партнерский материал

Когда робот заменит HR-специалиста? Разбираемся на примере робота «Веры» 

Meduza

Машинное обучение все больше проникает в нашу жизнь. Например, с его помощью почтовые клиенты фильтруют спам, поисковые системы распознают изображения, а мобильные приложения преображают фото в живописные полотна. Мы попросили разработчика и создателя робота-рекрутера «Веры» Владимира Свешникова рассказать, как устроено машинное обучение, когда программы смогут заменить человека, почему сегодня научить компьютерную систему говорить могут не только большие корпорации, но и маленькие стартапы.

Все говорят про машинное обучение. Но что это?

Машинное обучение — это подход к программированию, при котором разработчики не задают строгие алгоритмы для решения задач, а обучают машину так, чтобы она находила решение задач сама. Первую задачу с помощью машинного обучения пытались решить еще в 1950-х: компьютер научили отличать нолики от крестиков, а вот дальше он уже сам придумывал комбинации, куда поставить крестик или нолик, чтобы выиграть.

Машинное обучение можно сравнить с тем, как ребенка учат распознавать образы. Родители показывают ему на разные картинки и говорят, что это, например, кошка, а то — собака. И мозг ребенка, и нейронная сеть запоминает объекты и классифицирует их. Когда ребенок в следующий раз видит собаку, он понимает, что перед ним именно собака, а не кошка.

Если бы не было машинного обучения, то чтобы научить машину распознавать кошек и собак, нам нужно было очень жестко задать их параметры: например, у кошки обязательно должен быть хвост, треугольные уши и усы. В таком случае эти характеристики необходимо было бы описать строгими правилами в универсальном виде. Но это очень сложно: каждый кот все равно отличается от другого — найдутся коты с одним ухом или без усов. Благодаря машинному обучению машина находит общие паттерны для каждого класса объектов — кошек, собак, телевизоров, стаканов, деревьев и других — и определяет, что это именно дерево, телевизор или стакан.

Как связаны машинное обучение, искусственный интеллект и нейросети?

Искусственный интеллект, или нейросеть (набор искусственных нейронов), — это искусственный мозг машины. Специалисты по машинному обучению учат искусственный интеллект примерно так же, как родители и педагоги обучают ребенка. Отличие только в том, что ребенок учится непрерывно, причем в процессе любой деятельности, а для искусственного интеллекта приходится создавать специальные словари, алгоритмы, тестировать их и тренировать.

Сложность обучения машины еще и в том, что для детей написаны миллионы книг, карточек и прочих материалов. Библиотек для обучения машин пока не так много, а если вам нужно ее обучить специфическим знаниям, например для работы с кандидатами и сотрудниками, пока приходится создавать такие педагогические материалы с нуля.

Как происходит обучение машины?

Если просто загрузить в машину большой набор текстов, то она сможет находить ключевые слова и реагировать на них. Например, если собеседник в диалоге спросит машину про «зарплату», она найдет это слово в своей базе знаний и выдаст ответ. Но если собеседник спросит о зарплате без указания на это ключевое слово, — например, «что с зэпэ», «какой доход», «что по деньгам», «какая финансовая составляющая», — машина такой вопрос не поймет и разговор не удастся. Есть другой путь — можно составить полный набор синонимов, привязывать их к слову «зарплата», — но учесть все варианты написания будет очень трудно. 

Алгоритм, основанный на машинном обучении, работает иначе. Он анализирует, как часто определенные слова встречаются в общем контексте, и на основании этого определяет, какая между разными словами «дистанция». Например, дистанция между «зарплатой» и «отпуском» будет большая, а вот между «зарплатой» и «баблом» — маленькая. Значит, если кандидат спрашивает про «бабло», самое время рассказать ему про «зарплату». Именно этим программы, созданные с помощью машинного обучения, отличаются от простых автоматических ботов, в которые просто заложены определенные реакции только на ключевые слова.

Когда «Вера» слышит слово, она «сортирует» его по смыслу, определяет его синонимы и «располагает» в той или иной категории
Когда «Вера» слышит слово, она «сортирует» его по смыслу, определяет его синонимы и «располагает» в той или иной категории

Какие еще есть методы машинного обучения?

То, как разработчики будут обучать машину, зависит от их целей. Например, чтобы научить программу предсказывать вероятность некоторого события (скажем, болезни), можно использовать комбинации из простых алгоритмов статистики. Например, машина задает разные вопросы — сколько лет человеку, есть ли у него вредные привычки, чем болели его родственники. Дальше она ищет в базе вариант для «мужчины, 60 лет, стаж курения 30 лет, отец страдал хроническим бронхитом» и понимает, что для такого набора ответов статистически характерен тот или иной исход, то есть диагноз.

Для распознавания визуальных образов и смысловых понятий используются более сложные алгоритмы — их объединяют термином «глубокое обучение» (deep learning). Работая над проектом «Робот „Вера“», разработчики сначала пропустили через мозг машины около 13 миллионов слов русского языка, причем использовали не академические словари, а статьи «Википедии» и сценарии телесериалов — потому что машине предстояло общаться с обычными живыми людьми, которые редко говорят на «академическом» языке и зачастую используют жаргонизмы. Потом — поскольку «Веру» создавали именно для общения с кандидатами на вакансии — «закачали» в нее 1 000 000 описаний вакансий и резюме плюс типичные вопросы кандидатов по вакансиям. Дальше программа анализировала все слова и контекст и присваивала каждому слову маркировку. Все слова отображались точками в пространстве — сначала случайным образом, а по мере чтения текстов положение каждой точки (слова) в пространстве менялось — чем ближе слова были по контексту, тем ближе точки вставали друг к другу.

Такой метод позволил разделить слова на категории, но не дал машине понимания, была ли реакция кандидата положительной или отрицательной. Чтобы научить ее этому, разработчики пропустили через алгоритм десятки тысяч отзывов на сайтах интернет-магазинов. «Вера» научилась понимать разницу между позитивным и негативным отзывом, сравнивая их с оценкой в баллах рядом с отзывом. Потом робота дополнительно пришлось обучать на 50 тысячах диалогов. Теперь, когда робот видит словосочетание «мне интересно», то он определяет его как позитивное.

Как машинное обучение меняет жизнь?

В некоторых областях нейросетями уже сложно удивить и они внедряются по умолчанию. Например, в интернет-магазинах с широким ассортиментом обязательно есть рекомендательная система — она использует несложные, распространенные алгоритмы машинного обучения. Когда вы, например, выбрали телефон, она обязана предложить к нему подходящие аксессуары.

Машинное обучение сегодня автоматизирует значительную часть рутинных процессов в рекрутинге. Например, если компании надо набрать 200 продавцов, им придется обзвонить не менее 2000 человек. На этом этапе каждому надо задать типовые вопросы: ищете ли работу, живете ли в этом городе, интересна ли вакансия этой компании, на какую зарплату рассчитываете и т. д. С такой задачей вполне может справиться хорошо обученная машина — она забирает себе рутину, позволяя рекрутерам концентрироваться на очных интервью и других важных вещах. При этом машина делает тысячи звонков параллельно — то есть работает в десятки раз быстрее, чем человек. А еще она может звонить круглосуточно (важно при работе с разными часовыми поясами) и не устает и не раздражается, даже если кандидат не в духе и разговаривает с ней невежливо. 

В ходе первых интервью с кандидатами программа не только задает вопросы и фиксирует ответы, но и оценивает эти ответы. Алгоритм распределяет их в виде точек в пространстве и рассчитывает, насколько кандидат подходит под требования вакансии.

Так работает и робот «Вера» — он обзванивает базу кандидатов, определяет, соответствуют ли они требованиям работодателя, а уже потом рекрутер приглашает на интервью самых подходящих. Несмотря на нестандартный подход к интервью, большинству соискателей интересно общаться с роботом, и практически все проходят его до конца. «Вера» не только спрашивает кандидатов и распознает их ответы, но и сама отвечает на вопросы с точностью 85–90% (разработчики хотят приблизить качество ответов к 100%).

Через «Веру» прошло уже 2 миллиона уникальных кандидатов. Роботом чаще пользуются большие компании — ритейлеры, банки, производители, у которых открыто большое количество вакансий одновременно. На малый и средний бизнес (компании до ста человек) приходится до 20% пользователей «Веры».

Какое будущее у машинного обучения в рекрутинге?

Машинное обучение — непростой процесс, и опыта у машин пока меньше, чем у людей. Поэтому искусственный интеллект успешно заменяет человека в рутинных процессах, где вариативность ограниченна, но последнее решение остается за человеком. В рекрутменте машина пока не способна на эмпатию и оценку кандидата по неочевидным факторам (от одежды до манеры поведения и интонации). Но рано или поздно машина сможет всему этому научиться. Уже сейчас робот может сказать то, что не знает рекрутер: например, сколько человек провел времени на сайте компании, когда начал поиски вакансии, как быстро откликнулся на нее. Рано или поздно у машины накопится критический объем информации, она научится умело распознавать эмоции — и тогда в какой-то момент она будет способна принимать решения почти так же, как человек.

В будущем машинное обучение позволит человеку совсем избавиться от скучных рутинных операций, чтобы заниматься сложными творческими задачами. Человеческие профессии усложнятся и станут интереснее. Рекрутер, который сегодня вынужден делать десятки звонков за день, сможет, например, обучать тех же роботов, чтобы их диалог с кандидатами был максимально естественным. Эрудированность машины и качество распознавания речи вырастут до такой степени, что люди не смогут отличить живого рекрутера от робота. Тем не менее некоторые компании сегодня продолжают использовать вместо систем с искусственным интеллектом банальные инструменты автодозвона и массовые рассылки — и это плохо влияет на восприятие людьми роботов в целом.

Чтобы проверить, как «Робот Вера» ведет диалог, вы можете позвонить ему сами по номеру +7 (495) 118-41-45. Робот будет доступен для звонка до 1 октября, и вы сможете поговорить с ним о новых технологиях и профессиях будущего.

Иллюстрация в анонсе: Zenzen / Shutterstock