loading
views
0 reacties
Dion Metz

Machine learning toegepast in online assessments

Dion Metz is techwatcher. Hij volgt de ontwikkelingen in technologie voor recruitment met veel belangstelling en schrijft erover. Hij werkt tevens als sales consultant bij SharpMinds. X

Machine learning toegepast in online assessments

Je hoort er vaak iets over, machine learning, maar wat is het eigenlijk?

Wat is machine learning?
Machine learning is een wetenschappelijke methode waarbij je software algoritmes ontwikkelt die leren van structuren in data. Door nieuwe data aan het algoritme toe te voegen blijft de software leren, ofwel nieuwe patronen ontdekken. Op basis van deze data geeft het algoritme voorspellingen over toekomstige gevallen. Veel applicaties die je dagelijks gebruikt, maken zonder dat je het door hebt, al gebruik van deze technieken. Denk bijvoorbeeld aan Netflix die een serie aanbeveelt op basis van jouw voorkeuren.

Maarten van der Schrieck

Online assessments
Maarten van der Schrieck is verantwoordelijk voor machine learning bij  MatchQ, leverancier van online assessments. Zij maken gebruik van machine learning modellen achter hun assessments om te voorspellen of een kandidaat (niet) succesvol gaat zijn in een functie. Door middel van kunstmatige intelligentie voert de software een deel van het selectieproces uit, en voorkom je dat beslissingen van een recruiter uitsluitend op gevoel genomen worden.

“Eerst laten wij de kandidaat online een test uitvoeren op het gebied van gedragsvoorkeuren, vaardigheden en/of capaciteiten,” zegt Maarten.” Uit deze testen komt een hoop data. Op basis van deze data willen wij voorspellen of de kandidaat geschikt is voor de functie of niet. Geschikt kan betekenen voor de functie, maar geschikt kan ook betekenen; past deze kandidaat binnen de cultuur van het bedrijf? Uiteindelijk maakt ons algoritme een ja of nee-beslissing.”

Rommel erin is rommel eruit
“Als input voor de data gebruiken wij de resultaten van de assessments. Hierbij moet je wel opletten voor het zogenaamde overfitting. Hiermee wordt bedoeld dat het model de data eigenlijk te nauw volgt. Stel je hebt een bedrijf waar 4 werknemers werkzaam zijn, de helft heeft een grote schoenmaat en de andere helft een kleine. Stel dat uit onderzoek in dit bedrijf is gebleken dat alleen de mensen met grote schoenmaat goed presteren. Als je dit als input gebruikt, kan je dus beweren dat je aan de hand van iemand zijn schoenmaat 100% zeker de prestaties kan voorspellen. Dat klopt ook, binnen die groep mensen, maar dat zegt natuurlijk helemaal niks over nieuwe kandidaten die binnenkomen. Uiteindelijk geldt voor machine learning ook, rommel erin is rommel eruit. Om overfitting tegen te gaan moeten we dus veel data hebben, en die data moet bovendien relevant zijn.

Wij moeten ook weten op welke kpi’s de klant zijn werknemers beoordeelt. Je kan als manager van een callcenter wel zeggen dat je de meest klantvriendelijke werknemers wilt, maar als je deze werknemers uiteindelijk beoordeelt op de afhandeltijd van een klacht, gaan wij voorspellingen maken die voor dat bedrijf niet werken.”

Prestaties meten
“Nadat de KPI’s duidelijk zijn vastgesteld gaan we de prestaties meten van de aangenomen kandidaten. Een van de belangrijkste vragen is bijvoorbeeld; werkt deze kandidaat er nog na drie maanden? Zo niet, waarom niet? Dat is belangrijke data om het algoritme steeds beter te maken. Deze data komt meestal uit de bestaande systemen van de klant. Uiteindelijk wil je dat het algoritme een onderscheid maakt tussen de goede en slechte kandidaten. Vooral bij vacatures waar veel mensen geplaatst moeten worden, ben je niet alleen op zoek naar de beste kandidaat, maar wil je vooral geen tijd verliezen aan kandidaten die het niet gaan halen.

Voor bepaalde opdrachten in de assessments heb je helemaal geen machine learning nodig om een voorspelling te doen. Van een kandidaat in een administratieve functie wordt bijvoorbeeld een minimum tiksnelheid van 200 aanslagen per minuut gevraagd. Daarnaast moet de kandidaat laten zien dat hij over basis computervaardigheden beschikt. Mocht de kandidaat dit niet kunnen, dan valt deze sowieso al af voor die functie.”

Werkgedrag
“MatchQ richt zich onder andere op het werkgedrag van de kandidaat. Wij meten niet de persoonlijkheid van de kandidaat, maar het voorkeursgedrag. De praktijk wijst uit dat mensen niet worden beoordeeld op wie ze zijn, maar op wat ze doen, als ze aan het werk zijn. De baas is met name geïnteresseerd in het gedrag. Door aan verschillende parameters van het model te tweaken krijgen we uiteindelijk een algoritme dat zeer goed kan voorspellen, en zo kunnen wij het vroege verloop bij een bedrijf drastisch verlagen.

Algoritmes stappen nooit met het verkeerde been uit bed, maar beoordelen dezelfde input altijd op dezelfde manier. Dit leidt tot hele consistente beoordelingen, en dit maakt algoritmes betere voorspellers dan de onderbuik. Daarnaast is het bij vacatures waar duizenden sollicitanten op solliciteren veel efficiënter om het preselectie proces te automatiseren.’’

Dion Metz
Techwatcher, werkzaam bij SharpMinds

Zie ook:
MatchQ meet succesvol werkgedrag voor selectie medewerkers

Machine learning
Wat is machine learning?
Ontwikkelingen in kunstmatige intelligentie (AI) en machine learning

Reageren:

*

Gerelateerd nieuws


Meer uit deze rubriek