The Way We Work
Priyanka Jain: How to make applying for jobs less painful
プリヤンカ・ジェイン: 職に応募する苦痛を減らす試み
Filmed:
Readability: 4.3
548,985 views
仕事を探すときには、履歴書を方々に送りまくり、ほとんど返事がこないものでした。しかし多くの会社が、適切な候補者を見付けるために進んだテクノロジーを使うようになっています。AIが採用の未来だとしたら、それは私達にどういう意味を持つのでしょう？ テクノロジーに造詣の深いプリヤンカ・ジェインが、この新たな採用シーンに目を向けます。
Priyanka Jain - Technologist
Priyanka Jain heads up product for pymetrics, an NYC-based startup that uses neuroscience and AI to make hiring more diverse and effective. Full bio
Priyanka Jain heads up product for pymetrics, an NYC-based startup that uses neuroscience and AI to make hiring more diverse and effective. Full bio
Double-click the English transcript below to play the video.
ネットで職に
応募するというのは
応募するというのは
00:00
Applying for jobs online
0
548
1416
00:01
is one of the worst
digital experiences of our time.
digital experiences of our time.
1
1988
2616
今の時代の
最悪の経験の１つでしょう
最悪の経験の１つでしょう
00:04
And applying for jobs in person
really isn't much better.
really isn't much better.
2
4628
2696
直接応募するのだって
少しもマシではありません
少しもマシではありません
00:07
[The Way We Work]
3
7349
1720
シリーズ 働き方
これまでの採用のやり方には
いろんな面で問題があって
いろんな面で問題があって
00:11
Hiring as we know it
is broken on many fronts.
is broken on many fronts.
4
11588
2456
00:14
It's a terrible experience for people.
5
14068
1856
仕事を探す人にとって
酷い経験です
酷い経験です
00:15
About 75 percent of people
6
15948
1816
過去１年に様々な方法で
職に応募した人の75%は
職に応募した人の75%は
00:17
who applied to jobs
using various methods in the past year
using various methods in the past year
7
17788
2856
過去１年に様々な方法で
職に応募した人の75%は
職に応募した人の75%は
00:20
said they never heard anything back
from the employer.
from the employer.
8
20668
2656
その会社からまったく
音沙汰がなかったと言います
音沙汰がなかったと言います
00:23
And at the company level
it's not much better.
it's not much better.
9
23348
2176
会社側にしても
状況が酷いのは同じです
状況が酷いのは同じです
00:25
46 percent of people get fired or quit
10
25548
2776
採用後１年以内に
46%の人が
46%の人が
クビになるか
退職するかしています
退職するかしています
00:28
within the first year
of starting their jobs.
of starting their jobs.
11
28348
2176
びっくりしますよね
00:30
It's pretty mind-blowing.
12
30548
1216
経済にとっても
良くありません
良くありません
00:31
It's also bad for the economy.
13
31788
1456
現在は 歴史上初めて
00:33
For the first time in history,
14
33268
1456
失業者よりも
求人が多くなっていて
求人が多くなっていて
00:34
we have more open jobs
than we have unemployed people,
than we have unemployed people,
15
34748
2856
これは何か問題があることを
示していそうです
示していそうです
00:37
and to me that screams
that we have a problem.
that we have a problem.
16
37628
2176
00:39
I believe that at the crux of all of this
is a single piece of paper: the résumé.
is a single piece of paper: the résumé.
17
39828
3976
その核にあると私が思っているのは
１枚の紙切れ 履歴書です
１枚の紙切れ 履歴書です
履歴書には確かに
有用な情報もあります
有用な情報もあります
00:43
A résumé definitely has
some useful pieces in it:
some useful pieces in it:
18
43828
2336
00:46
what roles people have had,
computer skills,
computer skills,
19
46188
2096
職歴
コンピュータースキル
コンピュータースキル
語学力
00:48
what languages they speak,
20
48308
1256
でも そこに欠けているのは
00:49
but what it misses is
what they have the potential to do
what they have the potential to do
21
49588
3056
これまでやるチャンスがなかったけれど
潜在力を持っているものです
潜在力を持っているものです
00:52
that they might not have had
the opportunity to do in the past.
the opportunity to do in the past.
22
52668
2976
経済が急速に変化している今
ネット上に現れる仕事は
ネット上に現れる仕事は
00:55
And with such a quickly changing economy
where jobs are coming online
where jobs are coming online
23
55668
3256
誰も持っていないスキルを
必要とするかもしれず
必要とするかもしれず
00:58
that might require skills that nobody has,
24
58948
2056
01:01
if we only look at what someone
has done in the past,
has done in the past,
25
61028
2776
候補者が過去に
何をしてきたかだけを見ていては
何をしてきたかだけを見ていては
01:03
we're not going to be able
to match people to the jobs of the future.
to match people to the jobs of the future.
26
63828
3256
今後の仕事と人との
マッチングはできません
マッチングはできません
そこでテクノロジーが
役に立ちます
役に立ちます
01:07
So this is where I think technology
can be really helpful.
can be really helpful.
27
67108
2736
コンピューターが
人と物事のマッチングを
人と物事のマッチングを
01:09
You've probably seen
that algorithms have gotten pretty good
that algorithms have gotten pretty good
28
69868
2856
すごく上手くできることに
お気づきでしょう
お気づきでしょう
01:12
at matching people to things,
29
72748
1536
01:14
but what if we could use
that same technology
that same technology
30
74308
2256
自分に良く合った仕事を
見付けるために
見付けるために
01:16
to actually help us find jobs
that we're really well-suited for?
that we're really well-suited for?
31
76588
3096
同じテクノロジーを
使えないでしょうか？
使えないでしょうか？
どう思っているか
分かりますよ
分かりますよ
01:19
But I know what you're thinking.
32
79708
1576
コンピューターが自分の次の仕事を選ぶなんて
少しゾッとすると
少しゾッとすると
01:21
Algorithms picking your next job
sounds a little bit scary,
sounds a little bit scary,
33
81308
2776
でも 社員が将来
仕事で成功するかどうかの
仕事で成功するかどうかの
01:24
but there is one thing that has been shown
34
84108
2056
01:26
to be really predictive
of someone's future success in a job,
of someone's future success in a job,
35
86188
2896
良い参考指標となるものが
一つあるんです
一つあるんです
01:29
and that's what's called
a multimeasure test.
a multimeasure test.
36
89108
2136
「マルチメジャー・テスト」です
これは別に新しいもの
ではありませんが
ではありませんが
01:31
Multimeasure tests
really aren't anything new,
really aren't anything new,
37
91268
2176
かつては とてもコストが高く
01:33
but they used to be really expensive
38
93468
1736
専門家付き添いの元で
01:35
and required a PhD sitting across from you
39
95228
2016
受験者は沢山の質問に答え
作文をする必要がありました
作文をする必要がありました
01:37
and answering lots of questions
and writing reports.
and writing reports.
40
97268
2456
01:39
Multimeasure tests are a way
41
99748
1696
マルチメジャー・テストは
記憶力や注意力といった
01:41
to understand someone's inherent traits --
42
101468
2456
その人の本質的な性質を
把握するためのものです
把握するためのものです
01:43
your memory, your attentiveness.
43
103948
1776
01:46
What if we could take multimeasure tests
44
106662
1942
マルチメジャー・テストを
もっと簡単に
もっと簡単に
01:48
and make them scalable and accessible,
45
108628
2536
多くの人が
使えるようにし
使えるようにし
その仕事に適した人の性質が
どのようなものかというデータを
どのようなものかというデータを
01:51
and provide data to employers
about really what the traits are
about really what the traits are
46
111188
3376
求人側に示せるとしたら
どうでしょう？
どうでしょう？
01:54
of someone who can make
them a good fit for a job?
them a good fit for a job?
47
114588
2896
01:57
This all sounds abstract.
48
117508
1296
ちょっと分かりにくいので
01:58
Let's try one of the games together.
49
118828
1735
ひとつゲームを
してみましょう
してみましょう
02:00
You're about to see a flashing circle,
50
120587
1857
これから円が
現れますので
現れますので
その円が赤だったら
手を叩き
手を叩き
02:02
and your job is going to be
to clap when the circle is red
to clap when the circle is red
51
122468
2960
緑だったら
何もしないでください
何もしないでください
02:06
and do nothing when it's green.
52
126285
1496
02:07
[Ready?]
53
127806
1376
[準備はいい？]
02:09
[Begin!]
54
129207
1360
[はじめ！]
[緑の円]
02:11
[Green circle]
55
131708
1000
[緑の円]
02:13
[Green circle]
56
133708
1040
[赤い円]
02:15
[Red circle]
57
135708
1000
[緑の円]
02:17
[Green circle]
58
137708
1080
[赤い円]
02:19
[Red circle]
59
139708
1000
02:21
Maybe you're the type of person
60
141928
1596
赤い円が出た瞬間に
02:23
who claps the millisecond
after a red circle appears.
after a red circle appears.
61
143548
2496
手を叩くタイプの人もいるし
絶対間違わないように
02:26
Or maybe you're the type of person
62
146068
1656
少し間を置いてから
手を叩く人
手を叩く人
02:27
who takes just a little bit longer
to be 100 percent sure.
to be 100 percent sure.
63
147748
2735
緑で 手を叩くべきでないのに
叩いてしまう人もいます
叩いてしまう人もいます
02:30
Or maybe you clap on green
even though you're not supposed to.
even though you're not supposed to.
64
150508
2936
これがいいのは
02:33
The cool thing here is that
this isn't like a standardized test
this isn't like a standardized test
65
153468
2976
合格不合格を決める
テストではなく
テストではなく
02:36
where some people are employable
and some people aren't.
and some people aren't.
66
156468
2656
皆さんの性質に
適した仕事を
適した仕事を
02:39
Instead it's about understanding
the fit between your characteristics
the fit between your characteristics
67
159148
3256
知るためのもの
だということです
だということです
02:42
and what would make you
good a certain job.
good a certain job.
68
162428
2016
赤で少し遅れて手を叩き
緑では決して手を叩かなかった人は
緑では決して手を叩かなかった人は
02:44
We found that if you clap late on red
and you never clap on the green,
and you never clap on the green,
69
164468
3736
用心深く 自制心の
強い人かもしれません
強い人かもしれません
02:48
you might be high in attentiveness
and high in restraint.
and high in restraint.
70
168228
3176
そういう人の傾向として
学校では優秀で 試験の点数が良く
学校では優秀で 試験の点数が良く
02:51
People in that quadrant tend to be
great students, great test-takers,
great students, great test-takers,
71
171428
3576
プロジェクト管理や
会計などに向いています
会計などに向いています
02:55
great at project management or accounting.
72
175028
2136
02:57
But if you clap immediately on red
and sometimes clap on green,
and sometimes clap on green,
73
177188
3336
赤で即座に手を叩き
時々緑でも叩いてしまった人は
時々緑でも叩いてしまった人は
03:00
that might mean that
you're more impulsive and creative,
you're more impulsive and creative,
74
180548
2656
もっと衝動的で
クリエイティブかもしれず
クリエイティブかもしれず
営業成績の良いセールスパーソンに
よく見られます
よく見られます
03:03
and we've found that top-performing
salespeople often embody these traits.
salespeople often embody these traits.
75
183228
3875
これを採用の際に
どう使うかというと
どう使うかというと
03:07
The way we actually use this in hiring
76
187128
2016
03:09
is we have top performers in a role
go through neuroscience exercises
go through neuroscience exercises
77
189168
3696
その職種において
優秀な人に
優秀な人に
こうした神経科学的な
課題をやってもらい
課題をやってもらい
03:12
like this one.
78
192888
1216
その人たちの
特徴を見分ける
特徴を見分ける
03:14
Then we develop an algorithm
79
194128
1376
03:15
that understands what makes
those top performers unique.
those top performers unique.
80
195528
2656
アルゴリズムを
開発します
開発します
すると人々が職に
応募してきたときに
応募してきたときに
03:18
And then when people apply to the job,
81
198208
1936
03:20
we're able to surface the candidates
who might be best suited for that job.
who might be best suited for that job.
82
200168
4136
その職に最も適性のある候補者を
見付けられるようになります
見付けられるようになります
そのようなやり方は
危険だと思うかもしれません
危険だと思うかもしれません
03:24
So you might be thinking
there's a danger in this.
there's a danger in this.
83
204328
2376
現在の仕事の世界は必ずしも
人の多様性に富んでおらず
人の多様性に富んでおらず
03:26
The work world today
is not the most diverse
is not the most diverse
84
206728
2136
03:28
and if we're building algorithms
based on current top performers,
based on current top performers,
85
208888
3096
現時点での成績優秀者に基づいて
アルゴリズムを作ったら
アルゴリズムを作ったら
03:32
how do we make sure
86
212008
1216
既存のバイアスを固定化させることに
ならないでしょうか？
ならないでしょうか？
03:33
that we're not just perpetuating
the biases that already exist?
the biases that already exist?
87
213248
2976
既存のバイアスを固定化させることに
ならないでしょうか？
ならないでしょうか？
たとえば S&P 500を
訓練セットとして
訓練セットとして
03:36
For example, if we were building
an algorithm based on top performing CEOs
an algorithm based on top performing CEOs
88
216248
4056
優れたCEOのデータを元に
アルゴリズムを作ったなら
アルゴリズムを作ったなら
03:40
and use the S&P 500 as a training set,
89
220328
3216
きっと どんな女性よりも
ジョンという名の白人男性の方が
ジョンという名の白人男性の方が
03:43
you would actually find
90
223568
1256
03:44
that you're more likely to hire
a white man named John than any woman.
a white man named John than any woman.
91
224848
3816
採用される可能性が
高くなるでしょう
高くなるでしょう
03:48
And that's the reality
of who's in those roles right now.
of who's in those roles right now.
92
228688
2696
それが現在CEO職を占めている人の
現実なのです
現実なのです
03:51
But technology actually poses
a really interesting opportunity.
a really interesting opportunity.
93
231408
3376
でも テクノロジーは本当に
興味深い機会を与えてくれます
興味深い機会を与えてくれます
どんな人間よりも
公平・公正な
公平・公正な
03:54
We can create algorithms
that are more equitable
that are more equitable
94
234808
2256
アルゴリズムを作ることが
できるのです
できるのです
03:57
and more fair than human beings
have ever been.
have ever been.
95
237088
2256
03:59
Every algorithm that we put
into production has been pretested
into production has been pretested
96
239368
3696
私達が本番で使う
アルゴリズムは
アルゴリズムは
性別や民族に偏りがないか
あらかじめテストしています
あらかじめテストしています
04:03
to ensure that it doesn't favor
any gender or ethnicity.
any gender or ethnicity.
97
243088
3096
04:06
And if there's any population
that's being overfavored,
that's being overfavored,
98
246208
2736
ある種の層が
贔屓されているのが分かったら
贔屓されているのが分かったら
04:08
we can actually alter the algorithm
until that's no longer true.
until that's no longer true.
99
248968
3120
それが解消されるよう
アルゴリズムを調整します
アルゴリズムを調整します
04:12
When we focus on the inherent
characteristics
characteristics
100
252448
2216
仕事への適性を生む
04:14
that can make somebody
a good fit for a job,
a good fit for a job,
101
254688
2096
人の本質的な性質に
焦点を当てることで
焦点を当てることで
04:16
we can transcend racism,
classism, sexism, ageism --
classism, sexism, ageism --
102
256808
3576
人種差別 階級差別
性差別 老人差別
性差別 老人差別
学歴差別さえ
克服可能になります
克服可能になります
04:20
even good schoolism.
103
260408
1416
04:21
Our best technology and algorithms
shouldn't just be used
shouldn't just be used
104
261848
2896
最高のテクノロジーやアルゴリズムを
次に見る映画や
次に見る映画や
04:24
for helping us find our next movie binge
or new favorite Justin Bieber song.
or new favorite Justin Bieber song.
105
264768
3736
ジャスティン・ビーバーに似た好みの曲を
探すのにしか使わないのは もったいないです
探すのにしか使わないのは もったいないです
04:28
Imagine if we could harness
the power of technology
the power of technology
106
268528
2656
テクノロジーの力を使って
自分自身が本質的にどういう
人間かに基づいた指針が得られたら
人間かに基づいた指針が得られたら
04:31
to get real guidance
on what we should be doing
on what we should be doing
107
271208
2296
04:33
based on who we are at a deeper level.
108
273528
1936
素敵だとは思いませんか
ABOUT THE SPEAKER
Priyanka Jain - TechnologistPriyanka Jain heads up product for pymetrics, an NYC-based startup that uses neuroscience and AI to make hiring more diverse and effective.
Why you should listen
Passionate about using technology to create a fairer workplace and global economy, Priyanka Jain is a spokesperson for the United Nations Foundation's Girl Up Campaign, Chair of the Acumen Fund's Junior Council and on the Innovation Board for the XPrize Foundation. She received her B.S. from Stanford University, where she was President of Stanford Women in Business and one of 12 Mayfield Entrepreneurship Fellows. Her previous experience includes internships at IBM Watson, Shift Technologies, Canvas Ventures and the Institute for Learning and Brain Sciences. Outside of work, she loves playing tennis and eating anything covered in dark chocolate.
Priyanka Jain | Speaker | TED.com