Будущее HR: как ИИ-технологии выводят работу с персоналом на новый уровень

Загрузка работников сферы HR часто становится критичной – до 50% рабочего времени они тратят на разбор повторяющихся вопросов других сотрудников. В такой ситуации времени на стратегические задачи может критически не хватать. К счастью, в последнее время компании стали все чаще применять ИИ для автоматизации рутинных процессов – и HR-отделы технологии не обошли стороной.

В этой статье мы рассмотрим, как ИИ-чат-боты снижают нагрузку на работников сферы управления человеческими ресурсами, в чем их преимущества и какая технология позволила им выйти на новый уровень.

Итак, вот в каких HR-процессах чат-боты берут работу на себя:
• Подбор персонала
• Адаптация новичков
• Служба поддержки персонала
• Оценка вовлеченности и удовлетворенности персонала
• Автоматизация рутинных задач

Помимо разгрузки HR-отдела, ИИ-чат-боты обеспечивают следующие выгоды:

Круглосуточный доступ к информации

В отличие от работников HR-служб, ИИ-чат-боты могут отвечать на вопросы за несколько секунд в любое время суток.

Снижение затрат

Автоматизация HR-функций снижает необходимость в дополнительных сотрудниках отдела кадров и, как следствие, сокращает расходы на персонал.

Повышение удовлетворенности сотрудников

Благодаря быстрым, последовательным и четким ответам ИИ-чат-ботов сотрудники не тратят часы на ожидание решения важных вопросов, что повышает их эффективность и удовлетворенность работой.

Персонализация помощи

Благодаря возможностям ИИ, чат-боты могут предлагать сотрудникам персонализированные ответы и рекомендации, основанные на их профиле – например, указывая информацию, относящуюся к определенной должности.

Повышение эффективности принятия решений

Чат-боты собирают информацию о том, какие вопросы сотрудники задают чаще всего. Это может помочь HR-отделу выявлять пробелы в знаниях и болевые точки сотрудников, что позволяет улучшать процесс управления персоналом.

Чат-боты первого поколения действительно способны дать значительный позитивный эффект. Однако часто компании сталкиваются с некоторыми трудностями при их внедрении:

Проблема 1: Ограниченные возможности ведения диалога

Несмотря на то, что чат-боты первого поколения автоматизировали большую часть работы, им часто не хватало возможностей отвечать на широкий спектр запросов клиентов. Их возможности ограничивались набором предопределенных опций, и задавший нестандартный вопрос сотрудник не получал нужного ответа. В результате для комплексного решения проблемы по-прежнему требовались сотрудники HR-службы в режиме реального времени.

Проблема 2: Навигация по обширной и постоянно растущей базе знаний

По мере появления новой информации и развития баз знаний находить документы и информацию становится все сложнее. Пользователи уже не могут найти конкретный файл, если не знают его точного названия, а если похожих файлов несколько – тратят время на просмотр их всех. Со временем становится понятно, что им нужен не просто поисковик, а интеллектуальные технологии, которые создают удобную навигацию.

Проблема 3. Обновление систем требует существенных затрат

Часто компании, инвестировавшие в чат-боты, сталкиваются с необходимостью их обновления и усовершенствования. Однако при этом бизнес не решается менять всю систему целиком, поскольку она глубоко интегрирована в существующие рабочие процессы. Более того, стоимость полной модернизации может повлечь серьезные расходы. В этом случае компании начинают искать гибкое решение, которое может легко интегрироваться с текущей базой знаний и расширять ее возможности без необходимости полного изменения системы.

Как мы видим, чат-боты первого поколения не могут обеспечить полноценную замену некоторых HR-функций. Однако благодаря развитию и внедрению LLM – больших языковых моделей – они научились понимать контекст, генерировать ответы на естественном человеческом языке и адаптироваться по ходу разговора.

Система RAG позволила сделать еще один шаг вперед в этом вопросе:

Эта система позволяет компаниям внедрять LLM в собственные базы знаний, что дает возможность ИИ генерировать ответы на основе реальных и актуальных данных компании, не ограничиваясь информацией, полученной в процессе обучения.

Вот, как работает RAG:

1. Когда пользователь задает вопрос, он обрабатывается языковой моделью, которая генерирует «эмбеддинг» - векторное представление запроса.

2. Далее эмбеддинг используется информационной системой для идентификации и извлечения наиболее релевантного контента, документов или данных из корпоративных источников данных.

3. Затем релевантный извлеченный контент передается другой LLM вместе с исходным запросом пользователя. Она обрабатывает запрос и соответствующую полученную информацию для получения актуального ответа, основанного на собственных данных компании.

При внедрении RAG для HR-функции в компании необходимо пройти несколько важных шагов:

· Организуйте свои данные – источники информации должны быть хорошо организованы: важно, чтобы релевантные данные были доступны и должным образом распределены по блокам.

· Найдите грамотных специалистов – разработка собственными силами может привести к излишним затратам, проблемам с интеграцией и увеличению сроков. Партнерство с экспертом гарантирует бесперебойное внедрение и интеграцию GenAI в существующие процессы.

· Внедрите протоколы безопасности – разработайте надежные подходы к защите данных: обеспечьте управление доступом к контенту, который может получить LLM. Также стоит ограничить доступ пользователей к различным типам данных, что защитит конфиденциальную информацию от просмотра посторонним персоналом.

· Поддерживайте и обновляйте – постоянное обновление и поддержка актуальных источников знаний жизненно необходимы для обеспечения пользователей релевантной информацией.

Команда студии ИИ-разработки AllSee делает самый разный ИИ от пилотных проектов до уникальных ML моделей путем гибкого и прозрачного сотрудничества. С RAG мы работали в рамках кейса ToCo – приложения для микрообучения. Нашей задачей было создать систему, которая автоматически формирует образовательные курсы по интересам сотрудников на основе корпоративной базы знаний.

Мы использовали GPT-3.5 и RAG для создания персонализированных курсов, которые привлекли множество пользователей, что позволило развивать дополнительные функции и повысить вовлеченность в корпоративное обучение за счет геймификации.

Сделайте ИИ с AllSee!