En un momento en el que la inteligencia artificial nos sorprende cada día, ningún ámbito puede dar la espalda a esta herramienta potente para mejorar procesos de todo tipo. También los profesionales de RR. HH. y de la gestión de personas tienen que adoptar una actitud proactiva frente a la IA, que pasa por entender cómo funciona, ser capaces de plantear posibles casos de aplicación e identificar qué datos se pueden utilizar, para saber qué pedir a los expertos y hacer las preguntas correctas.

Esta fue la principal conclusión de la IV Edición de la Escuela de Verano de la Universidad Nebrija junto con el Foro Recursos Humanos. Beatriz Lucía, directora de Talent Analytics en el Instituto de Ingeniería del Conocimiento (IIC), participó en la mesa sobre “Buenas prácticas en la aplicación de la inteligencia artificial en las empresas». Basándose en algunos proyectos realizados en el IIC, destacó algunas lecciones aprendidas sobre los datos, los sesgos o la cada vez más necesaria explicabilidad.

Lecciones aprendidas de los proyectos de HR Analytics

La experiencia del IIC en proyectos de HR Analytics deja aprendizajes. Beatriz Lucía compartió en este foro esas lecciones aprendidas, incluidas algunas específicas de tratar con datos sobre las personas.

Recogida y análisis de los datos

Tener buenos datos suele ser sinónimo de obtener buenos resultados en proyectos de inteligencia artificial. Por ello, un punto clave es implicar a las personas que recogen la información para luego entrenar los modelos de IA.

Además, aunque se busque desarrollar una solución predictiva, en los proyectos de HR Analytics siempre hay que hacer un análisis descriptivo previo para ordenar esa información, entender el problema o la necesidad planteados e identificar las variables interesantes para incluir en el modelo.

Sesgos y explicabilidad

Ya desde esa selección de los datos al principio del proyecto, es importante revisar si estos tienen sesgos y descartar las variables que no aporten a la solución y que pueden replicarlos en los resultados. Por ejemplo, en el IIC nunca consideramos la variable género para que no influya directamente en el modelo, y, según el proyecto, también se pueden descartar la edad o la nacionalidad.

Por otro lado, cada vez es más importante la explicabilidad de los modelos. Es decir, se deben desarrollar modelos transparentes en cuanto a las variables en las que se basan y el impacto de estas en los resultados. De esta forma, se pueden identificar las variables relevantes que afectan al modelo en general –también útil para vigilar los sesgos–, pero también se indaga sobre el impacto de cada variable por separado, para llegar, finalmente, al impacto de estas variables en las predicciones más individuales, caso a caso.

Eficacia e integración del modelo

Una vez desarrollado el modelo, hay que demostrar su eficacia, para lo que es útil comparar los resultados del proceso actual de RR. HH. con los que se obtendrían aplicando el modelo de IA. Además, es importante reentrenarlo conforme avanza el tiempo con nuevos datos para que esté actualizado.

Por otro lado, los modelos pueden integrarse en los sistemas de la compañía, destacando que ofrecen información objetiva e interpretable solo por el técnico de RR. HH., que sigue siendo quien toma la decisión en todos los casos.

Algunos casos de uso de la IA en RR. HH.

A veces, los ejemplos de proyectos reales llevados a cabo en el ámbito de los RR. HH. pueden ayudar a buscarle nuevas aplicaciones prácticas a la inteligencia artificial. Por ello, Beatriz Lucía basó su presentación en varios casos de éxito.

• Predicción de riesgo de salida voluntaria, especialmente útil para empresas grandes con mucha rotación o para empresas que cuentan con perfiles críticos. Se trabaja con el histórico de datos para intentar perfilar a las personas que abandonan la empresa y se entrena un modelo de Machine Learning que da un score de riesgo a cada empleado actual, así como las variables relevantes en cada caso.

• Análisis de redes organizacionales que dejan ver la red de relaciones de los empleados por debajo del organigrama formal. En estos casos, se obtiene información sobre la ubicación de las personas en la empresa y se descubren agentes de cambio, líderes informales o referentes técnicos, entre otros perfiles.

• Optimización del proceso de selección, útil sobre todo en procesos masivos con muchos currículums que filtrar. Se seleccionan una serie de “candidatos estrella” con cuyas características se entrena al modelo. Este acaba dando una probabilidad de éxito a cada nuevo candidato.

• Mejorar la seguridad laboral mediante la predicción de incidentes y accidentes laborales. Solo con el análisis de los datos se identifican las variables que tienen un mayor peso (horas extra, formación, meteorología, etc.) y los factores de riesgo para cada actividad.