ABOUT THE SPEAKER
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.

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.

More profile about the speaker
Priyanka Jain | Speaker | TED.com
The Way We Work

Priyanka Jain: How to make applying for jobs less painful

Priyanka Jain: Sådan bliver jobsøgning mindre pinefuld

Filmed:
548,985 views

Tidligere startede jobsøgning med at man sendte sit CV en million steder hen og aldrig hørte fra de fleste af dem. Nu bruger flere og flere virksomheder screeningsteknologi til at udvælge kandidater. Hvis kunstig intelligens er fremtiden indenfor jobsøgning, hvad betyder det så for dig? Teknologieksperten Priyanka Jain deler sin viden om jobsøgningens nye verden.
- 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

Double-click the English transcript below to play the video.

00:00
ApplyingAnvende for jobsjob onlineonline
0
548
1416
Jobsøgning på nettet
00:01
is one of the worstværst
digitaldigital experienceserfaringer of our time.
1
1988
2616
er en af de værste digitale
oplevelser i vor tid.
00:04
And applyinganvende for jobsjob in personperson
really isn't much better.
2
4628
2696
Og personlig jobsøgning
er ikke meget bedre.
00:07
[The Way We Work]
3
7349
1720
[Måden vi arbejder på]
00:11
HiringAnsættelse as we know it
is brokengået i stykker on manymange frontsfronter.
4
11588
2456
Ansættelse som vi
kender det, fungerer ikke
00:14
It's a terribleforfærdeligt experienceerfaring for people.
5
14068
1856
Det er en dårlig oplevelse.
00:15
About 75 percentprocent of people
6
15948
1816
Omtrent 75% af de
00:17
who appliedanvendt to jobsjob
usingved brug af variousforskellige methodsmetoder in the pastforbi yearår
7
17788
2856
der søgte job
det seneste år
00:20
said they never heardhørt anything back
from the employerarbejdsgiver.
8
20668
2656
fortæller at de aldrig hørte
noget fra arbejdsgiveren.
00:23
And at the companySelskab levelniveau
it's not much better.
9
23348
2176
I virksomhederne er
det ikke meget bedre
00:25
46 percentprocent of people get firedfyret or quitAfslut
10
25548
2776
46% af de ansatte
bliver fyret eller siger op
00:28
withininden for the first yearår
of startingstart theirderes jobsjob.
11
28348
2176
indenfor det første år
af deres ansættelse.
00:30
It's prettysmuk mind-blowingmildt sagt forbløffende.
12
30548
1216
Det er chokerende tal.
00:31
It's alsoogså baddårlig for the economyøkonomi.
13
31788
1456
Og skidt for økonomien.
00:33
For the first time in historyhistorie,
14
33268
1456
For første gang i historien
00:34
we have more openåben jobsjob
than we have unemployedarbejdsløs people,
15
34748
2856
har vi flere ledige jobs
end arbejdsløse i USA,
00:37
and to me that screamsskrig
that we have a problemproblem.
16
37628
2176
og det viser et
tydeligt problem
00:39
I believe that at the cruxsagens kerne of all of this
is a singleenkelt piecestykke of paperpapir: the résumsumé.
17
39828
3976
Jeg tror sagens kerne er et
enkelt stykke papir: CV'et.
00:43
A résumsumé definitelyhelt bestemt has
some usefulnyttig piecesstykker in it:
18
43828
2336
Et CV indeholder utvivlsomt
vigtig information:
00:46
what rolesroller people have had,
computercomputer skillsfærdigheder,
19
46188
2096
tidligere ansættelser,
IT-evner,
00:48
what languagesSprog they speaktale,
20
48308
1256
hvilke sprog de taler,
00:49
but what it missesmisses is
what they have the potentialpotentiel to do
21
49588
3056
men sjældent noget om de potentialer
00:52
that they mightmagt not have had
the opportunitylejlighed to do in the pastforbi.
22
52668
2976
der måske ikke tidligere
er blevet udlevet
00:55
And with suchsådan a quicklyhurtigt changingskiftende economyøkonomi
where jobsjob are comingkommer onlineonline
23
55668
3256
Og med en økonomi i forandring,
hvor de job der opslås på nettet
00:58
that mightmagt requirekræve skillsfærdigheder that nobodyingen has,
24
58948
2056
måske kræver evner som ingen har ...
01:01
if we only look at what someonenogen
has doneFærdig in the pastforbi,
25
61028
2776
hvis vi kun kigger på hvad
folk har lavet tidligere,
01:03
we're not going to be ablei stand
to matchmatch people to the jobsjob of the futurefremtid.
26
63828
3256
vil vi ikke kunne matche folk
til de rette jobs i fremtiden.
01:07
So this is where I think technologyteknologi
can be really helpfulnyttig.
27
67108
2736
Det er her teknologien
kan være til stor hjælp
01:09
You've probablysandsynligvis seenset
that algorithmsalgoritmer have gottenfået prettysmuk good
28
69868
2856
Algoritmer er gode til
01:12
at matchingmatchende people to things,
29
72748
1536
at matche folk med ting,
01:14
but what if we could use
that samesamme technologyteknologi
30
74308
2256
men måske kan vi anvende
denne teknologi
01:16
to actuallyrent faktisk help us find jobsjob
that we're really well-suitedvelegnet for?
31
76588
3096
til at finde jobs
vi matcher godt?
01:19
But I know what you're thinkingtænker.
32
79708
1576
Men jeg ved hvad I tænker.
01:21
AlgorithmsAlgoritmer pickingplukke your nextNæste jobjob
soundslyde a little bitbit scaryskræmmende,
33
81308
2776
Algoritmer der vælger dit næste job,
lyder lidt skræmmende,
01:24
but there is one thing that has been shownvist
34
84108
2056
men der er en faktor som påviseligt er
01:26
to be really predictiveforprogrammeret
of someone'snogen er futurefremtid successsucces in a jobjob,
35
86188
2896
en stærk indikator for en
kandidats fremtidige jobsucces
01:29
and that's what's calledhedder
a multimeasureflere mål testprøve.
36
89108
2136
og det er en såkaldt multifaktortest.
01:31
MultimeasureFlere mål teststest
really aren'ter ikke anything newny,
37
91268
2176
Multifaktortests er egentlig ikke nye,
01:33
but they used to be really expensivedyrt
38
93468
1736
men de plejede at være meget dyre
01:35
and requiredpåkrævet a PhDPh.d. sittingsidder acrosset kors from you
39
95228
2016
og krævede at en PhD sad sammen med dig
01:37
and answeringtelefonsvarer lots of questionsspørgsmål
and writingskrivning reportsrapporter.
40
97268
2456
og svar på en masse spørgsmål
og rapportskrivning.
01:39
MultimeasureFlere mål teststest are a way
41
99748
1696
Multifaktortests er en måde
01:41
to understandforstå someone'snogen er inherentiboende traitstræk --
42
101468
2456
at afdække folks naturlige talenter -
01:43
your memoryhukommelse, your attentivenessopmærksomhed.
43
103948
1776
deres hukommelse, deres opmærksomhed.
01:46
What if we could take multimeasureflere mål teststest
44
106662
1942
Hvad hvis vi kunne gøre multifaktortests
01:48
and make them scalableskalerbar and accessibletilgængelig,
45
108628
2536
tilgængelige i stor skala
01:51
and providegive datadata to employersarbejdsgivere
about really what the traitstræk are
46
111188
3376
og levere data til arbejdsgivere om
hvilke egenskaber den bedste ansøger
01:54
of someonenogen who can make
them a good fitpasse for a jobjob?
47
114588
2896
til jobbet bør have.
01:57
This all soundslyde abstractabstrakt.
48
117508
1296
Det kan lyde abstrakt.
01:58
Let's try one of the gamesspil togethersammen.
49
118828
1735
Lad os prøve en af testene sammen.
02:00
You're about to see a flashingblinkende circlecirkel,
50
120587
1857
Snart vil I se en blinkende cirkel,
02:02
and your jobjob is going to be
to clapklappe when the circlecirkel is redrød
51
122468
2960
og jeres opgave er at klappe,
når cirklen er rød
02:06
and do nothing when it's greengrøn.
52
126285
1496
og ingenting, når den er grøn.
02:07
[ReadyKlar?]
53
127806
1376
[Klar?]
02:09
[BeginBegynder!]
54
129207
1360
[Start!]
02:11
[GreenGrøn circlecirkel]
55
131708
1000
[Grøn cirkel]
02:13
[GreenGrøn circlecirkel]
56
133708
1040
[Grøn cirkel]
02:15
[RedRød circlecirkel]
57
135708
1000
[Rød cirkel]
02:17
[GreenGrøn circlecirkel]
58
137708
1080
[Grøn cirkel]
02:19
[RedRød circlecirkel]
59
139708
1000
[Rød cirkel]
02:21
Maybe you're the typetype of personperson
60
141928
1596
Måske er du typen
02:23
who clapsKlapper the millisecondmillisekund
after a redrød circlecirkel appearskommer til syne.
61
143548
2496
der klapper øjeblikkeligt,
når en rød cirkel vises.
02:26
Or maybe you're the typetype of personperson
62
146068
1656
Eller måske er du typen,
02:27
who takes just a little bitbit longerlængere
to be 100 percentprocent sure.
63
147748
2735
der lige tager sig tid
til at være 100% sikker.
02:30
Or maybe you clapklappe on greengrøn
even thoughselvom you're not supposedformodede to.
64
150508
2936
Eller måske klapper du på grøn,
selvom det ikke er meningen.
02:33
The coolfedt nok thing here is that
this isn't like a standardizedstandardiseret testprøve
65
153468
2976
Det fede her er, at det ikke er
som en standardiseret test,
02:36
where some people are employableBeskæftigelsesegnede
and some people aren'ter ikke.
66
156468
2656
hvor nogle kan bruges
og andre ikke kan.
02:39
InsteadI stedet it's about understandingforståelse
the fitpasse betweenmellem your characteristicsegenskaber
67
159148
3256
I stedet handler det om at forstå
matchet mellem dine talenter
02:42
and what would make you
good a certainbestemte jobjob.
68
162428
2016
og hvad der gør dig egnet
til et givent job
02:44
We foundfundet that if you clapklappe latesent on redrød
and you never clapklappe on the greengrøn,
69
164468
3736
Vi har opdaget, at hvis du klapper
sent på rød og aldrig på grøn,
02:48
you mightmagt be highhøj in attentivenessopmærksomhed
and highhøj in restraintTilbageholdenhed.
70
168228
3176
så scorer du nok højt i opmærksomhed
og højt i tilbageholdenhed.
02:51
People in that quadrantkvadrant tendtendens to be
great studentsstuderende, great test-takerstest-takers,
71
171428
3576
Folk i den kvadrant er ofte gode
til at studere og tage tests,
02:55
great at projectprojekt managementledelse or accountingregnskab.
72
175028
2136
gode til projektledelse eller bogføring.
02:57
But if you clapklappe immediatelymed det samme on redrød
and sometimesSommetider clapklappe on greengrøn,
73
177188
3336
Men hvis du klapper øjeblikkeligt på rød
og nogle gange på grøn,
03:00
that mightmagt mean that
you're more impulsiveimpulsiv and creativekreativ,
74
180548
2656
kan det betyde, at du er
mere impulsiv og kreativ
03:03
and we'vevi har foundfundet that top-performinghøjtydende
salespeoplesælgere oftentit embodylegemliggøre these traitstræk.
75
183228
3875
Og vi ser at de bedste sælgere
ofte besidder disse talenter.
03:07
The way we actuallyrent faktisk use this in hiringansættelse
76
187128
2016
Vi bruger dette i ansættelser
03:09
is we have toptop performersudøvende kunstnere in a rolerolle
go throughigennem neuroscienceneurovidenskab exercisesøvelser
77
189168
3696
ved at lade de dygtigste udføre
neurovidenskabelige øvelser
03:12
like this one.
78
192888
1216
som denne.
03:14
Then we developudvikle an algorithmalgoritme
79
194128
1376
Så udvikler vi en algoritme,
03:15
that understandsforstår what makesmærker
those toptop performersudøvende kunstnere uniqueenestående.
80
195528
2656
der kan udpege, hvad der
gør dem i toppen unikke.
03:18
And then when people applyansøge to the jobjob,
81
198208
1936
Og når folk så søger jobbet,
03:20
we're ablei stand to surfaceoverflade the candidateskandidater
who mightmagt be bestbedst suitedegnet for that jobjob.
82
200168
4136
kan vi udpege de kandidater,
der sandsynligvis er bedst.
03:24
So you mightmagt be thinkingtænker
there's a dangerfare in this.
83
204328
2376
Du fornemmer
måske en risiko
03:26
The work worldverden todayi dag
is not the mostmest diversealsidig
84
206728
2136
Arbejdsmarkedet i dag
er ikke så alsidigt,
03:28
and if we're buildingbygning algorithmsalgoritmer
basedbaseret on currentnuværende toptop performersudøvende kunstnere,
85
208888
3096
og hvis vi laver algoritmer
baseret på de dygtigste i job,
03:32
how do we make sure
86
212008
1216
hvordan sikrer vi så
03:33
that we're not just perpetuatingFastholde
the biasesfordomme that alreadyallerede existeksisterer?
87
213248
2976
at vi ikke gror fast
i gamle mønstre?
03:36
For exampleeksempel, if we were buildingbygning
an algorithmalgoritme basedbaseret on toptop performingudfører CEOsAdministrerende direktører
88
216248
4056
F.eks. hvis algoritmen baseres
på de dygtigste topchefer
03:40
and use the S&ampAmp;P 500 as a traininguddannelse setsæt,
89
220328
3216
og fodres med data fra S&P 500
(de største amerikanske virksomheder)
03:43
you would actuallyrent faktisk find
90
223568
1256
ville du opdage at
03:44
that you're more likelysandsynligt to hireleje
a whitehvid man namedsom hedder JohnJohn than any womankvinde.
91
224848
3816
flere hvide mænd hedder John
end der totalt set er kvinder.
03:48
And that's the realityvirkelighed
of who'shvem der er in those rolesroller right now.
92
228688
2696
Sådan er sammensætningen af dem,
der har disse jobs nu.
03:51
But technologyteknologi actuallyrent faktisk posesrejser
a really interestinginteressant opportunitylejlighed.
93
231408
3376
Men teknologien giver os
en interessant mulighed.
03:54
We can createskab algorithmsalgoritmer
that are more equitableRetfærdig
94
234808
2256
Vi kan lave algoritmer,
der er mere retfærdige
03:57
and more fairretfærdig than humanhuman beingsvæsener
have ever been.
95
237088
2256
og mere fair end mennesker
nogensinde har været.
03:59
EveryHver algorithmalgoritme that we put
into productionproduktion has been pretestedafprøvet
96
239368
3696
Alle vores algoritmer er testet
04:03
to ensuresikre that it doesn't favorfavorisere
any genderkøn or ethnicityetnicitet.
97
243088
3096
for favorisering af
køn og etnicitet
04:06
And if there's any populationbefolkning
that's beingvære overfavoredover Favored,
98
246208
2736
Og hvis en bestemt
gruppe favoriseres,
04:08
we can actuallyrent faktisk alterændre the algorithmalgoritme
untilindtil that's no longerlængere truerigtigt.
99
248968
3120
så kan vi ændre algoritmen
så dette ikke sker.
04:12
When we focusfokus on the inherentiboende
characteristicsegenskaber
100
252448
2216
Når vi fokuserer på
de naturlige talenter,
04:14
that can make somebodyen eller anden
a good fitpasse for a jobjob,
101
254688
2096
der er basis for et
et godt match,
04:16
we can transcendtranscendere racismracisme,
classismclassism, sexismsexisme, ageismAldersdiskrimination --
102
256808
3576
kan vi undgå diskrimination på
race, køn, klasse og alder -
04:20
even good schoolismschoolism.
103
260408
1416
sågar uddannelsesniveau.
04:21
Our bestbedst technologyteknologi and algorithmsalgoritmer
shouldn'tbør ikke just be used
104
261848
2896
Vores bedste teknologi og algoritmer
skal ikke bare bruges
04:24
for helpinghjælpe us find our nextNæste moviefilm bingebinge
or newny favoritefavorit JustinJustin BieberBieber songsang.
105
264768
3736
til at finde den næste film
eller favoritsang med Justin Bieber.
04:28
ImagineForestil dig if we could harnessseletøj
the powerstrøm of technologyteknologi
106
268528
2656
Vi kan udnytte
teknologiens kraft
04:31
to get realægte guidancevejledning
on what we should be doing
107
271208
2296
til at få reel vejledning i
hvad vi burde lave
04:33
basedbaseret on who we are at a deeperdybere levelniveau.
108
273528
1936
baseret på hvem vi er inderst inde.
Translated by Lars Hansen
Reviewed by Jette Thrane

▲Back to top

ABOUT THE SPEAKER
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.

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.

More profile about the speaker
Priyanka Jain | Speaker | TED.com

Data provided by TED.

This site was created in May 2015 and the last update was on January 12, 2020. It will no longer be updated.

We are currently creating a new site called "eng.lish.video" and would be grateful if you could access it.

If you have any questions or suggestions, please feel free to write comments in your language on the contact form.

Privacy Policy

Developer's Blog

Buy Me A Coffee