Говоря об HRTech в современных реалиях, невозможно не затронуть тему искусственного интеллекта. Но перед тем как пытаться разобраться в применении ИИ в HR на конкретных примерах, я бы попробовал рассмотреть путь ИИ в мире шахмат и спроецировать его на HRTech.
Шахматы всегда занимали особое место среди способов интеллектуального противостояния, достигнув своего апогея в этой роли в качестве одного из «театров» холодной войны — с «матчем столетия» между Спасским и Фишером в Рейкьявике в 1972 году. Я думаю, во многом это было обусловлено тем, что шахматы были таким симулятором жизни, требующим тех же качеств для успеха, что и в реальном мире: внимание, память, умение анализировать ситуацию, планировать свои действия и предугадывать ходы соперника, хитрость, умение находить нестандартные решения и т.п.
Поэтому не случайно машины стали играть в шахматы задолго до появления компьютеров, когда «Механический Турок» еще в XVIII веке гастролировал по Европе. Уже тогда это стало мерилом прогресса: сможет ли машина бросить вызов человеческому интеллекту на шахматной доске?
Не обошел эту тему и отец вычислительных машин Тьюринг, который, кроме своей «машины», предложил и алгоритм шахматной программы. Я не знаю ее нюансов, но, изучая программирование, мне самому хотелось написать что‑то подобное. Ведь шахматное поле кажется таким небольшим — всего 8×8. И даже без учета ограничений правил хода фигур и их позиций физически не может быть больше 64 вариантов для каждой фигуры.
Проблема, правда, в том, что даже с учетом правил игрок должен выбирать один из 20–50 возможных вариантов — в зависимости от количества оставшихся фигур и текущего их расположения. Поэтому для того, чтобы перебором проанализировать всего на пару шагов вперед (два полных хода (белые-черные) и еще один свой, то есть всего 5 полуходов), нужно перебрать порядка 25 в 5-й степени вариантов, что дает уже порядка 10 млн комбинаций. И с увеличением глубины анализа с каждым следующим шагом эта цифра улетает в космос.
Но первые суперкомпьютеры‑шахматисты двигались по этому пути глубокого перебора ходов, просто усложнив его функциями оценки вариантов, чтобы не тратить пусть и все увеличивающиеся вычислительные мощности на заведомо неэффективные варианты. И в итоге этого хватило для победы машин над человечеством. Я хорошо помню, как, будучи старшеклассником, следил за новостями о противостоянии Deep Blue с Каспаровым, когда, пусть и со второй попытки, но машина одолела чемпиона.
Настоящим прорывом стало появление полноценных ИИ‑компьютерных шахматистов, использующих нейронные сети. Причем разработчики очень быстро перешли от обучения сети на партиях мастеров прошлого к самообучению: когда AlphaZero просто рассказали правила, и она за ограниченное время сама переизобрела шахматы — да так, что разгромила лидера старой школы Stockfish. И теперь люди‑шахматисты учатся у неё игре в шахматы.
Меня так привлекла история ИИ в шахматах, потому что на ней можно наглядно проследить эволюцию применения машин для принятия решений. Как сами шахматы являются миниатюрой жизни в масштабе 8×8, так и применение ИИ для управления игрой является прототипом его применения для управления миром.
«Человека выдают за машину»
Аналоги «Механического Турка», когда данные пересылаются в центры обработки данных, где их обрабатывают живые люди, а выдают это за работу уникального алгоритма для привлечения внимания к этому сервису.
Программы и алгоритмы
Создание реальных алгоритмов, которые учитывали бы все необходимые данные для поиска лучшего решения. И если для шахмат этого хватило, чтобы победить человечество, то для HR‑решений это было достаточно ограниченным решением. С одной стороны, все упирается в сложность и многокритериальность алгоритма, чтобы на его основании можно было принять качественное решение, а с другой — в отсутствие достаточного объема качественных оцифрованных данных.
То есть в эпоху Deep Blue (начало 2000‑х) в HR не было возможности создать сопоставимое с ним решение, способное на основании какого‑то сложного алгоритма принимать значимые решения по сотрудникам. Потому что в реальном мире было больше факторов, ограничений и правил, чем в шахматах, а сам сотрудник и его работа были очень слабо оцифрованы.
ИИ, обучаемый на данных
Внедрение ИИ с нейронными сетями, обучаемых на данных, — наверное, сейчас один из самых трендовых в HR инструментов. Правда, пока он чаще используется для облегчения рутинных задач с использованием прокаченных возможностей NLP для анализа и генерации информации. Например, он помогает найти резюме по описанию вакансии.
Но в отличие от шахмат, в HR нельзя загрузить исчерпывающее описание партий мастеров из прошлого с дебютами и эндшпилями, чтобы обучить нейронную сеть. Прямой аналогией такой системы было бы, если бы, например, для процесса найма мы загрузили бы даже не резюме, а полноценные биографии от малых лет сотен миллионов человек экономически активного населения (как люди «ходят»), объединили бы эту базу с историями компаний и влиянием этих людей на эти компании (результат «партий») — и тогда бы сеть обучилась и смогла из базы имеющихся соискателей найти идеального кандидата для решения исходных задач. А сейчас же даже в самых больших компаниях страдает объем и качество имеющихся данных.
Самообучающийся ИИ
Отдельно удивляет, как быстро шахматный ИИ перешел от обучения на основании данных к самообучению. Думаю, потому что в этом лучше всего раскрывается его потенциал, и где это получается сделать, там происходит качественный прорыв. Например, я встречал похожий пример с двигателем LEAP 71, спроектированным ИИ с нуля: когда ИИ получил требования к двигателю, параметры топлива, на основании этого сам создал проект двигателя для 3D‑принтера, который был напечатан в металле и с первой попытки показал на испытаниях необходимые характеристики. У меня при просмотре ролика было ощущение, что этот двигатель сняли с летающей тарелки, а не придумали на Земле.
И если оцифровка жизни и работы всех сотрудников для создания базы обучения ИИ — потенциально решаемая задача, которая со временем, возможно, будет решена по мере накопления цифрового следа (отдельно, правда, нужно будет в этом случае решить вопрос защиты персональных данных и коммерческой тайны), то как полноценно смоделировать компанию, чтобы смоделировать в ней работу сотрудников с разными «характеристиками», чтобы ИИ сам смог спроектировать идеального кандидата для последующего поиска реального человека на это место — вопрос открытый.
Ну разве что сам ИИ выйдет на такой уровень, что сам сделает и эту модель, на основе которой потом сам же себя и обучит. Но это уже напоминает «кроличью нору» из‑за невозможности адекватно оценить получившийся результат, не говоря о том, что, может, уже и человек не понадобится вовсе...
Продолжение обязательно будет