Psychograph — AI-сервис для поиска ответов на самые сложные вопросы о карьере

В современной культуре осознанного подхода к карьерному росту принято задавать себе сложные вопросы: о собственном функциональном состоянии, о развитии и профессиональном росте команды, о стимулах мотивации, выгорании, о ценностях, которые воплощает компания и формирует роль каждого внутри.

Все мы когда-то нанимали не тех сотрудников или чувствовали себя не на своем месте, сталкивались с тем, что сотрудник был не способен выполнить назначаемые функции и не соответствовал той роли, которая была определена ему в компании. Зачастую нам сложно понять не только то, какие компетенции более развиты у наших коллег, но и в собственных мы не уверены до конца.

Чтобы поработать со своими вопросами, карьерными и личными ориентирами, понять себя и своих сотрудников, мы предлагаем обратиться к AI технологиям в области автоматизации психометрии. Специально для этого компания PSYCHEA разработала сервис Psychograph, автоматизирующий психометрию на основе моделей поведенческого анализа больших данных.

Многие слышали об автоматизации оценки персонала на основе психометрических тестов Hogan Birkman, MMPI, MBTI, DISC, Eysenck и других. Эти тесты весьма популярны, но все они обладают одним существенным недостатком – недостаточной объективностью исследований.

С одной стороны, результат тестирования часто зависит от того, насколько HR-специалист владеет инструментом оценки по конкретному методу. С другой стороны, сотрудники могут необъективно отвечать на вопросы анкет тестов. Иногда это происходит умышленно, а иногда это связано с эмоциональным статусом человека в текущий момент или глубинными переживаниями, которые не относятся к предмету анкетирования. Данные из анкет выражают лишь представления человека о самом себе и не имеют отношения к реальной личности, ее моделям поведения, ценностям, возможностям. Несовершенные инструменты психометрии, которые до сих пор применяются в области оценки персонала, – громоздкие, медлительные и требующие высокой экспертизы, – вызывают массу спекуляций и дискредитируют целую практику.

С началом использования больших данных и искусственного интеллекта в бизнесе началась новая эра и в области психометрии для оценки и управления персоналом.

Появились технологии, которые измеряют огромный спектр характеристик: многозадачность, готовность к риску, стиль обработки информации, абстрактное мышление и т.п.

Все больший интерес компании проявляют к игровым механикам –геймификации оценки персонала. Такие механики, сопряженные с технологиями распознавания эмоций, позволяют получить объективные данные о моделях поведения сотрудника в конкретной работе. На основе искусственного интеллекта строится почти вся геймифицированная оценка: сотрудники играют в проекты, стратегии, решают головоломки, а прогнозы их рабочей эффективности делаются с помощью технологий машинного обучения. Есть компании, заточенные на реализацию таких механик, зарубежные стартапы типа Arctic Shores, Knack, Scoutable.

Искусственный интеллект уже анализирует микровыражения лица, голос, движения, жесты, физиологические параметры и контекст социального взаимодействия, не опираясь на представления сотрудников о самих себе, а опираясь на модели, построенные на основе научных данных из области нейробиологии и нейрофизиологии.

На рынке AI-решений для оценки и управления персоналом много интересных успешных проектов, таких, как Pymetrics (используют геймификацию в сфере управления персоналом, включающим подбор подходящих кандидатам ролей), F2FGroup (по голосу составляют портрет человека, отражающий его профессиональные и личностные качества, намерения и наклонности, лояльность к той или иной деятельности), Wehire (определяет эмоциональный и рисковый профиль кандидата за счёт технологий распознавания аудио- и видеозаписей), SearchInform (ведёт трейсинг переписки сотрудников во внутренних мессенджерах и электронной почте с целью определения лояльности и рискового профиля сотрудников) и многие другие.

В бизнес-практике широко используют системы, которые предсказывают намерения сотрудников покинуть компанию и позволяют руководителям вовремя принимать меры: предотвращать выгорание, удерживать ключевых сотрудников и т.п.. Такие механики интегрированы в HR-деятельность крупнейших мировых компаний, таких как IBM и Microsoft, на российском рынке мы знаем о таких решениях, например, в Ростелекоме.

Но и самые передовые технологические решения подвергаются критике. За низкую прогностическую ценность, слабую интегративность в реальный бизнес, непредсказуемые эффекты при масштабировании, в части проектов чрезвычайно высокая стоимость обучения искусственного интеллекта (особенно там, где анализируются аудио и видео изображения).

Когда мы проектировали и разрабатывали Psychograph, мы учитывали все существующие тонкие моменты в использовании AI для бизнеса, и нам удалось найти решение, которое исключает основания для критики.

На протяжении 8-ми лет мы изучали инструменты и подходы к психометрии, искали надежные, легко получаемые данные, шаг за шагом отсекали не универсальные и непрозрачные подходы. В итоге пришли к проекту инструмента, который лег в основу Psychograph.

Прежде, чем появился Psychograph, мы потратили много времени на выработку правильного подхода к обработке поведенческих данных, использующих методы математической лингвистики. Эта работа открыла для нас все то, чего мы добивались: высокую скорость, простую логику тестирования (включающую который тест, чуть более полстраницы свободных ответов на общие вопросы), очень высокую точность результатов (мы оцениваем не ответы тестируемого, а то – как он это делает, оцениваем данные, на которые он не может повлиять).

В системе Psychograph реализованы самые передовые достижения в области глубокого машинного обучения, автоматизированной обработки текста, прикладной когнитивистики и глубинной психологии личности. Для ее создания был разработан специальный комплекс методов многоуровневой фильтрации и обработки данных, позволивший исключить субъективные интерпретации ответов и сделать анализ максимально объективным.

Мы не используем для анализа данные «фактов о себе», субъективно интерпретированные человеком. Точность тестирования в Psychograph основывается на глубинных поведенческих данных, а не на сиюминутных эмоциональных состояниях. Опора на то, КАК человек формулирует свой ответ (а не ЧТО именно он пишет/говорит) иллюстрирует его истинный стиль, восприятие, модели поведения и в работе, и в коллективе, и в процессе обучения.

Для понимания принципа оценки (очень упрощенного) представим себе человека, который печатает текст методично, системно и медленно. Он использует простой словарь, почти не использует прилагательные для того, чтобы характеризовать объекты, ситуации и людей, не применяет сложные синтаксические конструкции. Очевидно, что у этого человека будут скорее консервативные ценности, он будет скорее закрыт к новому опыту, любить все контролировать и не оценит спонтанные события или предложения с высоким риском. Этому человеку не всегда просто знакомиться с новыми людьми и новыми методами работы.

Реальная, а не схематичная личность, безусловно, намного сложнее и мы сделали наш продукт для анализа личностных характеристик по несравнимо большем спектру критериев с учетом всех возможных поведенческих данных, которые можно извлечь из письменной речи.

В современном мире технологический подход становится точней экспертной оценки, всегда нагруженной еще и субъективным искажением оценивающего. И эта проблема актуальна даже для самых прогрессивных ассесмент-центров с высоким уровнем валидности. Технологические инструменты оценки надежнее, потому что исключают субъективную интерпретацию результатов.

Техническая часть Psychograph представляет собой клиент-серверное приложение с моделью машинного обучения для анализа лингвистических характеристик текста и расчета характерологических черт личности.

Приложение написано на Python, обучено на 100 000+ текстов и демонстрирует высокую скорость обработки текста (письменный текст длиной 9 000 символов анализируется менее 1 секунды). При подборе архитектуры модели было протестировано более 500 различных версий. Точность текущей модели >0.9 (на основе метрики MAE).

В разработке использована глубокая нейронная сеть со сверточными слоями, которая анализирует текст на уровнях символов, слов, сложности и энтропии текста, относительных характеристиках текста (например, отношении количества существительных к общей длине текста).

На вход модели подается письменный текст (не менее 700 символов), модель производит первичную обработку текста: рассчитываются первичные параметры текста – длина, количество слов, частеречный анализ и т.д., выявляется нецензурная лексика, определяются неадекватные эссе (провокационные и т.д.), определяются эссе с аномальными значениями параметров текста (слишком длинные слова, случайный набор на клавиатуре). На основе первичной обработки отсекаются нерелевантные тексты. Модель производит дальнейшую обработку текста: преобразует в математические векторы, производит расчет всех характеристик, они, в свою очередь, обрабатываются нейронной сетью. На выходе модель получает несколько переменных для дальнейшего расчета типа личности. На основе полученных переменных происходит расчет характерологических черт, которые выгружаются в базу данных и доступны к отображению в интерфейсе.

В ближайшем будущем в ядро системы будет добавлен спектр новых поведенческих моделей, которые сделают анализ еще обширнее.

Мы запускаем Psychograph одновременно на B2C и B2B рынках.

Бизнес-модель для конечного пользователя включает в себя получение первичного отчета (который предельно ясен и может быть последним контактом пользователя с продуктом) и консультацию по основам психодиагностики на базе таких отчетов. На основе отчета мы можем помочь профориентироваться или получить консультацию психолога.

Как работать с такими отчетами, использовать их для бизнеса, мы учим в школе психографики и прикладной когнитивистики Psychea School.

Лидеры команд на основе отчетов могут (без корпоративного контракта) протестировать своих сотрудников. Принять управленческие решения, понять, почему внутри команды, например, конфликт, или почему суперпрофессионал не эффективен на своем месте. Понять, почему сотрудники плохо обучаются, как расставить акценты в коммуникации, изменить свой стиль и позицию, чтобы повысить продуктивность команды.

Глубокому пониманию в области управления организациями и командами, пониманию процессов мышления, восприятия и того, как они отражаются на бизнесе мы также учим в нашей школе.

Для бизнеса, которому нужно управлять массивом отчетов: сортировать, сегментировать, хранить, распределять и применять интеллектуальный капитал, - мы кастомизируем продукт, разрабатываем систему управления отчетами. Для особых целей мы можем адаптировать сам отчет, добавить, сократить или уточнить метрики, адаптировать логику тестирования.

Прогрессивные бизнесы уже сформировали понимание, что HR-аналитика такого уровня – необходимый элемент их цифровизации. HR-аналитика на основе BigData и DataScience позволяет бизнесу не только оценить эффективность бизнес-процессов, но и модернизировать их.

Согласно исследованию Gartner за 2019 год, организации, сообщившие об успешном внедрении Искусственного Интеллекта, в 41% случаев выделяют тесное сотрудничество между IT и HR, как одну из трех основных причин своего успеха.

«В конечном счете, успешное внедрение ИИ требует общих усилий и понимания, что эта технология означает для HR и организации.

Решения ИИ развиваются и становятся лучше с каждым днем, и компании продолжают изучать возможные варианты развертывания ИИ в широком спектре кадровой деятельности, включая планирование персонала (52% организаций), обучение и развитие (51% организаций), управление навыками (48% организаций) и управление эффективностью (44% организаций)»

Данными в России делятся эксперты hh.ru: «11% работодателей в России уже применяют искусственный интеллект (ИИ) в работе с персоналом, 49% этого еще не делают, но изучают тему. При этом 33% уверены, что ИИ однажды полностью изменит роль HR в компании. Довольно много эйчаров видит в использовании ИИ плюсы для профессии. Так, среди преимуществ для рекрутеров они называют: <…>, использование других источников данных о кандидатах помимо резюме (61%), создание новой роли рекрутера, когда он занимается не одной только фильтрацией кандидатов на входе в компанию, а становится HR-партнером и координатором инноваций (59%), рост производительности труда (55%)».

Перспектива роста объемов (Serviceable Obtainable Market) рынка HR-аналитики оценивается в 40 млрд USD к 2025 году, с CAGR (средним годовым ростом) порядка 5,6-7,4%.

Сейчас самое время развивать проекты на этом состоятельном рынке, и перспективы версии Psychograph для бизнеса мы оцениваем, как не менее успешные, чем его возможности на B2С рынке, в качестве решения для широкой аудитории.

На сегодняшний день команда Psychograph – это 10+ сотрудников: CEO и Chief Scientist, Product Owner, Data Scientist, команда Psycholinguists, Frontend и Backend разработчики и Chief Marketing Officer, который отвечает за продажи и развитие продукта на корпоративны рынках.

Познакомиться с AI personality assessment system Psychograph, решить вопросы, о которых мы упомянули в самом начале, пройти тестирование, получить удовольствие и пользу от нового уровня самопознания, обрести еще один развивающий опыт можно уже сегодня. Мы всегда доступны для обратной связи и будем рады вашим письмам на company@psychograph.ai