The Way We Work
Priyanka Jain: How to make applying for jobs less painful
프리얀카 제인: 덜 고통스럽게 입사지원하기
Filmed:
Readability: 4.3
548,985 views
전에는 직장을 구하기 위해 수많은 회사에 이력서를 제출하고 대부분의 회사로부터 아무 소식을 듣지 못하는 것으로부터 시작했습니다. 하지만 점점 더 많은 회사에서 지원자들의 선별에 기술을 우선해 활용하고 있습니다. 고용의 미래를 인공지능이 책임진다면, 여러분에게는 무슨 의미가 있을까요? 이 새로운 고용 환경에 대해 기술 전문가 프리얀카 제인(Priyanka Jain)이 얘기합니다.
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.
00:00
Applying for jobs online
0
548
1416
온라인 입사지원은
00:01
is one of the worst
digital experiences of our time.
digital experiences of our time.
1
1988
2616
우리 시대 최악의
디지털 활동 중 하나입니다.
디지털 활동 중 하나입니다.
00:04
And applying for jobs in person
really isn't much better.
really isn't much better.
2
4628
2696
직접 찾아가 지원하는 것도
별반 낫지 않죠.
별반 낫지 않죠.
00:07
[The Way We Work]
3
7349
1720
[우리가 일하는 방식]
알다시피 고용 과정에는
많은 문제가 있습니다.
많은 문제가 있습니다.
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
사람들에겐 끔찍한 경험이죠.
00:15
About 75 percent of people
6
15948
1816
약 75%의 사람들이
00:17
who applied to jobs
using various methods in the past year
using various methods in the past year
7
17788
2856
작년에 다양한 방식으로
입사지원을 했지만
입사지원을 했지만
고용주로부터 아무런 답변도
듣지 못했다고 합니다.
듣지 못했다고 합니다.
00:20
said they never heard anything back
from the employer.
from the employer.
8
20668
2656
00:23
And at the company level
it's not much better.
it's not much better.
9
23348
2176
고용주의 입장도 마찬가진데요.
00:25
46 percent of people get fired or quit
10
25548
2776
46%의 사람들은
해고되거나 그만두고 마는데
해고되거나 그만두고 마는데
00:28
within the first year
of starting their jobs.
of starting their jobs.
11
28348
2176
일을 시작한 첫해에 말이죠.
00:30
It's pretty mind-blowing.
12
30548
1216
좀 놀랍죠.
00:31
It's also bad for the economy.
13
31788
1456
경제에도 좋지 않습니다.
00:33
For the first time in history,
14
33268
1456
역사상 처음으로
실업자보다 일자리가 더 많아졌지만
00:34
we have more open jobs
than we have unemployed people,
than we have unemployed people,
15
34748
2856
제게는 분명히
문제가 있다는 소리로 들리네요.
문제가 있다는 소리로 들리네요.
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
바로 그 중심에
이력서라는 서류가 있죠.
이력서라는 서류가 있죠.
00:43
A résumé definitely has
some useful pieces in it:
some useful pieces in it:
18
43828
2336
분명 이력서에는
유용한 정보들도 있습니다.
유용한 정보들도 있습니다.
00:46
what roles people have had,
computer skills,
computer skills,
19
46188
2096
어떤 일을 했었는지,
컴퓨터는 잘 다루는지,
컴퓨터는 잘 다루는지,
00:48
what languages they speak,
20
48308
1256
어떤 언어를 구사하는지,
00:49
but what it misses is
what they have the potential to do
what they have the potential to do
21
49588
3056
하지만 그 사람의
잠재력에 대해 알 순 없습니다.
잠재력에 대해 알 순 없습니다.
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
전엔 기회가 없어
보여줄 수 없었던 것들 말이죠.
보여줄 수 없었던 것들 말이죠.
또, 급변하는 경제 속에서
누구에게도 없는 재능을 요하는
누구에게도 없는 재능을 요하는
00:55
And with such a quickly changing economy
where jobs are coming online
where jobs are coming online
23
55668
3256
00:58
that might require skills that nobody has,
24
58948
2056
직업들이 온라인에 게시되는데
01:01
if we only look at what someone
has done in the past,
has done in the past,
25
61028
2776
그 사람이 전에
뭘 했는지 밖에 모른다면
뭘 했는지 밖에 모른다면
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
미래의 직업에 맞는
인재를 찾긴 힘들겠죠.
인재를 찾긴 힘들겠죠.
바로 여기서 기술이
큰 도움이 될거라 생각합니다.
큰 도움이 될거라 생각합니다.
01:07
So this is where I think technology
can be really helpful.
can be really helpful.
27
67108
2736
아마 아실거에요,
사람과 사물을 연결하는 알고리즘에
사람과 사물을 연결하는 알고리즘에
01:09
You've probably seen
that algorithms have gotten pretty good
that algorithms have gotten pretty good
28
69868
2856
많은 발전이 있었던 걸요.
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
그런데 그 기술을 우리에게 잘 맞는
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
직업을 찾는 데에
활용할 수 있다면 어떨까요?
활용할 수 있다면 어떨까요?
01:19
But I know what you're thinking.
32
79708
1576
지금 무슨 생각하시는 지 압니다.
알고리즘으로 여러분의 직업이
정해진다는 게 좀 섬뜩하긴 한데
정해진다는 게 좀 섬뜩하긴 한데
01:21
Algorithms picking your next job
sounds a little bit scary,
sounds a little bit scary,
33
81308
2776
한 가지 검증된 것으로
01:24
but there is one thing that has been shown
34
84108
2056
누군가의 직업적 성공 여부를
제대로 예측하는
제대로 예측하는
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
'다중측정 검사'라는 것이 있습니다.
01:29
and that's what's called
a multimeasure test.
a multimeasure test.
36
89108
2136
사실 새로운 건 아니지만
01:31
Multimeasure tests
really aren't anything new,
really aren't anything new,
37
91268
2176
비용이 많이 들고
01:33
but they used to be really expensive
38
93468
1736
박사학위를 가진 사람과 마주 앉아
01:35
and required a PhD sitting across from you
39
95228
2016
많은 질문에 답하고
보고서까지 써내야 했었죠.
보고서까지 써내야 했었죠.
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
다중측정 검사는 개인의
고유한 특성을 알 수 있는 방법인데
01:41
to understand someone's inherent traits --
42
101468
2456
01:43
your memory, your attentiveness.
43
103948
1776
기억력, 주의력 등이죠.
01:46
What if we could take multimeasure tests
44
106662
1942
만약 다중측정 검사를
01:48
and make them scalable and accessible,
45
108628
2536
다양한 조건에서
손쉽게 활용할 수 있어서
손쉽게 활용할 수 있어서
01:51
and provide data to employers
about really what the traits are
about really what the traits are
46
111188
3376
어느 직업에 잘 맞는
개인의 특성에 관한 자료를
개인의 특성에 관한 자료를
01:54
of someone who can make
them a good fit for a job?
them a good fit for a job?
47
114588
2896
고용주들에게 제공한다면 어떨까요?
01:57
This all sounds abstract.
48
117508
1296
너무 추상적으로 들리죠.
01:58
Let's try one of the games together.
49
118828
1735
같이 게임을 하나 해보죠.
이제 번쩍이는 원이 보일텐데
02:00
You're about to see a flashing circle,
50
120587
1857
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
빨간색이면 손뼉을 치고
02:06
and do nothing when it's green.
52
126285
1496
초록색이면 가만히 계시면 됩니다.
[준비?]
02:07
[Ready?]
53
127806
1376
[시작!]
02:09
[Begin!]
54
129207
1360
[초록]
02:11
[Green circle]
55
131708
1000
[초록]
02:13
[Green circle]
56
133708
1040
[빨강]
02:15
[Red circle]
57
135708
1000
[초록]
02:17
[Green circle]
58
137708
1080
[빨강]
02:19
[Red circle]
59
139708
1000
02:21
Maybe you're the type of person
60
141928
1596
아마도 여러분 중엔
빨간 원이 나오고 천분의 1초만에
손뼉을 치신 분들도 있고
손뼉을 치신 분들도 있고
02:23
who claps the millisecond
after a red circle appears.
after a red circle appears.
61
143548
2496
02:26
Or maybe you're the type of person
62
146068
1656
아니면 어떤 분들은
100% 확실하게 하기 위해
좀 더 늦게 치신 분들도 있겠죠.
좀 더 늦게 치신 분들도 있겠죠.
02:27
who takes just a little bit longer
to be 100 percent sure.
to be 100 percent sure.
63
147748
2735
아니면 실수로, 초록색일 때
치신 분들도 있을 거예요.
치신 분들도 있을 거예요.
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
재미있는 것은 이 테스트가
누구를 고용하면 좋은 지 보여주는
누구를 고용하면 좋은 지 보여주는
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
02:36
where some people are employable
and some people aren't.
and some people aren't.
66
156468
2656
표준화된 테스트들과는
완전히 다르다는 것입니다.
완전히 다르다는 것입니다.
대신 여러분의 특성이
어떤 직업에서
어떤 직업에서
02:39
Instead it's about understanding
the fit between your characteristics
the fit between your characteristics
67
159148
3256
진가를 발휘할 지
알아볼 수 있는 것이죠.
알아볼 수 있는 것이죠.
02:42
and what would make you
good a certain job.
good a certain job.
68
162428
2016
빨간색일 땐 늦게 치고
초록색일 땐 치지 않았다면
초록색일 땐 치지 않았다면
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
02:48
you might be high in attentiveness
and high in restraint.
and high in restraint.
70
168228
3176
주의력이 높고
인내심이 많은 사람일 거예요.
인내심이 많은 사람일 거예요.
02:51
People in that quadrant tend to be
great students, great test-takers,
great students, great test-takers,
71
171428
3576
그런 사람들은 보통
훌륭한 학생이자 시험도 잘 보고
훌륭한 학생이자 시험도 잘 보고
02:55
great at project management or accounting.
72
175028
2136
프로젝트 관리나
회계업무에 뛰어납니다.
회계업무에 뛰어납니다.
02:57
But if you clap immediately on red
and sometimes clap on green,
and sometimes clap on green,
73
177188
3336
빨간색이 나오자 마자, 그리고
가끔 초록색일 때도 손뼉을 친다면
가끔 초록색일 때도 손뼉을 친다면
03:00
that might mean that
you're more impulsive and creative,
you're more impulsive and creative,
74
180548
2656
좀 더 충동적이고 창의적이란 건데
03:03
and we've found that top-performing
salespeople often embody these traits.
salespeople often embody these traits.
75
183228
3875
보통 잘나가는 영업사원들이
이런 특징을 가지고 있었습니다.
이런 특징을 가지고 있었습니다.
03:07
The way we actually use this in hiring
76
187128
2016
이를 실제로
고용할 때 적용해 보려고
고용할 때 적용해 보려고
03:09
is we have top performers in a role
go through neuroscience exercises
go through neuroscience exercises
77
189168
3696
각 직책의 우수한 직원들에게
방금 했던
신경과학 훈련을 시켜 봤어요.
신경과학 훈련을 시켜 봤어요.
03:12
like this one.
78
192888
1216
그리고 알고리즘을 개발해
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
무엇이 그들을
특별하게 만드는지 알아 봤죠.
특별하게 만드는지 알아 봤죠.
03:18
And then when people apply to the job,
81
198208
1936
이제 사람들이 입사지원을 하면
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
그 일에 가장 적합한 후보들을
추려낼 수 있습니다.
추려낼 수 있습니다.
03:24
So you might be thinking
there's a danger in this.
there's a danger in this.
83
204328
2376
이게 위험할 수 있다고
생각하는 분들도 있을 거예요.
생각하는 분들도 있을 거예요.
03:26
The work world today
is not the most diverse
is not the most diverse
84
206728
2136
보다 다양함이 요구되는
오늘날의 노동환경에
오늘날의 노동환경에
03:28
and if we're building algorithms
based on current top performers,
based on current top performers,
85
208888
3096
우수한 직원들을 기준으로
알고리즘을 만든다면
알고리즘을 만든다면
그것이 이미 존재하는 편견들만
지속시키는 꼴이 아니란 걸
지속시키는 꼴이 아니란 걸
03:32
how do we make sure
86
212008
1216
03:33
that we're not just perpetuating
the biases that already exist?
the biases that already exist?
87
213248
2976
어떻게 알 수 있을까요?
예를 들어, 우수한 CEO들을
기준으로 알고리즘을 만들어
기준으로 알고리즘을 만들어
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
S&P 500을
'트레이닝 세트'로 사용한다면
'트레이닝 세트'로 사용한다면
03:40
and use the S&P 500 as a training set,
89
220328
3216
03:43
you would actually find
90
223568
1256
실제로 어떤 여성보다도
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
'존'이란 이름의 백인 남성을
고용할 확률이 높게 됩니다.
고용할 확률이 높게 됩니다.
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
오늘날 어떤 이들이
그 위치에 있는지 보여주는 셈이죠.
그 위치에 있는지 보여주는 셈이죠.
03:51
But technology actually poses
a really interesting opportunity.
a really interesting opportunity.
93
231408
3376
하지만 기술은 여전히
아주 흥미로운 기회를 제시합니다.
아주 흥미로운 기회를 제시합니다.
03:54
We can create algorithms
that are more equitable
that are more equitable
94
234808
2256
어떤 인간보다도
훨씬 합리적이고 공정한
훨씬 합리적이고 공정한
03:57
and more fair than human beings
have ever been.
have ever been.
95
237088
2256
알고리즘의 개발이 가능하니까요.
03:59
Every algorithm that we put
into production has been pretested
into production has been pretested
96
239368
3696
저희가 제작하는 모든 알고리즘은
사전 테스트를 거쳐
사전 테스트를 거쳐
04:03
to ensure that it doesn't favor
any gender or ethnicity.
any gender or ethnicity.
97
243088
3096
특정한 성별이나 인종을
선호하지 않도록 했어요.
선호하지 않도록 했어요.
04:06
And if there's any population
that's being overfavored,
that's being overfavored,
98
246208
2736
지나치게 선호되는 집단이 보이면
04:08
we can actually alter the algorithm
until that's no longer true.
until that's no longer true.
99
248968
3120
더 이상 그런 문제가 생기지 않게
알고리즘의 수정도 가능하죠.
알고리즘의 수정도 가능하죠.
본질적인 특성에 초점을 두고
04:12
When we focus on the inherent
characteristics
characteristics
100
252448
2216
누가 그 자리에 적합한지 따져 본다면
04:14
that can make somebody
a good fit for a job,
a good fit for a job,
101
254688
2096
04:16
we can transcend racism,
classism, sexism, ageism --
classism, sexism, ageism --
102
256808
3576
인종차별, 계급차별, 성차별, 연령차별,
심지어 학벌도 초월할 수 있습니다.
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
최고의 기술과 알고리즘을 단순히
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
다음에 몰아 볼 영화나, 저스틴 비버의
새 애창곡을 찾는 데에만 쓰면 안되겠죠.
새 애창곡을 찾는 데에만 쓰면 안되겠죠.
04:28
Imagine if we could harness
the power of technology
the power of technology
106
268528
2656
상상해 보세요.
이 기술의 힘을 잘 이용한다면
이 기술의 힘을 잘 이용한다면
04:31
to get real guidance
on what we should be doing
on what we should be doing
107
271208
2296
개인의 다양한 특성에 따라
어떤 일을 해야 좋을 지 알려줄
어떤 일을 해야 좋을 지 알려줄
04:33
based on who we are at a deeper level.
108
273528
1936
실질적 지침이 될 수 있으니까요.
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