The Way We Work
Priyanka Jain: How to make applying for jobs less painful
پریانکا جین: چطور درخواست برای یک شغل کردن را کمتر دردناک کنیم
Filmed:
Readability: 4.3
548,985 views
شغل‌یابی قبلا با فرستادن رزومه به کاریابی ها شروع می‌شد و هیچوقت هم از اغلب آنها جوابی دریافت نمی‌شد. اما شرکتهای بیشتر و بیشتری حالا از روشهای متکی به فناوری پیشرفته برای شناسایی کاندیداها استفاده می‌کنند. اگر هوش مصنوعی آینده استخدام کردن است، این اتفاق چه معنایی برای شما خواهد داشت؟ پریانکا جین متخصص فناوری ما را با این چشم‌انداز جدید در دنیای استخدام آشنا می‌سازد.
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
درخواست شغل به صورت آنلاین
00:01
is one of the worst
digital experiences of our time.
digital experiences of our time.
1
1988
2616
یکی از بدترین تجربه‌های دیجیتال
دوران ما است.
دوران ما است.
00:04
And applying for jobs in person
really isn't much better.
really isn't much better.
2
4628
2696
و انجام آن به صورت شخصی هم واقعا چندان
بهتر نیستند.
بهتر نیستند.
00:07
[The Way We Work]
3
7349
1720
[طریقی که ما کار می‌کنیم]
00:11
Hiring as we know it
is broken on many fronts.
is broken on many fronts.
4
11588
2456
استخدام کردن می‌دانیم در خیلی
جبهه‌ها شکست خورده.
جبهه‌ها شکست خورده.
00:14
It's a terrible experience for people.
5
14068
1856
تجربه وحشتناکی برای مردم است.
00:15
About 75 percent of people
6
15948
1816
در حدود ۷۵ درصد آدمهایی که با
00:17
who applied to jobs
using various methods in the past year
using various methods in the past year
7
17788
2856
استفاده از روشهای متنوع در سال
گذشته درخواست شغل کردند
گذشته درخواست شغل کردند
00:20
said they never heard anything back
from the employer.
from the employer.
8
20668
2656
گفتند که هرگز از کارفرما پاسخی نشنیدند.
00:23
And at the company level
it's not much better.
it's not much better.
9
23348
2176
و در سطح شرکتی هم اوضاع بهتر نبوده است.
00:25
46 percent of people get fired or quit
10
25548
2776
۴۶ درصد کارکنان ظرف یک سال اول
شروع کارشان
شروع کارشان
00:28
within the first year
of starting their jobs.
of starting their jobs.
11
28348
2176
استعفا دادند یا اخراج شده‌اند.
00:30
It's pretty mind-blowing.
12
30548
1216
کاملا عجیب است.
00:31
It's also bad for the economy.
13
31788
1456
برای اقتصاد هم خوب نیست.
00:33
For the first time in history,
14
33268
1456
برای اولین بار در تاریخ،
00:34
we have more open jobs
than we have unemployed people,
than we have unemployed people,
15
34748
2856
در قیاس با آدمهای بیکار،
فرصتهای شغلی بیشتری داریم،
فرصتهای شغلی بیشتری داریم،
00:37
and to me that screams
that we have a problem.
that we have a problem.
16
37628
2176
و به نظرم خبر از وجود
مشکلی دارد.
مشکلی دارد.
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
باور دارم که مسبب اصلی همه اینها
وجود یک تکه کاغذ به اسم رزومه است.
وجود یک تکه کاغذ به اسم رزومه است.
00:43
A résumé definitely has
some useful pieces in it:
some useful pieces in it:
18
43828
2336
قطعا یک رزومه حاوی نکات مفیدی است:
00:46
what roles people have had,
computer skills,
computer skills,
19
46188
2096
مهارتهای رایانه‌ای، نقشهایی
که شخص داشته،
که شخص داشته،
00:48
what languages they speak,
20
48308
1256
زبانهایی که صحبت می‌کند،
00:49
but what it misses is
what they have the potential to do
what they have the potential to do
21
49588
3056
اما آنچه ندارد اشاره به
پتانسیل‌هایی است که برای انجام دارد
پتانسیل‌هایی است که برای انجام دارد
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
که احتمالا در گذشته فرصتی برای
انجامشان را نداشته است.
انجامشان را نداشته است.
00:55
And with such a quickly changing economy
where jobs are coming online
where jobs are coming online
23
55668
3256
و با چنین اقتصاد به سرعت در حال تغییری
در جایی که شغلها آنلاین هستند
در جایی که شغلها آنلاین هستند
00:58
that might require skills that nobody has,
24
58948
2056
احتمالا مهارتهایی لازمند که کسی ندارد،
01:01
if we only look at what someone
has done in the past,
has done in the past,
25
61028
2776
اگر فقط به کارهایی که فرد در
گذشته انجام داده نگاه کنیم،
گذشته انجام داده نگاه کنیم،
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
قادر به مطابقت دادن آنها با شغلهای
آینده نخواهیم بود.
آینده نخواهیم بود.
01:07
So this is where I think technology
can be really helpful.
can be really helpful.
27
67108
2736
بنابراین اینجاست که به نظرم
فناوری باید به کمک بیاید.
فناوری باید به کمک بیاید.
01:09
You've probably seen
that algorithms have gotten pretty good
that algorithms have gotten pretty good
28
69868
2856
احتمالا دیده‌اید که الگوریتم‌ها چطور
در تطبیق دادن آدمها با
در تطبیق دادن آدمها با
01:12
at matching people to things,
29
72748
1536
چیزها عملکرد نسبتا خوبی داشتند،
01:14
but what if we could use
that same technology
that same technology
30
74308
2256
اما اگر از همین فناوری استفاده کنیم
جهت کمک
جهت کمک
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
واقعی به ما در یافتن شغلهایی
که ما واقعا برای آنها مناسب هستیم؟
که ما واقعا برای آنها مناسب هستیم؟
01:19
But I know what you're thinking.
32
79708
1576
اما می‌دانم به چه فکر می‌کنید.
01:21
Algorithms picking your next job
sounds a little bit scary,
sounds a little bit scary,
33
81308
2776
گزینش شغل بعدی شما توسط
الگوریتم‌ها کمی ترسناک است،
الگوریتم‌ها کمی ترسناک است،
01:24
but there is one thing that has been shown
34
84108
2056
اما یک جیزی هست که نشان داده
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
برای موفقیت آینده شخص در یک شخص
واقعا متضمن پیشگویی باشد.
واقعا متضمن پیشگویی باشد.
01:29
and that's what's called
a multimeasure test.
a multimeasure test.
36
89108
2136
و به آن آزمونهای چندسنجشی می‌گویند.
01:31
Multimeasure tests
really aren't anything new,
really aren't anything new,
37
91268
2176
این آزمونها واقعا چیز جدیدی نیستند،
01:33
but they used to be really expensive
38
93468
1736
اما قدیم خیلی گران بودند
01:35
and required a PhD sitting across from you
39
95228
2016
وباید یک نفر با مدرک
دکتری روبریتان بنشیند
دکتری روبریتان بنشیند
01:37
and answering lots of questions
and writing reports.
and writing reports.
40
97268
2456
و کلی پرسش و پاسخ و گزارش‌نویسی
در کار بود.
در کار بود.
01:39
Multimeasure tests are a way
41
99748
1696
آزمونهای چند سنجشی روشی هستند
01:41
to understand someone's inherent traits --
42
101468
2456
برای فهم خصایص ذاتی فرد--
01:43
your memory, your attentiveness.
43
103948
1776
حافظه و توجه شما.
01:46
What if we could take multimeasure tests
44
106662
1942
چطور می‌شود اگر این آزمونهای چندسنجشی را
01:48
and make them scalable and accessible,
45
108628
2536
برداریم و درجه‌بندی کرده و در دسترس
قرار دهیم
قرار دهیم
01:51
and provide data to employers
about really what the traits are
about really what the traits are
46
111188
3376
و داده‌هایی را در اختیار کارفرمایان
قرار دهیم که درباره خصایص است
قرار دهیم که درباره خصایص است
01:54
of someone who can make
them a good fit for a job?
them a good fit for a job?
47
114588
2896
که آن فرد را مناسب داشتن آن شغل می‌کند؟
01:57
This all sounds abstract.
48
117508
1296
ناملموس به نظر می‌رسد.
01:58
Let's try one of the games together.
49
118828
1735
بیایید یک بازی با هم انجام دهیم.
02:00
You're about to see a flashing circle,
50
120587
1857
یک دایره‌ای جلوی شما ظاهر می شود،
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
شغل شما این است که اگر قرمز بود
دست بزنید
دست بزنید
02:06
and do nothing when it's green.
52
126285
1496
و وقتی سبز است کاری نکنید.
02:07
[Ready?]
53
127806
1376
[آماده؟]
02:09
[Begin!]
54
129207
1360
[شروع!]
02:11
[Green circle]
55
131708
1000
[دایره سبز]
02:13
[Green circle]
56
133708
1040
[دایره سبز]
02:15
[Red circle]
57
135708
1000
[دایره قرمز]
02:17
[Green circle]
58
137708
1080
[دایره سبز]
02:19
[Red circle]
59
139708
1000
[دایره قرمز]
02:21
Maybe you're the type of person
60
141928
1596
شاید از آن دست افرادی باشید که
02:23
who claps the millisecond
after a red circle appears.
after a red circle appears.
61
143548
2496
۱ هزارم ثانیه بعد از ظاهر شدن
دایره قرمز دست می‌زنند.
دایره قرمز دست می‌زنند.
02:26
Or maybe you're the type of person
62
146068
1656
یا از آن نوع آدمها باشید که
02:27
who takes just a little bit longer
to be 100 percent sure.
to be 100 percent sure.
63
147748
2735
کمی بیشتر درنگ می‌کنند تا۱۰۰٪ مطمئن شوند.
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
یا حتی با دیدن سبز هم دست می‌زنید
با این که قرار نیست.
با این که قرار نیست.
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
نکته باحال این است این یک آزمون
استاندارد نیست
استاندارد نیست
02:36
where some people are employable
and some people aren't.
and some people aren't.
66
156468
2656
که برخی آدمها قابل استخدام
هستند و برخی نیستند.
هستند و برخی نیستند.
02:39
Instead it's about understanding
the fit between your characteristics
the fit between your characteristics
67
159148
3256
در عوض درباره فهم تناسبی است
بین ویژگیهای شما
بین ویژگیهای شما
02:42
and what would make you
good a certain job.
good a certain job.
68
162428
2016
و آنچه شما را برای یک شغل خاص
خوب می‌کند.
خوب می‌کند.
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
متوجه شدیم که اگر شما با دیدن
قرمز دیرتر دست بزنید و بیخیال سبز شوید
قرمز دیرتر دست بزنید و بیخیال سبز شوید
02:48
you might be high in attentiveness
and high in restraint.
and high in restraint.
70
168228
3176
احتمالا بالاترین دقت و محدودیت دارند.
02:51
People in that quadrant tend to be
great students, great test-takers,
great students, great test-takers,
71
171428
3576
آدمها در آن چهارگوش تمایل دارند
بهترین دانش آموزان، ممتحن‌ها باشند،
بهترین دانش آموزان، ممتحن‌ها باشند،
02:55
great at project management or accounting.
72
175028
2136
عالی در مدیریت پروژه یا حسابداری.
02:57
But if you clap immediately on red
and sometimes clap on green,
and sometimes clap on green,
73
177188
3336
اما اگر فوری با دیدن قرمز
یا گاهی با دیدن سبز دست بزنید
یا گاهی با دیدن سبز دست بزنید
03:00
that might mean that
you're more impulsive and creative,
you're more impulsive and creative,
74
180548
2656
به این معناست که خلاقیت یا
بی‌پروایی شما بیشتر است،
بی‌پروایی شما بیشتر است،
03:03
and we've found that top-performing
salespeople often embody these traits.
salespeople often embody these traits.
75
183228
3875
و ما آن فروشندگانی با بالاترین عملکرد را
پیدا کردیم که این خصایص را دارند.
پیدا کردیم که این خصایص را دارند.
03:07
The way we actually use this in hiring
76
187128
2016
روشی که درواقع در
استخدام استفاده می‌کنیم
استخدام استفاده می‌کنیم
03:09
is we have top performers in a role
go through neuroscience exercises
go through neuroscience exercises
77
189168
3696
این است که بهترین عوامل تمرینات
علم عصب شناسی مثل
علم عصب شناسی مثل
03:12
like this one.
78
192888
1216
این یکی را پشت سر بگذارند
03:14
Then we develop an algorithm
79
194128
1376
بعد الگوریتمی را می‌سازیم
03:15
that understands what makes
those top performers unique.
those top performers unique.
80
195528
2656
که می‌فهمد چه چیزی باعث
منحصربه فرد عملکرد آنها می‌شود.
منحصربه فرد عملکرد آنها می‌شود.
03:18
And then when people apply to the job,
81
198208
1936
و وقتی افراد برای آن شغلها
درخواست دادند،
درخواست دادند،
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
قادریم کاندیداهای که از همه برای آن
شغلها مناسبترند را بیابیم.
شغلها مناسبترند را بیابیم.
03:24
So you might be thinking
there's a danger in this.
there's a danger in this.
83
204328
2376
خب شاید فکر کنید این کار
با خطر همراه است.
با خطر همراه است.
03:26
The work world today
is not the most diverse
is not the most diverse
84
206728
2136
دنیای کار امروز متنوع‌ترین نیست
03:28
and if we're building algorithms
based on current top performers,
based on current top performers,
85
208888
3096
و اگر الگوریتم‌هایی بسازیم بر پایه
عملکرد بهترینهای حال حاضر،
عملکرد بهترینهای حال حاضر،
03:32
how do we make sure
86
212008
1216
از کجا یقین حاصل کنیم
03:33
that we're not just perpetuating
the biases that already exist?
the biases that already exist?
87
213248
2976
که صرفا تداوم بخشیدن جانبداری‌هایی
نباشد که الان وجود دارند.
نباشد که الان وجود دارند.
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
برای مثال، اگر الگوریتمی بسازیم
که بر مبنای عملکرد بهترین مدیرعامل‌ها باشد
که بر مبنای عملکرد بهترین مدیرعامل‌ها باشد
03:40
and use the S&P 500 as a training set,
89
220328
3216
و S&P 500 معیار آموزش ما باشد،
03:43
you would actually find
90
223568
1256
درواقع پی خواهید برد که
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
احتمال استخدام یک مرد سفید پوست
به نام جان از هر زنی بیشتر است.
به نام جان از هر زنی بیشتر است.
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
و این واقعیت کسانی است که اینک
در آن نقشها هستند.
در آن نقشها هستند.
03:51
But technology actually poses
a really interesting opportunity.
a really interesting opportunity.
93
231408
3376
اما فناوری درواقع فرصت واقعا
جالبی را در اختیار می‌گذارد.
جالبی را در اختیار می‌گذارد.
03:54
We can create algorithms
that are more equitable
that are more equitable
94
234808
2256
الگوریتم‌هایی را فراهم می‌کنیم
که عادلانه‌تر
که عادلانه‌تر
03:57
and more fair than human beings
have ever been.
have ever been.
95
237088
2256
و منصفاته‌تر از قبل برای بشریت است.
03:59
Every algorithm that we put
into production has been pretested
into production has been pretested
96
239368
3696
هر الگوریتمی که معرفی می‌کنیم قبلا
تست شده تا
تست شده تا
04:03
to ensure that it doesn't favor
any gender or ethnicity.
any gender or ethnicity.
97
243088
3096
مطمئن باشم به نفع قومیت یا جنسیت
خاصی عمل نمی‌کند.
خاصی عمل نمی‌کند.
04:06
And if there's any population
that's being overfavored,
that's being overfavored,
98
246208
2736
و اگر هم جمعیتی باشد که که زیادی
مورد لطف قرار بگیرد،
مورد لطف قرار بگیرد،
04:08
we can actually alter the algorithm
until that's no longer true.
until that's no longer true.
99
248968
3120
در واقع قادریم آن الگوریتم را تغییر دهیم
تا دیگر آنطور عمل نکند.
تا دیگر آنطور عمل نکند.
04:12
When we focus on the inherent
characteristics
characteristics
100
252448
2216
وقتی روی ویژگیهای درونی متمرکز می‌شویم
04:14
that can make somebody
a good fit for a job,
a good fit for a job,
101
254688
2096
که باعث می‌شود شخص برای شغلی
شایسته باشد،
شایسته باشد،
04:16
we can transcend racism,
classism, sexism, ageism --
classism, sexism, ageism --
102
256808
3576
ما می‌توانیم نژادپرستی، طبقه‌گرایی،
جنسیت‌گرایی و سن‌گرایی و حتی
جنسیت‌گرایی و سن‌گرایی و حتی
04:20
even good schoolism.
103
260408
1416
دانشگاه خوب را بالاتر بدانیم.
04:21
Our best technology and algorithms
shouldn't just be used
shouldn't just be used
104
261848
2896
بهترین فناوری و الگوریتم‌های ما تنها
نباید برای پیشنهاد
نباید برای پیشنهاد
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
تماشای فیلم بعدی ما یا جدیدترین آهنگ
محبوب ما از جاستین بیبر استفاده شود.
محبوب ما از جاستین بیبر استفاده شود.
04:28
Imagine if we could harness
the power of technology
the power of technology
106
268528
2656
فکر کنید چه می‌شود وقتی بتوانیم
با مهار نیروی فناوری
با مهار نیروی فناوری
04:31
to get real guidance
on what we should be doing
on what we should be doing
107
271208
2296
رهنمودی واقعی بگیریم تا
چه کاری را بر اساس آنچه
چه کاری را بر اساس آنچه
04:33
based on who we are at a deeper level.
108
273528
1936
در سطح عمیق‌ترمان
هستیم باید انجام دهیم.
هستیم باید انجام دهیم.
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