La mejor receta: humanos + máquinas

Durante estas semanas me he dedicado a buscar más información acerca de “machine learning”, especialmente en referencia a mi campo de estudio.

Primero, me di a la tarea de preguntarles a varios de mis compañeros de Northwestern que trabajan en compañías de tecnología si me podrían ayudar a entender un poco más acerca del campo de machine learning. Además les comenté que me interesaba saber si sus compañías ya estaban implementando esta tecnología en el área de recursos humanos. Sorprendentemente, los compañeros que respondieron comentaron que sus compañías efectivamente usan machine learning, pero no en el ámbito que yo estaba buscando.

Sin rendirme, seguí la búsqueda. Hablando con compañeros de otras clases, me enteré que estudiantes del MBA estaban tomando clases especializadas en machine learning actualmente. Una compañera amablemente me conectó con su marido, quien me contó acerca de las maravillas de machine learning, desafortunadamente, tampoco tenía información acerca de cómo se está utilizando esta tecnología en las empresas.

Como recibí información tan interesante, me gustaría hacer un breve resumen de lo que es machine learning y qué tipo de restricciones existen al usar esta tecnología.

  • La función de machine learning es analizar datos. A través de algoritmos, se revisan estos datos y se predicen comportamientos futuros. Para poder analizar los datos, hay que entender qué datos se tienen para analizar.
  • Machine learning se divide en dos áreas principales: aprendizaje supervisado y aprendizaje no supervisado. El aprendizaje supervisado hace predicciones a futuro basadas en comportamientos o características que se han visto en los datos históricos. Un ejemplo sería el patrón que aprende de qué direcciones IP vienen los correos electrónicos y que so categorizan como Spam.  Por otro lado, el aprendizaje no supervisado usa datos históricos que no están etiquetados. El objetivo es explorarlos para encontrar alguna estructura o forma de organizarlos. Por ejemplo, en marketing se utiliza para agrupar clientes con con características similares y así poder mandarles campañas de marketing segmentadas.
  • El valor más importante de machine learning es poder hacer predicciones. Un ejemplo que nos interesaría en MSLOC, sería poder predecir qué empleados tendrán una buena evaluación de desempeño. Para hacer estas predicciones se tienen que tomar en cuenta varias variables.
  • Hay que tener en cuenta que machine learning también tiene algunas limitantes. Es importante reconocer que las predicciones hechas con machine learning toman en cuenta un ambiente estable. Entre más estable sea el ambiente, más acertadas serán las predicciones. Por ejemplo, digamos que una tienda de ropa ha creado una base de datos que contiene las preferencias de consumidores. Si esta tienda quisiera usar ese modelo para atraer nuevos consumidores en OTRA tienda de ropa, es muy probably que el modelo no sea tan acertado.
  • Hay que recordar que aunque el proceso de machine learning es automático, necesita de una persona para juzgar la validez de las predicciones. Claro que los humanos también tenemos ciertos prejuicios, por lo que tenemos que analizar las predicciones cuidadosamente.

En fin, regresando al tema de cómo machine learning ha entrado al mundo de Recursos Humanos o Desarrollo Organizacional, he aquí un ejemplo recién salido del horno:

Ayer recibí un correo de VMock, una compañía que se dedica a analizar curriculums y que proveen crítica constructiva y consejos para mejorar el contenido y look del curriculum del usuario. El correo decía que ellos proveían información al usuario 24 al día. Esto me llamó mucho la atención, entonces lo abrí. Y oh sorpresa, me topé con esto:

Screen Shot 2016-02-23 at 1.53.39 PM

 

Inmediatamente me di a la tarea de ver por mí misma cómo funcionaba. La verdad es que la experiencia fue interesante. Además, cabe notar que mi curriculum había sido revisado por tres personas en los últimos 3 meses y nadie notó los cambios que la máquina me sugirió que hiciera. Aún así, VMock sugiere hablar con una persona para poder hablar en detalle acerca de los cambios necesarios.

Del otro lado de la moneda, hay una compañía en Nueva York que se llama UpScored cuya función es conectar a aplicantes con trabajos relevantes. De la misma manera, compañías que usen este servicio, harán un match con los aplicantes cuyos perfiles sean sean más adecuados para los trabajos promovidos por estas empresas. De cualquier manera, hay que tener en cuenta que muchas veces una máquina no puede ver más allá de lo que está escrito en un papel. Muchas veces, hay aplicantes que no tendrán las características específicas que buscamos, pero aún así podrían ser excelentes candidatos.

Finalmente, es interesante ver también que ciertas compañías como Workday estén más interesadas en invertir en machine learning. Aquí un video de Workday explicándonos cómo piensan ellos incorporar esta gran tecnología.

Y así termina este segundo blog. Espero que el tercero traiga aún más ideas interesantes de cómo esta tecnología es aplicada a nuestro mundo de LOC.

 

One thought on “La mejor receta: humanos + máquinas

  1. Muchas gracias. Me haces pensar. (My English before using Google translate: Many thanks. You make me think.)

    And…you have in these posts. Made me think a good bit about how we (as organizational change practitioners) should try to wrap our heads around the various ways in which data analysis can be applied to problems we encounter.

    After reading your post, I Googled the question ” how does Google translate work?” and was surprised to find that it is based on some sophisticated statistical approach. It looks at large amounts of examples of phrases to find the one that statistically may be the best match for what someone wants translated.

    A couple of authors who wrote about this approach pointed out its limitations. Which we have all experienced.

    But it just gets me thinking about the larger questions. How do we begin to understand the landscape of different algorithms and approaches – and what that means for the data we are looking at, the results we get (i.e., translations) or the problems we are trying to solve? There seems to be a difference between machine learning (“it makes predictions”) and the approach of using statistics to analyze vasts amounts of information (language to generate translations). I am sure there are other analytic models as well.

    So – What are all the models? No need to answer that. But this is now the question that I am interested in exploring.

Leave a Reply

Your email address will not be published. Required fields are marked *