân tích hoặc kiểm tra chính tả, đúng không? Những trải nghiệm được hỗ trợ bởi dữ liệu này không phải là phần quan trọng nhất của Textio.

Và có một số thành phần rất tốt ... Tôi nghĩ về chúng như là các thành phần rất thông thường ngày nay trong ngành. Vì vậy, ở những nơi đó, nơi chúng tôi đóng góp vào mã nguồn mở, chúng tôi sử dụng các thành phần một cách tích cực. Nhưng đối với những phần làm nền cho công cụ dữ liệu cốt lõi của Textio, đó là dữ liệu của Textio.

LG: Chúng tôi sẽ nghỉ ngơi một chút nữa ở đây. Và khi chúng tôi quay lại, chúng tôi sẽ kết thúc cuộc trò chuyện với Kieran.

[Nghỉ]

LG: Vậy bạn có thể giải thích thêm một chút khi bạn nói rằng bạn đang xem xét rất kỹ dữ liệu liên quan đến các yếu tố như địa lý không? Vị trí và những điều tương tự. Và thông qua việc làm đó, bạn hy vọng ngăn chặn độ chệch lệch. Hãy giải thích điều đó một chút cho những người không phải là chuyên gia AI và đang cố gắng hiểu cách bạn thực sự ngăn chặn độ chệch lệch từ việc xâm phạm vào công nghệ. Làm thế nào nó hoạt động?

KS: Tôi có một số ví dụ về địa lý. Nhưng hãy bắt đầu với một ví dụ về ngành công nghiệp, vì tôi nghĩ nó sẽ giúp mọi người hiểu rõ hơn về phần độ chệch lệch. Tôi nghĩ chúng ta đều biết rằng ngành công nghiệp công nghệ đang gặp vấn đề về đa dạng và tính bao gồm đã nhận được nhiều sự chú ý trong thập kỷ qua, đặc biệt là trong thời kỳ gần đây. Tuy nhiên, một số công ty đang làm tốt hơn trong công việc này so với các công ty khác, phải không? Vì vậy, nếu bạn nhìn vào các công ty công nghệ IPO gần đây, bạn xem một Atlassian hoặc xem một Slack, họ đang làm tốt hơn. Không hoàn hảo, nhưng tốt hơn so với một số tổ chức lớn và già cỗi.

Và ngay cả trong những tổ chức cũ hơn, bạn có thể so sánh một Microsoft so với một Cisco. Và Cisco hiện đang là tổ chức đa dạng nhất kể từ năm 2000 đến nay, đúng không? Vì vậy có sự biến động lớn về tổ chức cá nhân về cách họ thành công trong việc giải quyết vấn đề của họ. Vì vậy, nếu bạn muốn giúp một công ty có vấn đề về độ chệch lệch nặng, họ có thể làm tốt hơn nếu họ có thể học từ kết quả đã giúp các công ty khác thành công hơn trong việc thu hút một đội ngũ đa dạng.

Một điều tuyệt vời khi làm việc với các nhà lãnh đạo về nhân sự hoặc đa dạng và bao gồm là họ rất tin tưởng vào giả thuyết rằng nước đại dương nâng cao tất cả các con thuyền, đúng không? Nếu tôi là một người lãnh đạo về đa dạng và bao gồm, tôi có một công việc khó khăn. Và nếu bạn đang thành công ở công ty bạn, thay vì cảm thấy bị đe dọa bởi điều đó, tôi có thể là khá phấn khích, bởi vì điều đó có nghĩa là chúng ta đang cùng nhau làm việc để tạo ra sự thay đổi trong bối cảnh của một ngành.

LG: Cảm nhận của các công ty mà bạn hợp tác và bán phần mềm của bạn về việc một số công nghệ mà họ đang sử dụng thực sự được cung cấp từ dữ liệu của các công ty công nghệ khác thì sao?

KS: Tôi nghĩ nói chung là rất tích cực. Và tôi nghĩ mọi người nhìn nhận đó là một cơ hội lớn. Bởi khi chúng ta làm việc trong công nghệ, chúng ta hiểu rằng một bộ dữ liệu rộng lớn hơn là một bộ dữ liệu mạnh mẽ hơn. Họ không nhìn thấy kết quả từ các công ty khác.

Họ thậm chí không nhất thiết nhìn thấy các mô hình đặc biệt từ các công ty khác. Nhưng khi nói, "Hãy thay thế 'tương hỗ' bằng 'căn cứ' khi bạn viết trong Textio," sự thực là nó được rút ra từ một bộ dữ liệu lớn hơn là một tài sản.

Tôi sẽ hỏi bạn, bạn có phản đối khi nhận được hướng dẫn tốt hơn trong Waze vì những người lái xe khác trên đường đang đóng góp tọa độ của họ không? Nó rất giống nhau về cách mọi người nhìn nhận. Đây là một thắng-lợi chung.

LG: Thú vị đấy. Một trong những câu hỏi chúng tôi đặt ra suốt hội nghị là... vì chủ đề của hội nghị là hành động nhanh chóng và sửa các vấn đề, không phải là làm hỏng mọi thứ. Và tôi biết rằng Textio chắc chắn đang cố gắng sửa chữa mọi thứ một cách nào đó. Bạn cảm thấy lạc quan như thế nào về công nghệ, ngành công nghiệp công nghệ và tương lai của công nghệ? Đặc biệt là đối với những gì bạn đang xây dựng?

KS: Vì vậy, tôi có một góc nhìn rất thiên lệch về câu hỏi này vì tôi nhìn vào công ty của mình, phải không? Vì vậy, tôi đang tạo phần mềm để giúp các công ty, nhưng tôi cũng là người sáng lập và lãnh đạo một công ty, phải không? Công ty của chúng tôi có đa dạng về giới tính nam giới, bao gồm cả ở bộ phận kỹ thuật. 30 phần trăm là người da đen và Latinx. Hơn 25 phần trăm xác định là LGBTQ. Chúng tôi không giống như các công ty công nghệ khác. Ban giám đốc của chúng tôi có hơn một nửa là phụ nữ. Đội ngũ lãnh đạo của chúng tôi có một nửa là phụ nữ. Chúng tôi đơn giản là không giống như các công ty khác.

Và điều đó nói với tôi rằng nó có thể thực hiện được. Và chúng tôi không còn là 10 người nữa, đúng không? Điều lớn lên, các mô hình này trở nên thú vị hơn, và bạn phát triển danh tiếng như một nơi mà mọi người có thể mang toàn bộ bản thân đến làm việc. Chúng tôi không phải là công ty duy nhất có vẻ khác biệt so với ngành công nghiệp trước đó.

Và nó quá dễ để bỏ qua điều đó, bởi vì có nhiều tổ chức có vẻ giống như các công ty đã trông như vậy trong 10 hoặc 15 năm qua, nhưng ngày càng ít đúng. Vì vậy, tôi rất lạc quan về ngành công nghiệp này, bởi vì tôi đã có thể xây dựng một công ty có vẻ giống như một công ty hiện đại nên trông như thế nào vào năm 2019.

LG: Kieran, Tôi nghĩ thời gian của chúng ta đã hết rồi. Nhưng cảm ơn bạn rất nhiều vì đã tham gia cùng tôi trong podcast Gadget Lab.

KS: Cảm ơn bạn.

LG: ... và vì những câu trả lời sáng tạo của bạn. Cũng như cảm ơn tất cả mọi người đã tham gia cùng chúng tôi.

KS: Vâng.

[Âm nhạc]

LG: Được rồi. Đóng gói cuộc trò chuyện của tôi với Kieran Snyder từ Textio. Chúng tôi rất biết ơn vì cô ấy đã tham gia Hội nghị Mytour 25 vào cuối năm ngoái. Và cảm ơn tất cả các bạn đã lắng nghe. Nếu bạn có phản hồi, bạn có thể tìm thấy chúng tôi trên Twitter. Chỉ cần kiểm tra các ghi chú của chương trình. Chương trình của chúng tôi do Boone Ashworth sản xuất. Giám đốc sản xuất tư vấn của chúng tôi là Alex Kapelman. Và chúng tôi sẽ trở lại tuần tới với đội ngũ diễn viên thường xuyên của chúng tôi.

[Nhạc kết thúc]

Những bài viết tuyệt vời khác từ Mytour

• Bí mật trong quyển sổ tay đã mất của Mark Zuckerberg
• Cách kích hoạt chế độ tối trên tất cả ứng dụng và thiết bị của bạn
• Hỏi Know-It-Alls: Coronavirus là gì?
• “Snarge” của chim đe dọa hàng không
• Chúng ta cần phải nói về “trung lập đám mây”
• 👁 Lịch sử bí mật của công nghệ nhận diện khuôn mặt. Ngoài ra, tin tức mới nhất về Trí tuệ Nhân tạo
• 💻 Nâng cấp trò chơi làm việc của bạn với các laptop, bàn phím, phương thức nhập liệu và tai nghe chống ồn mà đội Gear yêu thích