Làm thế nào Machine Learning có thể giúp loại bỏ Thiên Vị trong Tuyển Dụng

Nhiều công ty cho biết họ muốn đa dạng hóa lực lượng lao động của họ. Nhưng ít hơn nhiều trong số họ đã thành công trong việc làm điều này, ngay cả khi họ đang cố gắng chân thành. Và một trong những rào cản đầu tiên có thể đến trước khi bất kỳ ứng viên nào được phỏng vấn: Ngôn ngữ được sử dụng trong email tuyển dụng hoặc thông tin công việc thường chứa đựng các định kiến vô thức - các cụm từ như "thỏa thuận của quý ông" hoặc thậm chí là "ninja" có thể cản trở phụ nữ hoặc những người da màu từ việc nộp đơn ứng tuyển 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 Textio cho biết họ đang sử dụng machine learning để giúp loại bỏ những định kiến đó ngay trong thời gian thực, bằng cách thay đổi việc viết của các quản lý tuyển dụng đang soạn các thông tin tuyển dụng.

Tuần này trên Gadget Lab, Phóng viên cấp cao của MYTOUR, Lauren Goode trò chuyện cùng CEO của Textio, Kieran Snyder về cách hoạt động của phần mềm, cách theo dõi mẫu ngôn ngữ theo thời gian có thể tiết lộ những hiểu biết sâu sắc về cách chúng ta nhìn thế giới, và cách phần mềm viết bổ sung này có thể được sử dụng trong các ứng dụng vượt ra ngoài thông tin tuyển dụng.

Đọc thêm về Textio tại đây. Kiểm tra các cuộc trò chuyện khác từ MYTOUR25 ở đây.

Lauren Goode có thể được tìm thấy trên Twitter @LaurenGoode. Michael Calore là @snackfight. Liên hệ với đường dây 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). Nhạc nền của chúng tôi là của Solar Keys.

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 Podcasts, hoặc chỉ cần chạm vào đường liên kết này. Bạn cũng có thể tải xuống 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 chạm vào đây. Chúng tôi cũng có trên Spotify. Và nếu bạn thực sự cần, đây là RSS feed.

Lauren Goode: Chào, tôi là Lauren Goode, cộng tác viên của podcast Gadget Lab của MYTOUR. 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 viết của bạn khi bạn đang viết những điều để loại bỏ định kiến. 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 sẽ xảy ra nếu công nghệ được thiết kế để loại bỏ định kiến lại có định kiến?

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

Kieran là người đồng sáng lập và CEO của Textio, một công ty khởi nghiệp đặt trụ sở tại Seattle đã tạo ra những gì Snyder gọi là một nền tảng viết bổ sung. Và nó rất hấp dẫn. Chúng tôi đã nói nhiều về cách Textio hoạt động, những từ và cụm từ có định kiến mà bạn có thể thậm chí không nhận ra rằng có định kiến, và cách cô ấy hình dung Textio sẽ được sử dụng rộng rãi hơn trong nơi làm việc. Được rồi, không còn thêm nữa, đây là Kieran Snyder từ Textio.

Thông Báo: Xin mời Kieran Snyder tham gia cuộc trò chuyện cùng Lauren Goode của MYTOUR.

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

Kieran Snyder: Cảm ơn bạn đã mời tôi.

LG: Một lời giới thiệu ngắn gọn về Kieran. Kieran là người đồng sáng lập và CEO của Textio, mà chúng tôi sẽ nói tất cả về. Và trước đó, bạn đã làm giám đốc chương trình tại Microsoft trong gần một thập kỷ. Phải không?

KS: Gần đúng thôi.

LG: Gần đúng thôi. Và cô ấy cũng có bằng Tiến sĩ về ngôn ngữ học và khoa học nhận thức. Theo mọi định nghĩa, cô ấy là một chuyên gia ngôn ngữ học. Và chúng ta sẽ nói về điều đó nữa.

Và tôi biết đối với một số bạn đã tham gia các buổi ghi âm podcast trước đó, bạn có ý thức rằng bên cạnh đây đang diễn ra một sự kiện giống như một lễ hội trẻ em, nhờ Google. Và vì vậy, có thể bạn sẽ nghe thấy tiếng ồn khi trẻ em xả hết sự tức giận lên robot và những thứ tương tự.

Nhưng đó chính là điều chúng tôi thích trên podcast Gadget Lab. Nó chỉ làm tăng thêm không khí. Vì vậy, cảm ơn bạn đã kiên nhẫn khi chúng tôi đối mặt với tiếng ồn. Và 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. Vì vậy, câu hỏi tiếp theo là, một nền tảng viết tăng cường là gì, phải không? Hãy nghĩ về nó như một trình xử lý từ vựng được thiết kế để cho bạn biết ai sẽ phản hồi với những gì bạn đang viết. Vì dựa trên các mẫu ngôn ngữ bạn sử dụng, bạn có thể tạo ấn tượng 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 cách để có được những người đủ năng lực nhất nộp đơn. Hoặc có thể bạn đang viết một tin nhắn cho đồng nghiệp và bạn đang cố gắng tìm cách để họ tham gia mà không loại trừ. Nhưng đó chính là Textio.

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

KS: Hiện nay, chúng tôi bán cho doanh nghiệp, thường là các nhà lãnh đạo. Vì vậy, những người liên quan đến tuyển dụng, giao tiếp nội bộ hoặc nhân sự. Nhưng chúng tôi luôn hướng đến các doanh nghiệp, các công ty có mọi quy mô.

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

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

LG: Tôi nghĩ việc mô tả cho khán giả đang diễn ra gì khi họ sử dụng phần mềm của Textio sẽ hữu ích. Vậy bạn đang ở trong nền tảng viết bổ sung này. Và một trong những ví dụ mà chúng ta đã nói trước đó, vì Kieran cũng xuất hiện trong một số của MYTOUR trong năm nay, là bạn là một quản lý tuyển dụng hoặc người tuyển dụng và bạn đang gõ và 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. Phải không? Đúng.

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

KS: Đúng vậy. Bạn là một nhà văn, có lẽ điều này không bao giờ xảy ra với bạn, nhưng hãy nghĩ về lần cuối cùng bạn phải viết một email nhạy cảm, một bài viết giao tiếp rất nhạy cảm. Và bạn biết trước khi nhấn Gửi rằng nó có chút rủi ro. Và nếu bạn giống như những người khác, trong tình huống đó, bạn có thể đã yêu cầu một người bạn tin tưởng đọc qua trước khi bạn gửi nó, phải không? Và có thể họ sẽ nhận ra điều gì đó về cách nó sẽ được hiểu, và có thể nếu họ bắt được điều gì đó bạn sẽ thay đổi một chút và bạn sẽ nhấn Gửi và bạn sẽ không gặp rắc rối. Đúng không?

Textio giống như 500 triệu ý kiến thứ hai đó. Vì vậy, khi bạn 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 bạn. Và vì vậy, bạn đang nhận được gợi ý, bạn đang nhận được các mẫu ngôn ngữ được thúc đẩy cho bạn mà sẽ hoạt động tốt trong tình huống của bạn. Vì vậy, nếu bạn đang nói "ninja" trong ngữ cảnh của một tài liệu tuyển dụng, bạn có khả năng thống kê rất cao chỉ thu hút những người xác định là nam giới cho vai trò đó, đúng không?

Vì vậy, chúng tôi thường thấy những mẫu này. Một trong những ví dụ yêu thích của chúng tôi đến từ một trong các trường đại học tôi từng học. Amazon sử dụng từ "maniacal" trên trang tuyển dụng của họ nhiều hơn 11 lần so với cả ngành công nghệ còn lại. Và tôi đảm bảo rằng không có ai ở bộ phận nhân sự của Amazon đang nói với mọi người mô tả nơi làm việc như maniacal. Nhưng khi họ làm vậy, thống kê, nó thay đổi nguồn ứng cử viên của họ. Và khi tất cả chúng ta nghe điều đó, không ai trong chúng ta có chút ngạc nhiên nào phải không? Bởi vì khi bạn có hàng ngàn người sử dụng một mẫu chung, điều đó tiết lộ điều gì đó sâu sắc về văn hóa.

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

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

LG: Vì vậy, bạn nói rằng phần mềm đang so sánh tài liệu bạn đang làm việc trên lúc đó trong 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 mà Textio đã đo lường tỷ lệ phản hồi trong quá khứ.

LG: Và những tài liệu đó đều là tài liệu của Textio? Hoặc bạn đã lấy dữ liệu đó từ nơi khác?

KS: Đó là những tài liệu của Textio. Vì vậy, chúng là tất cả các tài liệu trong luồng dữ liệu và bộ dữ liệu đào tạo của chúng tôi. Và khi tôi viết, không phải tất cả 600 triệu đều liên quan đến điều tôi đang viết. Vì vậy, Textio loại bỏ và phân tích các tập dữ liệu để bạn nhận được bộ dữ liệu phù hợp nhất. Ví dụ, nếu tôi đang tuyển dụng một kỹ sư ở San Francisco, tôi có một bộ so sánh rất khác biệt so với khi tôi đang tuyển dụng một kế toán ở New York.

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

KS: Vì vậy, tôi sẽ phân loại nó một chút khác. Tất cả Textio đều là trải nghiệm viết thời gian thực. Nhưng trong bất kỳ nền tảng vòng học nào — và chúng tôi nghĩ về Textio như một nền tảng vòng học — điều này có nghĩa là khi bạn sử dụng nó, bạn đang làm cho hệ thống thông minh hơn cho mọi người đang sử dụng nó — tôi nghĩ có ba phần quan trọng.

Phần đầu tiên liên quan đến việc dự đoán điều gì sẽ xảy ra, phải không? Vì vậy, khi bạn viết, liệu Textio có thể dự đoán ai sẽ tham gia? Phần thứ hai là đưa ra gợi ý thay đổi điều gì đó bạn vừa gõ. Và nói, "Ồ, thực sự, thay vì từ 'quản lý' trong ngữ cảnh này, có thể sử dụng từ 'lãnh đạo,' hoặc 'chạy,' hoặc 'xử lý,' vì bạn có một tác động khác nhau."

Và cái 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 với 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 ưa thích của tôi là cách bạn nhận ra rằng big data đã kết thúc. Rằng việc người ta nói "big data" trong một bài đăng việc là cách cách nay đã năm năm trước. Đó đã có khoảnh khắc của nó, nhưng giờ đây nó được xem là cũ kỹ một chút.

KS: Đúng vậy. Và điều tương tự đang diễn ra với Trí tuệ Nhân tạo (AI). Vì thực tế, khi chúng tôi bắt đầu công ty, khoảng năm năm trước, điều này diễn ra ngay khi mẫu ngôn ngữ "big data" đang suy giảm. Vì vậy, nếu bạn quay lại có lẽ sáu hoặc bảy năm trước, nếu bạn mô tả công việc của mình liên quan đến big data trong ngữ cảnh của một bài mô tả công việc, hoặc thậm chí là một startup mà bạn đang cố gắng huy động vốn, nó thực sự, thực sự phổ biến.

Nếu bạn sử dụng nó trong ngữ cảnh tuyển dụng, bạn sẽ thu hút nhiều người ứng tuyển hơn. Bạn thu hút được nhiều người có trình độ ứng tuyển hơn. Đó là một thuật ngữ rất hot vào thời điểm đó. Và điều xảy ra với bất kỳ điều gì trong marketing trở nên phổ biến là mọi người sao chép nó. Và khi mọi người sao chép nó, nó trở nên quá phổ biến đến mức mất đi tác động phân biệt mà nó 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 diễn đạt rất trite. Và vì vậy, ngày nay, nếu bạn sử dụng "big data" trong ngữ cảnh tuyển dụng, công việc sẽ mất nhiều thời gian hơn để tuyển dụng, bởi vì ít người sẽ ứng tuyển. Và điều tương tự đang xảy ra với "Trí tuệ Nhân tạo" ngày nay. Nó đã rõ ràng đạt đến điểm bão hòa và bắt đầu suy giảm.

LG: Vì một số cách, bạn đang sử dụng Trí tuệ Nhân tạo để xác định rằng cụm từ AI có thể đã trở nên lỗi thời.

KS: Đúng vậy. Tôi nghĩ chúng ta đang sử dụng vòng lặp học tập.

LG: Đúng vậy. Vòng lặp học tập.

KS: Có lẽ đó là điều tiếp theo.

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

KS: Đúng vậy, tất cả chúng ta đều là 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 nơi làm việc là khá mơ hồ. Vì vậy, khi chúng ta nói về vòng lặp học tập, tôi chỉ muốn lưu ý rằng trong cuộc sống cá nhân 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 cơ bản là nguyên tắc giống nhau, đúng không?

Bạn đang chia sẻ tọa độ của mình với phần mềm và cũng như mọi người khác trên đường. Và do đó, chúng ta đều đến nơi đích nhanh hơn một chút. Hoặc khi bạn cố gắng nghe nhạc trên Spotify và bạn nhận được những đề xuất từ những người có các mẫu hành vi khá giống bạn. Vì vậy, công nghệ vòng lặp học tập đã xuất hiện từ lâu trong cuộc sống tiêu dùng của chúng ta. Và tôi nghĩ trong ba đến bốn năm gần đây, chúng ta ngày càng mong đợi được tăng cường trong công việc. Viết chỉ là một lĩnh vực.

LG: Vậy tôi nghĩ tôi sẽ hỏi lại. Bạn có kế hoạch ra mắt phiên bản dành cho người tiêu dùng của phần mềm của bạn không?

KS: Có thể. Hiện tại, có quá nhiều lĩnh vực trong doanh nghiệp có ảnh hưởng rất lớn đối với doanh nghiệp. Chúng tôi bắt đầu từ việc tuyển dụng vì mỗi doanh nghiệp thực sự bị ảnh hưởng chủ yếu bởi người lựa chọn làm việc tại đó. Đó là điều quyết định sự thành công hoặc thất bại của doanh nghiệp. Nhưng nếu bạn nghĩ về tất cả những nơi bạn viết ở nơi làm việc, dù bạn đang tạo phần mềm như chúng tôi tại công ty của chúng tôi hay bạn đang làm áo thun, điều bạn thực sự có lẽ tạo ra nhiều nhất hàng ngày đó là từ ngữ.

Và cơ hội trong một doanh nghiệp thật sự là điều rất thú vị, các công ty thực sự có giọng điệu và văn hóa hiện ra trong ngôn ngữ họ sử dụng. Vì vậy, việc Uber sử dụng cụm từ "làm bất cứ điều gì cần thiết" nhiều như 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 hành vi văn hóa, khi bạn nhìn vào các tổ chức lớn, rất thú vị từ góc độ ngôn ngữ. Vì vậy, hiện tại chúng tôi đang rất tập trung vào đó.

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 bộ ứng dụng sản xuất rất phổ biến của họ? Khi tôi ở Microsoft vào đầu năm nay, và họ đang cập nhật một số tính năng 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 điều chỉnh viết của bạn. Khi một số từ cụ thể được ghi chú là những từ như nếu bạn viết rằng bạn đang ký một "thỏa thuận của quý ông", phần mềm thực tế có thể ghi chú đó và nói rằng, "Đây không phải là viết bao dung. Đây là một đề xuất khác." Hoặc nếu bạn nói "nội trợ", nó sẽ sửa đổi và nói, "Tại sao không dùng từ 'người chăm sóc nhà', vì nó không có giới tính."

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 để bạn duy trì sự cạnh tranh và phân biệt khi bạn biết rằng tất cả những người thông minh này đều đang làm việc trên những công cụ tại Google và Microsoft?

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

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

Những điều này hoàn toàn không cho bạn biết ai sẽ phản hồi, vì bạn không thể xây dựng một mô hình dựa trên phản hồi 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, điều này thực sự liên quan đến ai đang phản hồi bạn. Có một vòng phản hồi có thể được đo lường. Bộ xử lý từ ngữ rộng lớn không có loại vòng phản hồi đó.

LG: Thú vị.

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

Trong chương trình của bạn, bạn nói rằng một trong những điểm khác biệt của bạn là bạn có thể đo lường hiệu quả? Dự án mà ai đó đang làm việc trên phần mềm của bạn là có thể hành động, có điều gì đó phải ... người đó phải phản ứng với việc đăng tin tuyển dụng. Không giống như việc viết một bài nhập nhật ký trong Microsoft Word mà không ai sẽ thấy. Hoặc một bản nháp khác có thể không có tác động.

Đúng vậy đó. 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 thông số kỹ thuật. Bạn sử dụng nó để viết bài viết. Bạn sử dụng nó để viết tất cả các loại thứ khác nhau. Và không rõ ràng trong toàn bộ tập hợp đó, bạn sẽ đo lường vòng lặp phản hồi loại gì thậm chí.

Đó là một điều rất quý giá khi có một trình xử lý từ khóa rộng, nhưng đó là một loại khác. Thực ra, tôi thấy các tính năng của Microsoft Word cạnh tranh nhiều hơn với như Grammarly, mà cũng là về các quy tắc nông cạn hoạt động trên tất cả các loại thứ bạn đang viết. Thay vì cái gì đó mà làm mạnh mẽ việc viết của bạn cho một tình huống cụ thể.

Chúng ta sẽ nghỉ ngơi nhanh ở đây. Nhưng hãy tiếp tục theo dõi phần còn lại của cuộc trò chuyện với Kieran Snyder từ Textio.

[Tạm nghỉ]

LG: Tại sao con người cần phần mềm này? Tại sao chúng ta không thể chỉ... Sau khi làm việc trên một vài bản nháp hoặc học một bài học qua thời gian, chúng ta đã đăng rất nhiều bài đăng tuyển dụng và không nhận được phản hồi. Vì vậy, chúng ta chỉnh sửa từ ngữ và hy vọng rằng nó sẽ hiệu quả hơn, đúng không? Chúng ta có khả năng tự học các mẫu mã qua thời gian. Tại sao chúng ta không thể, tôi không biết, tìm hiểu những định kiến của chúng ta trong việc viết? Và cần phải dựa vào phần mềm như thế này?

KS: Tôi nghĩ chúng ta có thể tìm hiểu một số định kiến của chúng ta một cách rất hạn chế. Nhưng chúng ta luôn sẽ bị hạn chế bởi kinh nghiệm mà chúng ta đã có, A, và quan sát, B. Đúng không? Và cơ hội để những quan sát của tôi được tăng cường 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 với tôi, tôi càng kém trong việc đoán xem cái gì sẽ gây ấn tượng hoặc làm xa lánh người khác. Đúng không? Khi chúng ta hỏi người đồng nghiệp tin cậy đó xem xét lời khuyên lần thứ hai, đó là vì chúng ta có niềm tin rằng chúng ta có thể không luôn luôn đoán đúng. Có lẽ có một chút gì đó không đúng.

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

LG: Vậy thì điều gì sẽ xảy ra khi chúng ta đến một điểm mà các công cụ viết được tăng cường và các nền tảng đang thay đổi ngôn ngữ của chúng ta một cách sao cho rất nhiều từ ngữ của chúng ta đều trông giống nhau? Tôi viết điều giống như đồng nghiệp của tôi, Boone, viết, hoặc biên tập viên của tôi, Mike, viết. Điều gì sẽ xảy ra khi các sửa đổi từ ngữ đang làm cho chúng ta trở nên giống nhau trong những nỗ lực sáng tạo của chúng ta?

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

LG: Vâng, tôi là một nhà văn. Vì vậy, ở một số cách, Textio khiến tôi sợ hãi và vui mừng. Tôi không muốn nó lấy đi công việc của tôi. Nhưng vào cùng một thời điểm, nó dường như có thể là một công cụ rất hữu ích. Vì vậy, nếu, chẳng hạn ...

KS: Quên Textio đi.

LG: Được.

KS: Bạn làm gì lúc này? Nếu bạn nhận thấy nhà văn công nghệ đều viết theo cách tương tự về những chủ đề tương tự, bạn sẽ làm gì? Bạn là một nhà văn.

LG: Tôi điều chỉnh. Tôi điều chỉnh sản phẩm của riêng mình. Và thực sự tôi làm điều đó rất nhiều. Ở MYTOUR, chúng tôi rất nhạy cảm với những gì chúng tôi gọi là những tiếng vang. Nếu bạn sử dụng cùng một từ điển điển điển trong bản sao.

Và, "Tốt, bạn đã nói từ 'bão hòa' ba lần." Tôi đang đúc kết một từ ngay bây giờ. Nhưng, "Bạn đã nói điều đó ba lần trong bản sao của bạn. Hãy quay lại và thay đổi hai trong số chúng," đúng không? Vì vậy, bạn chỉ có một trường hợp.

Vì vậy, tôi đoán nếu tôi đang đọc một loạt bài viết và nhận ra, "Ồ, chúng ta đang bắt đầu lặp lại lẫn nhau một cách nào đó." Tôi có thể sẽ cố gắng tạo ra một cách diễn đạt độc đáo hoặc khác biệt.

KS: Và đó là điều mà những nhà văn giỏi làm. Dù mọi người đều có cùng một giọng điệu vì họ đang sử dụng phần mềm hay không, những nhà văn giỏi luôn tìm cách để nghe khác biệt. Khi mọi người bắt đầu sử dụng "dữ liệu lớn," có người nhận ra rằng "trí tuệ nhân tạo" là tiếp theo. Và khi mọi người đều đang sử dụng "trí tuệ nhân tạo," có người nhận ra rằng "vòng lặp học tập" là tiếp theo.

Và đó là cách ngôn ngữ tiến hóa. Đó không phải là một hệ thống tĩnh. Chúng ta không phát âm giống như cha mẹ chúng ta đã phát âm, hoặc cha mẹ của họ, hoặc chắc chắn không giống như cách mà mọi người đã phát âm cách đây một trăm năm. Đó không phải là cách chúng ta phát âm ngày nay. Chúng ta sử dụng từ ngữ khác nhau. Chúng ta kết hợp từ ngữ khác nhau. Các âm thanh mà chúng ta sử dụng đã thay đổi theo thời gian.

Vì vậy, hệ thống tiếp tục di chuyển. Vậy nếu bạn có phần mềm hướng dẫn mọi người, trong một số trường hợp, khi họ là phần của cùng một tổ chức để có một giọng điệu thống nhất nào đó, những nhà văn giỏi luôn tìm cách để phá vỡ điều đó. Và vì vậy, điều đó có nghĩa là phần mềm luôn học từ những gì những nhà văn giỏi đang làm vào bất kỳ thời điểm nào. Và thực tế là điều đó thực sự quan trọng tại Textio, chúng tôi xem xét những nhà văn thành công nhất trên nền tảng. Và chúng tôi xem xét những mô hình mà họ dường như đang đổi mới trước khi hệ thống còn chưa nhận ra điều đó.

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

LG: Có phải công nghệ của bạn có thể hoạt động ngược lại không? Thay vì phần mềm được áp dụng khi ai đó đang soạn thảo một tài liệu, công nghệ thực sự đọc cái gì đó đã được viết sẵn. Có thể là phản hồi đến. Và điều này mở ra một loạt vấn đề khác, phải không? Khi bạn đánh giá ứng viên một cách hiệu quả cho công việc, liệu phần mềm của bạn có thể làm việc theo cách đó không?

KS: Vì vậy, ở mức độ nền tảng ngôn ngữ, Textio và bất kỳ nền tảng nào được xây dựng tương tự sẽ có thể thích nghi với bất kỳ loại văn bản nào có kết quả đi kèm. Phần kết quả là rất quan trọng. Nếu không, bạn chỉ trở thành một trình xử lý từ khóa mục đích chung, và bạn sẽ mất đi sức mạnh dự đoán của phần mềm có thể làm gì. Nhưng tất cả đều về điểm nào là cơ hội ảnh hưởng cao nhất để giúp mọi người diễn đạt ý nghĩa mà không cần đoán. Đặt bước đi tốt nhất của họ.

Một tình huống hoàn toàn khả thi sẽ là giúp người tìm việc thể hiện mình tốt nhất trong một đơn xin việc. Và, nhìn từ góc độ đó, đó là một tình huống mà nhiều công ty đối tác của chúng tôi rất quan tâm và muốn chúng tôi hỗ trợ. Bởi vì họ cũng muốn những người tìm việc mạnh mẽ để họ có thể tuyển dụng.

Và không phải mọi việc, khả năng viết sơ yếu lý lịch hoặc thư xin việc của bạn có liên quan gì đến năng lực làm việc của bạn. Vì vậy nếu bạn có thể giúp mọi người tỏa sáng nhất có thể, điều đó sẽ giúp người đánh giá hiểu rõ những kỹ năng thực sự có thể áp dụng được. Tôi nghĩ có thể có cơ hội để trở nên rất có đạo đức đối với cả người được tuyển dụng và người cố gắng được tuyển dụng.

LG: Và điều thú vị là, tôi biết rằng chúng ta đã trò chuyện trước đây về cách bạn đề cập đến nó như một nền tảng viết tăng cường, không phải là một nền tảng viết trí tuệ nhân tạo. Nhưng tôi nghĩ nhiều người đang nghe, "Ồ, Trí tuệ nhân tạo. Đây chắc chắn là một loại trí tuệ nhân tạo được áp dụng ở đây trong một trải nghiệm rất con người."

Điều thú vị là bạn đang, ở một số cách, sử dụng Trí tuệ nhân tạo để chống lại các định kiến ​​xâm nhập vào việc viết của chúng ta. Trong đó, Trí tuệ nhân tạo chính nó đã được biết đến có định kiến ​​do con người đang tổng hợp 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 riêng bạn có khả năng hấp thụ các định kiến ​​khi nó được triển khai để chống lại các định kiến ​​trong quá trình tuyển dụng?

KS: Đó là điều chúng tôi luôn suy nghĩ. 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 các vị trí tuyển dụng đang mở. Họ đã cố gắng xây dựng nó chỉ để sử dụng nội bộ. Và điều xảy ra chính là điều bạn có thể mong đợi, tức là phần mềm lặp lại những định kiến chính xác đã tồn tại trong mô hình tuyển dụng của họ trong thập kỷ trước đó. Phải không?

Và vì vậy, nếu những vai trò cụ thể thường được nam giới, người da trắng hoặc người trẻ điền vào, phần mềm sẽ chọn nam giới, người da trắng và người trẻ cho những vai trò đó. Và dĩ nhiên, đó là một vấn đề lớn. Điều đó hoàn toàn không phải là ý định khi họ thiết kế nó. Và vì vậy, khi chúng tôi suy nghĩ về điều đó tại Textio, điều quan trọng thực sự 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 công nghiệp, cấp địa lý và cấp vai trò. Và nhiều cách để phân tích dữ liệu. Đó không phải là một giải pháp hoàn hảo. Vì vậy, tôi sẽ nói như ngành công nghiệp, địa lý và vai trò cũng có định kiến. Nhưng càng lớn bạn có thể tạo ra bộ dữ liệu liên quan và càng nhiều khía cạnh ... mặt, bạn càng có khả năng giảm thiểu định kiến có thể tồn tại trong bộ dữ liệu.

Và sau đó, tất nhiên, việc nó dựa trên kết quả lại có nghĩa là bạn có cơ hội học hỏi khá nhanh chóng. Và khi chúng ta nói về hàng chục triệu tài liệu mỗi tháng đến hệ thống với kết quả, bạn có thể thấy khá nhanh nếu bạn truyền bá các mô hình đang thúc đẩy cùng loại định kiến, và bạn có cơ hội phát hiện ra điều đó. Điều đó 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 lặp phản hồi, và sau đó thúc đẩy hướng dẫn khác nhau phản ứng với điều gì xảy ra.

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

KS: Chúng tôi thực sự không sử dụng dữ liệu từ bên ngoài. Chắc chắn có những nơi trong hệ thống mà chúng tôi sử dụng thư viện bên ngoài cho những thứ mà chúng tôi nghĩ là các thành phần của trải nghiệm dữ liệu. Vì vậy, điều này có thể là các thành phần như trình phân tích hoặc bộ kiểm tra chính tả, đúng không? Đây là những trải nghiệm được hỗ trợ bởi dữ liệu không phải là phần phân biệt nhất của Textio.

Và có một số rất tốt ... Tôi nghĩ về chúng như các thành phần rất chung trong ngành hiện nay. Vì vậy, ở những nơi đó, khi chúng tôi đóng góp vào mã nguồn mở, chúng tôi sử dụng các thành phần khá tích cực. Nhưng đối với những phần mà là trung tâm của dữ liệu của Textio, đó là dữ liệu của Textio.

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

[Nghỉ giải lao]

LG: Vậy bạn có thể giải thích thêm một chút khi bạn nói rằng bạn đang nhìn rất kỹ vào dữ liệu về các điều như địa lý? Các địa điểm và những thứ như vậy. Và bằng cách làm như vậy, bạn hy vọng ngăn chặn định kiến. Giải thích điều đó một chút cho những người không phải là chuyên gia Trí tuệ nhân tạo và đang cố gắng hiểu làm thế nào để bạn thực sự ngăn chặn định kiến xâm nhập vào một công nghệ. Làm thế nào điều đó hoạt động?

KS: Tôi có một số ví dụ về địa lý. Nhưng hãy bắt đầu bằng một ví dụ về ngành công nghiệp, vì tôi nghĩ nó sẽ giúp mọi người hiểu rõ hơn về phần định kiến. Tôi nghĩ chúng ta đều biết rằng ngành công nghệ đang gặp vấn đề đa dạng và sự bao gồm đã thu hút nhiều sự chú ý trong thập kỷ qua, đặc biệt là. 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 một số công ty công nghệ mới ra mắt gần đây, bạn nhìn vào một Atlassian hoặc bạn nhìn vào một Slack, họ đang làm tốt hơn. Không hoàn hảo, nhưng tốt hơn so với một số tổ chức lớn cũ.

Và thậm chí trong các tổ chức cũ hơn, bạn có thể so sánh như một Microsoft so với Cisco chẳng hạn. Và Cisco hiện đang là công ty đa dạng nhất kể từ năm 2000, phải không? Vì vậy có sự biến đổi cao trong các tổ chức cá nhân về mức độ thành công của họ trong việc đối phó với các vấn đề của họ. Và vì vậy, nếu bạn muốn giúp một công ty có vấn đề định kiến rất sâu, họ có thể làm tốt hơn nếu họ có thể học hỏi, trong khi họ viết từ những kết quả đã giúp các công ty khác thành công hơn một chút, trong việc thu hút một đường ống đa dạng.

Một trong những điều tuyệt vời khi làm việc với những người lãnh đạo về người hoặc đa dạng và bao gồm là họ rất tin tưởng vào điều rằng một con sóng dâng cao nâng tất cả các thuyền, phải không? Nếu tôi là một người lãnh đạo về đa dạng và bao gồm, tôi có một công việc rất khó khăn. Và nếu bạn đang thành công tại công ty của bạn, thay vì cảm thấy đe dọa bởi điều đó, tôi có thể khá phấn khích với điều đó, bởi vì nó có nghĩa là chúng ta đang cùng nhau làm việc để tạo ra sự thay đổi trong bối cảnh của một ngành công nghiệp. Vì vậy, cơ hội để tổng hợp, chuẩn hóa dữ liệu ẩn danh để các công ty có thể làm tốt hơn với một khía cạnh có thể giúp một công ty khác không làm được, và ngược lại, thường rất hấp dẫn đối với khán giả này.

LG: Các công ty bạn làm việc và bán phần mềm của bạn cảm thấy thế nào về việc một phần công nghệ mà họ đang sử dụng thực sự được cung cấp từ dữ liệu từ các công ty công nghệ khác?

KS: Tôi nghĩ nói chung là khá tích cực. Và tôi nghĩ mọi người nhìn nhận đó là một cơ hội lớn. Bởi vì khi chúng ta làm việc trong công nghệ, chúng ta hiểu rằng một bộ dữ liệu rộng lớn 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 mẫu duy nhất từ các công ty khác. Nhưng khi nói 'Hãy thay thế 'tương hỗ' bằng 'căn cứ' khi bạn viết trong Textio,' việc nó được thu thập từ một bộ dữ liệu lớn hơn nhiều là một tài sản.

Tôi sẽ hỏi bạn, bạn có phản đối việc nhận hướng dẫn tốt hơn trong Waze vì các tài xế khác trên đường đang đóng góp tọa độ của họ không? Đó rất, rất tương tự trong việc mọi người nhìn nhận nó. Đó là một thắng lợi đôi bên.

LG: Thú vị. Vì vậy, một trong những câu hỏi mà chúng tôi đã đặt ra suốt hội nghị là... bởi vì chủ đề của hội nghị là di chuyển nhanh và sửa những vấn đề, so với việc làm hỏng. Và tôi biết rằng Textio chắc chắn đang cố gắng sửa đổi những vấn đề một cách nào đó. Đó là, bạn cảm thấy lạc quan đến mức độ nào về công nghệ, ngành công nghiệp công nghệ và tương lai của công nghệ? Đặc biệt là trong việc liên quan đến những gì bạn đang xây dựng?

KS: Vì vậy, một lần nữa, tôi có một quan điểm rất thiên vị về câu hỏi này vì tôi nhìn vào công ty của chính mình, đúng không? Vì vậy, tôi đang tạo phần mềm để giúp các công ty, nhưng tôi cũng đã sáng lập và lãnh đạo một công ty, phải không? Công ty của chúng tôi có tỷ lệ nam giới thiểu số, bao gồm cả trong lĩnh vực kỹ thuật. 30% là người Mỹ gốc Phi và Latinx. Hơn 25% xác định là LGBTQ. Chúng tôi không giống như các công ty công nghệ khác. Ban điều hành của chúng tôi có hơn một nửa là phụ nữ. Đội ngũ lãnh đạo của chúng tôi là nửa phụ nữ. Chúng tôi không giống như các công ty khác.

Và điều đó cho tôi biết điều đó có thể được thực hiện. Và chúng tôi không còn là 10 người nữa, đúng không? Vì vậy, càng lớn mạnh, những mẫu mã này càng trở nên thú vị hơn, và bạn xây dựng một danh tiếng là nơi mà mọi người có thể mang đến công việc bản thân toàn diện. Chúng tôi không phải là công ty duy nhất có vẻ khác biệt so với ngành công nghiệp đã trước đây.

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

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

KS: Cảm ơn bạn.

LG: ... và vì những câu trả lời thấu đáo của bạn. Và cảm ơn mọi người đã tham gia cùng chúng tôi.

KS: Đúng vậy.

[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 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 ghi chú của chương trình. Chương trình của chúng tôi được sản xuất bởi Boone Ashworth. Nhà sản xuất điều hành 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.

[Âm nhạc kết thúc]

• Bên trong quyển sổ ghi chú đã mất của Mark Zuckerberg
• Làm thế nào để kích hoạt chế độ tối trên tất cả các ứng dụng và thiết bị của bạn
• Hỏi những người biết mọi thứ: Coronavirus là gì?
• “Snarge” của chim đe dọa hành trình hàng không
• Chúng ta cần phải nói về 'neutrality' của đám mây
• 👁 Lịch sử bí mật của công nghệ nhận dạng 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, lựa chọn gõ chữ yêu thích của nhóm Gear chúng tôi và tai nghe chống ồn