The Way We Work
Priyanka Jain: How to make applying for jobs less painful
Приянка Джайн: Как сделать поиск работы менее болезненным
Filmed:
Readability: 4.3
548,985 views
Раньше любой поиск работы начинался с отправления резюме миллиону потенциальных работодателей, в большинстве случаев безответно.
Всё больше и больше компаний используют технологии, чтобы найти подходящих кандидатов. Если ИИ — будущее найма, что это значит для вас? Технолог Приянка Джайн рассказывает об этом новом рубеже найма.
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
Трудоустройство онлайн —
00:01
is one of the worst
digital experiences of our time.
digital experiences of our time.
1
1988
2616
одно из неприятных проявлений
технологий в наше время.
технологий в наше время.
00:04
And applying for jobs in person
really isn't much better.
really isn't much better.
2
4628
2696
Но подавать заявления на работу
лично ничем не лучше.
лично ничем не лучше.
00:07
[The Way We Work]
3
7349
1720
[Как мы работаем]
00:11
Hiring as we know it
is broken on many fronts.
is broken on many fronts.
4
11588
2456
Обычный приём на работу
барахлит по всем фронтам.
барахлит по всем фронтам.
00:14
It's a terrible experience for people.
5
14068
1856
Он превратился в ужасное испытание.
00:15
About 75 percent of people
6
15948
1816
Около 75% людей,
00:17
who applied to jobs
using various methods in the past year
using various methods in the past year
7
17788
2856
кто за последний год использовал
разные методы подачи заявок,
разные методы подачи заявок,
00:20
said they never heard anything back
from the employer.
from the employer.
8
20668
2656
не получили вообще никакого
ответа от работодателя.
ответа от работодателя.
00:23
And at the company level
it's not much better.
it's not much better.
9
23348
2176
Со стороны компаний
ситуация не лучше.
ситуация не лучше.
00:25
46 percent of people get fired or quit
10
25548
2776
46% людей уходят или их увольняют
00:28
within the first year
of starting their jobs.
of starting their jobs.
11
28348
2176
в течение первого года на новом месте.
00:30
It's pretty mind-blowing.
12
30548
1216
С ума сойти, верно?
00:31
It's also bad for the economy.
13
31788
1456
Это плохо и для экономики.
00:33
For the first time in history,
14
33268
1456
Впервые в истории у нас больше
00:34
we have more open jobs
than we have unemployed people,
than we have unemployed people,
15
34748
2856
вакансий, чем соискателей.
00:37
and to me that screams
that we have a problem.
that we have a problem.
16
37628
2176
Для меня это явный знак: у нас проблема!
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
Я верю, что корень проблемы —
в одном-единственном документе: резюме.
в одном-единственном документе: резюме.
00:43
A résumé definitely has
some useful pieces in it:
some useful pieces in it:
18
43828
2336
Резюме определённо содержит
полезную информацию:
полезную информацию:
00:46
what roles people have had,
computer skills,
computer skills,
19
46188
2096
прежние должности, компьютерные навыки,
00:48
what languages they speak,
20
48308
1256
знание языков.
00:49
but what it misses is
what they have the potential to do
what they have the potential to do
21
49588
3056
Но резюме не отображает
потенциал человека,
потенциал человека,
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
способность делать работу,
в которой нет опыта.
в которой нет опыта.
00:55
And with such a quickly changing economy
where jobs are coming online
where jobs are coming online
23
55668
3256
В условиях экономики быстрых перемен,
когда появляются виды работы,
когда появляются виды работы,
00:58
that might require skills that nobody has,
24
58948
2056
для которых нужны совершенно
новые навыки,
новые навыки,
01:01
if we only look at what someone
has done in the past,
has done in the past,
25
61028
2776
нельзя учитывать только то,
в чём у человека уже есть опыт,
в чём у человека уже есть опыт,
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
иначе нам не найти людей
для вакансий будущего.
для вакансий будущего.
01:07
So this is where I think technology
can be really helpful.
can be really helpful.
27
67108
2736
Технологии могут нам в этом помочь.
Вы наверняка уже заметили,
что алгоритмы достаточно хорошо
что алгоритмы достаточно хорошо
01:09
You've probably seen
that algorithms have gotten pretty good
that algorithms have gotten pretty good
28
69868
2856
подбирают то, что нам может понравится.
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
Но что если нам использовать
те же технологии,
те же технологии,
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
чтобы искать работу,
которая нам подходит?
которая нам подходит?
01:19
But I know what you're thinking.
32
79708
1576
Я знаю, о чём вы подумали.
01:21
Algorithms picking your next job
sounds a little bit scary,
sounds a little bit scary,
33
81308
2776
Доверить алгоритму подбор
следующей работы страшно.
следующей работы страшно.
01:24
but there is one thing that has been shown
34
84108
2056
Но давайте рассмотрим инструмент,
эффективно распознающий
потенциальный успех человека в работе.
потенциальный успех человека в работе.
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
01:29
and that's what's called
a multimeasure test.
a multimeasure test.
36
89108
2136
Это так называемое мультитестирование.
01:31
Multimeasure tests
really aren't anything new,
really aren't anything new,
37
91268
2176
Это не какой-то новомодный метод,
01:33
but they used to be really expensive
38
93468
1736
но раньше он был очень дорогим
01:35
and required a PhD sitting across from you
39
95228
2016
и требовал человека с докторской степенью,
01:37
and answering lots of questions
and writing reports.
and writing reports.
40
97268
2456
который задавал вам
уйму вопросов и писал отчёты.
уйму вопросов и писал отчёты.
01:39
Multimeasure tests are a way
41
99748
1696
Мультитестирование позволяет
01:41
to understand someone's inherent traits --
42
101468
2456
понять врождённые способности,
01:43
your memory, your attentiveness.
43
103948
1776
оценивая вашу память и внимательность.
01:46
What if we could take multimeasure tests
44
106662
1942
Что если нам сделать мультитестирование
01:48
and make them scalable and accessible,
45
108628
2536
доступным и легковоспроизводимым,
01:51
and provide data to employers
about really what the traits are
about really what the traits are
46
111188
3376
давая работодателям возможность понять,
какие характеристики
какие характеристики
01:54
of someone who can make
them a good fit for a job?
them a good fit for a job?
47
114588
2896
на самом деле необходимы
для той или иной работы?
для той или иной работы?
01:57
This all sounds abstract.
48
117508
1296
Знаю, звучит абстрактно.
01:58
Let's try one of the games together.
49
118828
1735
Давайте вместе сыграем в игру.
02:00
You're about to see a flashing circle,
50
120587
1857
Сейчас вы увидите картинку круга.
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
Хлопните в ладоши, если круг красный,
а если круг зелёный —
а если круг зелёный —
02:06
and do nothing when it's green.
52
126285
1496
не делайте ничего.
02:07
[Ready?]
53
127806
1376
[Готовы?]
02:09
[Begin!]
54
129207
1360
[Начали!]
02:11
[Green circle]
55
131708
1000
[Зелёный круг]
02:13
[Green circle]
56
133708
1040
[Зелёный круг]
02:15
[Red circle]
57
135708
1000
[Красный круг]
02:17
[Green circle]
58
137708
1080
[Зелёный круг]
02:19
[Red circle]
59
139708
1000
[Красный круг]
02:21
Maybe you're the type of person
60
141928
1596
Может, вы такой человек,
02:23
who claps the millisecond
after a red circle appears.
after a red circle appears.
61
143548
2496
который хлопает в ту же секунду,
как появляется круг.
как появляется круг.
02:26
Or maybe you're the type of person
62
146068
1656
Или вам нужно подождать немного,
02:27
who takes just a little bit longer
to be 100 percent sure.
to be 100 percent sure.
63
147748
2735
чтобы быть полностью уверенным.
Или вы хлопаете, видя зелёный круг,
хотя и не должны этого делать.
хотя и не должны этого делать.
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
В отличие от стандартного тестирования,
которое показывает,
которое показывает,
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
что кто-то подходит для работы,
а кто-то нет,
а кто-то нет,
мультитест позволяет понять,
где именно пригодятся ваши способности
где именно пригодятся ваши способности
02:39
Instead it's about understanding
the fit between your characteristics
the fit between your characteristics
67
159148
3256
и для какой именно работы
вы подходите лучше всего.
вы подходите лучше всего.
02:42
and what would make you
good a certain job.
good a certain job.
68
162428
2016
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
Если вы с запозданием хлопали на красный
и всегда пропускали зелёный,
и всегда пропускали зелёный,
02:48
you might be high in attentiveness
and high in restraint.
and high in restraint.
70
168228
3176
скорее всего вы очень внимательный
и сдержанный человек.
и сдержанный человек.
02:51
People in that quadrant tend to be
great students, great test-takers,
great students, great test-takers,
71
171428
3576
Такие люди обычно хорошие студенты
и отлично справляются с заданиями,
и отлично справляются с заданиями,
02:55
great at project management or accounting.
72
175028
2136
хороши как менеджеры проектов
и бухгалтера.
и бухгалтера.
02:57
But if you clap immediately on red
and sometimes clap on green,
and sometimes clap on green,
73
177188
3336
Но если вы сию секунду хлопаете на красный
и иногда даже на зелёный,
и иногда даже на зелёный,
03:00
that might mean that
you're more impulsive and creative,
you're more impulsive and creative,
74
180548
2656
возможно, вы более импульсивный,
творческий человек.
творческий человек.
03:03
and we've found that top-performing
salespeople often embody these traits.
salespeople often embody these traits.
75
183228
3875
Лучшим продавцам зачастую
свойственны эти качества.
свойственны эти качества.
03:07
The way we actually use this in hiring
76
187128
2016
При поиске сотрудников мы даём
03:09
is we have top performers in a role
go through neuroscience exercises
go through neuroscience exercises
77
189168
3696
лучшим представителям той
или иной работы нейротест,
или иной работы нейротест,
03:12
like this one.
78
192888
1216
похожий на этот.
03:14
Then we develop an algorithm
79
194128
1376
Затем мы разрабатываем алгоритм,
03:15
that understands what makes
those top performers unique.
those top performers unique.
80
195528
2656
который определяет, в чём
уникальность тестируемых.
уникальность тестируемых.
03:18
And then when people apply to the job,
81
198208
1936
При найме нового человека на должность
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
мы можем выявить кандидатов,
которые лучше всего подходят для вакансии.
которые лучше всего подходят для вакансии.
03:24
So you might be thinking
there's a danger in this.
there's a danger in this.
83
204328
2376
Вы можете подумать,
что такой метод опасен.
что такой метод опасен.
Рабочая среда сейчас
и так не самая инклюзивная,
и так не самая инклюзивная,
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
и если наши алгоритмы основаны
на нынешних лучших представителях,
на нынешних лучших представителях,
03:32
how do we make sure
86
212008
1216
как нам быть уверенными,
03:33
that we're not just perpetuating
the biases that already exist?
the biases that already exist?
87
213248
2976
что мы не поддерживаем
уже существующие предвзятости?
уже существующие предвзятости?
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
Например, если наш алгоритм будет
построен на лучших директорах
построен на лучших директорах
03:40
and use the S&P 500 as a training set,
89
220328
3216
и выберет индекс S&P 500 как пример,
вероятнее всего
вероятнее всего
03:43
you would actually find
90
223568
1256
вы наймёте белого мужчину
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
по имени Джон, а не женщину.
Потому что сейчас эту позицию
преимущественно занимают мужчины.
преимущественно занимают мужчины.
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
Но эта технология на самом деле
предоставляет интересную возможность.
предоставляет интересную возможность.
03:51
But technology actually poses
a really interesting opportunity.
a really interesting opportunity.
93
231408
3376
Мы можем создать алгоритмы,
которые более объективны
которые более объективны
03:54
We can create algorithms
that are more equitable
that are more equitable
94
234808
2256
03:57
and more fair than human beings
have ever been.
have ever been.
95
237088
2256
и справедливы, чем люди.
03:59
Every algorithm that we put
into production has been pretested
into production has been pretested
96
239368
3696
Каждый из наших алгоритмов
прошёл предварительное тестирование
прошёл предварительное тестирование
04:03
to ensure that it doesn't favor
any gender or ethnicity.
any gender or ethnicity.
97
243088
3096
на отсутствие предпочтений
относительно пола или национальности.
относительно пола или национальности.
04:06
And if there's any population
that's being overfavored,
that's being overfavored,
98
246208
2736
А если всё же обнаруживается
определённое большинство,
определённое большинство,
04:08
we can actually alter the algorithm
until that's no longer true.
until that's no longer true.
99
248968
3120
мы можем изменить алгоритм,
чтобы исправить любые предпочтения.
чтобы исправить любые предпочтения.
04:12
When we focus on the inherent
characteristics
characteristics
100
252448
2216
Когда мы фокусируемся
на качествах человека,
на качествах человека,
делающих его идеальным
кандидатом на должность,
кандидатом на должность,
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
мы можем обойти расизм,
классовость, сексизм, эйджизм
классовость, сексизм, эйджизм
04:20
even good schoolism.
103
260408
1416
и даже престижное образование.
04:21
Our best technology and algorithms
shouldn't just be used
shouldn't just be used
104
261848
2896
Мы можем использовать лучшие
технологии, не только чтобы
технологии, не только чтобы
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
найти наш следующий любимый сериал
или новую любимую песню Бибера.
или новую любимую песню Бибера.
04:28
Imagine if we could harness
the power of technology
the power of technology
106
268528
2656
Представьте, что технологии
могут реально помочь нам
могут реально помочь нам
04:31
to get real guidance
on what we should be doing
on what we should be doing
107
271208
2296
в поиске того, чем нам стоит заниматься,
04:33
based on who we are at a deeper level.
108
273528
1936
на основе того, кто мы
на более глубоком уровне.
на более глубоком уровне.
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