اخبار , هوش مصنوعی 79 بازدید

پیش از این، در مطلبی با عنوان «آموزش پردازش زبان طبیعی پروژه محور — راهنمای کاربردی» به بررسی چگونگی استخدام نیروها با بهره‌گیری از «پردازش زبان طبیعی» (Natural Language Processing) پرداخته شد. اما مساله مهم دیگری که در بحث مدیریت منابع انسانی مطرح است، زمان و میزان ارتقای شغلی و حقوق منابع انسانی یک سازمان و همچنین، روش‌های پیشگیری از ترک سازمان توسط نیروهای کارکشته و توانمند است. بسیاری از افراد معتقد هستند که روش‌های سنتی بررسی و ارزیابی سالانه نیروها جهت تعیین مبلغ افزایش حقوق و ارتقای شغلی آن‌ها، دیگر به خوبی پاسخگو نیست؛ البته اگر بتوان گفت که این روش‌ها در گذشته به طور مناسبی جوابگو بوده‌اند. نباید چنین پنداشت که الزاما کارهایی که یک کسب و کار به طور معمول انجام می‌دهد در دیگر نقاط جهان و دیگر کسب و کارها انجام نمی‌شوند. فعالیت‌هایی وجود دارند که در اغلب سازمان‌ها و همه جای جهان انجام می‌شوند و شاید همه این سازمان‌ها نیاز به بهبود بخشیدن روال انجام کارهای خود داشته باشند. در این مطلب، به بحث تعیین مبلغ افزایش حقوق کارکنان با هوش مصنوعی پرداخته شده است.

نظرسنجی اخیری که شرکت مشاوره «مِرسِر» (Mercer) از مدیران منابع انسانی در نقاط مختلف جهان انجام داده، حاکی از آن است که تنها ٪۲ از افراد بر این باور هستند که سیستم‌های مدیریت عملکرد کنونی آن‌ها موثر واقع شده است. این نتایج تعجب‌آور نیست، زیرا نتایج پژوهش دیگری که اخیرا توسط «مَک‌کینزی» (McKinsey) انجام گرفته بود نیز حاکی از آن است که دو سوم مدیران اذعان کرده بودند در حال انجام تغییرات بزرگ در زمینه سیستم مدیریت عملکرد خود و یا درصدد آن هستند.

«برایان هانکوک» (Bryan Hancock)، یکی از شرکای مَک‌کینزی در آتلانتا است که به طور نزدیک با شرکت‌هایی که از هوش مصنوعی برای ارزیابی کارایی انسان‌ها استفاده می‌کنند همکاری دارد. این کارفرمایان در حال حذف بررسی‌های سالانه و جایگزینی آن با بازخوردهای زمان واقعی هستند. سیستم جدید، طیف وسیعی از اطلاعات به روز را از مدت زمان کاری یک فرد در شغل فعلی او گرفته تا مهارت‌هایی که دارد و ممکن است قابل انتقال به دیگر قسمت‌های سازمان باشد، ارائه می‌کند. با استفاده از این داده‌ها، مدیران می‌توانند روی «پرورش نیروها به جای امتیاز دادن به آن‌ها کار کنند». این کار نسبت به رویکردهای قدیمی موجود، هدفمندتر و با تمرکز بیشتر روی نتایج آتی است.

پیشرفته‌ترین سیستم قدرت گرفته از هوش مصنوعی، کار دیگری در این راستا انجام می‌دهد. این سیستم، اقدامات خاصی را پیشنهاد می‌دهد، از جمله اینکه چه زمان باید یک نیرو را ارتقا داد. سیستم، این کار را برای مثال با توجه به الگوی داده‌های مربوط به امتیازهای داده شده به نیروها در شرکت انجام می‌دهد. البته، این موضوع ممکن است سوالاتی را نیز ایجاد کند. برای مثال، اگر انسان‌ها احساس کنند که در نهایت حاصل کار و تلاش‌های‌شان وابسته به مهر تصدیق یک الگوریتم است، چقدر هیجان و انگیزه برای هدایت تیم‌هایشان خواهند داشت؟ شرکت‌ها چگونه می‌توانند سیستم‌های مدیریت کارایی بسازند که موجب نادیده گرفتن نظر مدیران نشود؟ با وجود چنین ربات‌هایی، نقش مدیران سازمان‌ها دقیقا چه خواهد بود؟

هوش مصنوعی چگونه می‌تواند کمک کند؟

سیستم‌های مدیریت کارایی قدرت گرفته از هوش مصنوعی IBM، که ساخت آن‌ها از سال ۲۰۱۵ آغاز شده، چشم‌اندازی از این موضوع ارائه می‌کند که هوش مصنوعی چگونه می‌تواند هوش انسانی را در حالی تقویت کند که همچنان به مدیران امکان اعمال دانش و نظرات خودشان را می‌دهد. برای مثال، یکی از انواع پیشنهادهایی که سیستم IBM ارائه می‌کند آن است که «چه زمانی و چگونه، مدیران باید به طور فعال یک نیروی کلیدی که قصد ترک سازمان را دارد، تشویق به ماندن در سازمان کنند؟». با استفاده از الگوریتم‌های «واتسون» (Watson algorithms)، تیم منابع انسانی، برنامه‌ای را توسعه داده و ثبت کرده‌اند که الگوهای موجود در کل داده‌های IBM را بررسی کرده و پیش‌بینی می‌کند که احتمال دارد کدام کارکنان در آینده نزدیک، محل کار خود را ترک کنند. الگوریتم سپس اقداماتی مانند ارائه آموزش‌های بیشتر یا دادن ارتقای شغلی به عنوان پاداش را پیشنهاد می‌دهد تا مانع ترک سازمان توسط نیروها شود.

آیا مدیران باید بر اساس آنچه سیستم هوشمند به آن‌ها دیکته می‌کند عمل کنند؟ «دایان گرسون» (Diane Gherson)، مدیر ارشد منابع انسانی در پاسخ به این پرسش می‌گوید: «نه؛ اما به طور کلی، مدیرانی که پیشنهادات سیستم را دنبال می‌کنند، موفق‌تر هستند».

تعیین مبلغ افزایش حقوق کارکنان با هوش مصنوعی

وی در این رابطه می‌افزاید: «از یک سو، داده‌ها حاکی از آن است که دادن افزایش حقوق ٪‍۱۰ درصدی به کارکنان، احتمال ترک سازمان توسط آن‌ها را تا ٪۹۰ کاهش می‌دهد. مدیرانی که به پیشنهادات سیستم توجه نکرده‌اند، نرخ ریزش نیروی بالاتری در تیم‌های خود داشته‌اند و در واقع، این میزان برای آن‌ها دو برابر بیشتر از مدیرانی بوده که به پیشنهادات سیستم توجه کرده‌اند. راهکار دیگری که موجب شده تا سیستم هوشمند IBM در مقابل مدیران دیرباور پیروز شود، تشریح دلیل پیشنهاد یک اقدام خاص بوده است. در حقیقت، باید جعبه سیاه را کمی باز کرد و داده‌ها را به افراد نشان داد».

گریسون در ادامه می‌گوید: «حتی با این وجود، مدیریت کارایی بیشتر توسط انسان‌ها انجام می‌شود. مدیران گزارش‌های مستقیم خود را بهتر از الگوریتم می‌دانند. آن‌ها هنوز هم حرف آخر را می‌زنند. گاه شرایطی وجود دارد که مدیر به پیشنهاد سیستم برای حفظ یک نیرو توجه نمی‌کند؛ مثلا، مدیر دلیل خوبی برای ترک سازمان توسط نیرو دارد. یا حتی مدیر می‌داند که یکی از اعضای تیم به اندازه‌ای خوب است که باید به او پیشنهادات خصوصی‌تر و انگیزشی‌تری برای ماندن در IBM داده شود؛ پیشنهاداتی بیش از آنچه که سیستم قادر به حدس زدن آن باشد».

هوش مصنوعی باید جزوی از تیم باشد

«مارک ونگل» (Marc Wangel)، مدیر کارآزموده IBM که در حال حاضر یک تیم فنی و استراتژی ۱۲ نفری را در منطقه کلان‌شهری واشینگتن، دی.سی هدایت می‌کند، از سیستم مبتنی بر داده IBM به عنوان سیستمی یاد می‌کند که برای مدیران بینش فراهم می‌کند، نه آنکه به آن‌ها دستور دهد. ارزیابی کارایی کارکنان به شیوه سنتی، نیازمند آن است که اطلاعات موجود در بایگانی‌های چندین دپارتمان منابع انسانی سازمان مورد بررسی قرار بگیرند. در مقابل، سیستم جدید، اطلاعاتی پیرامون کلیه جنبه‌های شغلی هر فرد را به طور آنی برای خود فرد یا رئیس او فراهم می‌کند.

ونگل در این رابطه می‌گوید: «این کار، موجب ذخیره زمان بسیار زیادی می‌شود و باعث می‌شود تا من بتوانم مدیر بهتری باشم. اما چگونه؟ من زمان بیشتری را برای ملاقات با اعضای تیم خودم و داشتن مکالمات آموزنده دارم».

حرکت کردن روی موج‌های موفقیت برای سازمان‌ها بسیار حائز اهمیت است. مدیریت کارایی کمک می‌کند تا مهارت‌ها و استعدادهای خوب، در زمان مناسب، در جایگاه خوبی قرار بگیرند. اگرچه، نقش مدیران به عنوان مربی، مشاور و راهنما، استعدادیاب و مشوق‌ها در چنینی شرایطی حتی مهم‌تر از دیگر مواقع خواهد بود.

برایان هانکوک در این رابطه می‌گوید: «هوش مصنوعی در تحلیل سریع حجم انبوهی از اطلاعات و پیدا کردن گرایش‌ها در مجموعه داده‌های بزرگ خوب است. اما در قضاوت پیرامون اینکه آیا نیرو برای مثال برای مشارکت بهتر نیازمند آموزش است یا خیر، عملکرد خیلی خوبی ندارد. حتی اگر همه داده‌های دنیا را داشته باشید، باز هم به کسانی برای تفسیر آن نیاز است.»

دایان گرسون با این صحبت موافق است و می‌گوید: «دریافت بازخورد کارایی بر مبنای داده‌های غنی، موضوع جذابی است. اما به منظور انجام برنامه‌ریزی برای آینده حرفه‌ای، نیاز به تعامل با مدیرانی است که شما را می‌فهمند و می‌توانید با آن‌ها از اهداف و رویاهای خودتان صحبت کنید. همانطور که هوش مصنوعی در تعاملی که منبع آن جای کاملا متفاوتی است (داده‌ها) موفق عمل می‌کند. این مهارتی است که در بهترین حالت، در منابع انسانی تیم وجود دارد».

اگر نوشته بالا برای شما مفید بوده است، آموزش‌های زیر نیز به شما پیشنهاد می‌شوند:

^^

به عنوان حامی، استارتاپ، محصول و خدمات خود را در انتهای مطالب مرتبط مجله فرادرس معرفی کنید.

telegram
twitter

الهام حصارکی

«الهام حصارکی»، فارغ‌التحصیل مقطع کارشناسی ارشد مهندسی فناوری اطلاعات، گرایش سیستم‌های اطلاعات مدیریت است. او در زمینه هوش مصنوعی و داده‌کاوی، به ویژه تحلیل شبکه‌های اجتماعی، فعالیت می‌کند.

بر اساس رای 2 نفر

آیا این مطلب برای شما مفید بود؟

نظر شما چیست؟

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *