The Way We Work
Priyanka Jain: How to make applying for jobs less painful
Priyanka Jain: Hogyan lehet az állásra jelentkezés kevésbé fájdalmas?
Filmed:
Readability: 4.3
548,985 views
Az álláskeresés több millió helyre beadott önéletrajzzal kezdődött, de soha nem jött rá visszajelzés. Egyre több vállalat használ technológiai módszereket a jelöltek felfedezésére. Ha a munkaerő-felvétel jövője a mesterséges intelligencia, az mit jelent Önnek? Priyanka Jain technológus ismerteti ezt az új munkakörnyezetet.
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
Az online állásinterjú
00:01
is one of the worst
digital experiences of our time.
digital experiences of our time.
1
1988
2616
napjaink egyik legrosszabb
digitális élménye.
digitális élménye.
00:04
And applying for jobs in person
really isn't much better.
really isn't much better.
2
4628
2696
A személyes állásinterjúk
sem sokkal jobbak.
sem sokkal jobbak.
00:07
[The Way We Work]
3
7349
1720
[Így működünk]
00:11
Hiring as we know it
is broken on many fronts.
is broken on many fronts.
4
11588
2456
A felvétel tudomásunk szerint
több sebből vérzik.
több sebből vérzik.
00:14
It's a terrible experience for people.
5
14068
1856
Borzasztó élmény az emberek számára.
00:15
About 75 percent of people
6
15948
1816
Az embereknek mintegy 75 százaléka,
00:17
who applied to jobs
using various methods in the past year
using various methods in the past year
7
17788
2856
akik tavaly különböző módokon
jelentkeztek állásra,
jelentkeztek állásra,
00:20
said they never heard anything back
from the employer.
from the employer.
8
20668
2656
azt állítja, sosem kapott
visszajelzést a munkáltatótól.
visszajelzést a munkáltatótól.
00:23
And at the company level
it's not much better.
it's not much better.
9
23348
2176
A cégek szintjén se sokkal jobb a helyzet.
00:25
46 percent of people get fired or quit
10
25548
2776
Az emberek 46 százalékát kirúgják,
vagy felmondanak
vagy felmondanak
00:28
within the first year
of starting their jobs.
of starting their jobs.
11
28348
2176
a munkába állás első évében.
00:30
It's pretty mind-blowing.
12
30548
1216
Elég megdöbbentő.
00:31
It's also bad for the economy.
13
31788
1456
Ez a gazdaságnak is rossz.
00:33
For the first time in history,
14
33268
1456
A történelem során először
00:34
we have more open jobs
than we have unemployed people,
than we have unemployed people,
15
34748
2856
több betöltendő állás van,
mint munkanélküli,
mint munkanélküli,
00:37
and to me that screams
that we have a problem.
that we have a problem.
16
37628
2176
és ez azt jelenti,
nagy bajban vagyunk.
nagy bajban vagyunk.
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
Úgy hiszem, mindez egy darab
papíron múlik: az önéletrajzon.
papíron múlik: az önéletrajzon.
00:43
A résumé definitely has
some useful pieces in it:
some useful pieces in it:
18
43828
2336
Az önéletrajzban vannak hasznos elemek:
00:46
what roles people have had,
computer skills,
computer skills,
19
46188
2096
korábbi munkakörök,
számítógépes ismeretek,
számítógépes ismeretek,
00:48
what languages they speak,
20
48308
1256
beszélt nyelvek,
00:49
but what it misses is
what they have the potential to do
what they have the potential to do
21
49588
3056
de hiányzik belőle annak lehetősége,
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
amit korábban nem állt módjukban megtenni.
Egy ennyire gyorsan változó gazdaságban,
ahol online hirdetnek olyan állásokat,
ahol online hirdetnek olyan állásokat,
00:55
And with such a quickly changing economy
where jobs are coming online
where jobs are coming online
23
55668
3256
melyekhez korábban ismeretlen
készségekre lehet szükség,
készségekre lehet szükség,
00:58
that might require skills that nobody has,
24
58948
2056
01:01
if we only look at what someone
has done in the past,
has done in the past,
25
61028
2776
ha csak azt nézzük, mit csinált
valaki a múltban,
valaki a múltban,
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
nem fogjuk tudni összehangolni
az embereket és az állásokat.
az embereket és az állásokat.
01:07
So this is where I think technology
can be really helpful.
can be really helpful.
27
67108
2736
Ebben lehet segítségünkre a technológia.
Biztos látták már, hogy az algoritmusok
01:09
You've probably seen
that algorithms have gotten pretty good
that algorithms have gotten pretty good
28
69868
2856
nagyon jól összepárosítják
az embereket a a dolgokkal.
az embereket a a dolgokkal.
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
Mi lenne ha ugyanezt a technológiát
arra használnánk,
arra használnánk,
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
hogy hozzánk illő munkát találjunk?
Tudom, mire gondolnak.
Kicsit ijesztően hangzik,
Kicsit ijesztően hangzik,
01:19
But I know what you're thinking.
32
79708
1576
01:21
Algorithms picking your next job
sounds a little bit scary,
sounds a little bit scary,
33
81308
2776
hogy algoritmusok
választják ki új állásunkat.
választják ki új állásunkat.
01:24
but there is one thing that has been shown
34
84108
2056
de van egy dolog, amiről kiderült,
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
hogy előrevetíti a jövőbeli
szakmai sikert,
szakmai sikert,
01:29
and that's what's called
a multimeasure test.
a multimeasure test.
36
89108
2136
és ezt úgy hívják: többfunkciós teszt.
01:31
Multimeasure tests
really aren't anything new,
really aren't anything new,
37
91268
2176
A többfunkciós teszt nem újdonság,
01:33
but they used to be really expensive
38
93468
1736
de korábban nagyon drága volt,
01:35
and required a PhD sitting across from you
39
95228
2016
és kellett mellénk egy doktor,
aki megválaszolta a sok kérdést,
és jelentéseket írt.
és jelentéseket írt.
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
A többfunkciós teszt arra szolgál,
01:41
to understand someone's inherent traits --
42
101468
2456
hogy megismerjük egy személy
belső készségeit,
belső készségeit,
01:43
your memory, your attentiveness.
43
103948
1776
memóriáját és koncentrálóképességét.
Mi lenne, ha a többfunkciós tesztet
bővíthetővé, hozzáférhetővé tennénk,
bővíthetővé, hozzáférhetővé tennénk,
01:46
What if we could take multimeasure tests
44
106662
1942
01:48
and make them scalable and accessible,
45
108628
2536
és adatokat biztosítanánk
a munkáltatóknak
a munkáltatóknak
01:51
and provide data to employers
about really what the traits are
about really what the traits are
46
111188
3376
azokról a készségekről,
01:54
of someone who can make
them a good fit for a job?
them a good fit for a job?
47
114588
2896
amelyek alkalmasnak tesznek
valakit egy munkára?
valakit egy munkára?
01:57
This all sounds abstract.
48
117508
1296
Ez nagyon elvontan hangzik.
01:58
Let's try one of the games together.
49
118828
1735
Játsszunk együtt egy játékot.
02:00
You're about to see a flashing circle,
50
120587
1857
Mindjárt meglátnak egy villogó kört,
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
az lesz a dolguk, hogy tapsoljanak,
ha a kör piros,
ha a kör piros,
02:06
and do nothing when it's green.
52
126285
1496
és ne tegyenek semmit, ha zöld.
02:07
[Ready?]
53
127806
1376
[Mehet?]
02:09
[Begin!]
54
129207
1360
[Indul!]
02:11
[Green circle]
55
131708
1000
[Zöld kör]
02:13
[Green circle]
56
133708
1040
[Zöld kör]
02:15
[Red circle]
57
135708
1000
[Piros kör]
02:17
[Green circle]
58
137708
1080
[Zöld kör]
02:19
[Red circle]
59
139708
1000
[Piros kör]
02:21
Maybe you're the type of person
60
141928
1596
Akad önök között,
02:23
who claps the millisecond
after a red circle appears.
after a red circle appears.
61
143548
2496
aki azonnal tapsol,
amint megjelenik a piros kör.
amint megjelenik a piros kör.
02:26
Or maybe you're the type of person
62
146068
1656
Van, aki kivár,
02:27
who takes just a little bit longer
to be 100 percent sure.
to be 100 percent sure.
63
147748
2735
hogy száz százalékig biztos legyen.
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
Van, aki esetleg a zöldnél tapsol,
amikor nem kellene.
amikor nem kellene.
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
Ebben az a legjobb,
hogy nem szabványos teszt,
hogy nem szabványos teszt,
ami arról szól, hogy egyesek
alkalmazhatók, mások pedig nem.
alkalmazhatók, mások pedig nem.
02:36
where some people are employable
and some people aren't.
and some people aren't.
66
156468
2656
02:39
Instead it's about understanding
the fit between your characteristics
the fit between your characteristics
67
159148
3256
Ez a teszt annak megértéséről szól,
hogy meglévő tulajdonságaink
hogy meglévő tulajdonságaink
02:42
and what would make you
good a certain job.
good a certain job.
68
162428
2016
hogyan tesznek alkalmassá
minket egy állásra.
minket egy állásra.
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
Arra jutottunk, hogy aki későn tapsol
a pirosnál és sosem tapsol a zöldnél,
a pirosnál és sosem tapsol a zöldnél,
02:48
you might be high in attentiveness
and high in restraint.
and high in restraint.
70
168228
3176
annak kimagasló lehet a figyelme,
és magas az önmérséklete.
és magas az önmérséklete.
02:51
People in that quadrant tend to be
great students, great test-takers,
great students, great test-takers,
71
171428
3576
Ebben a szeletben vannak
a legjobb tanulók és tesztmegoldók,
a legjobb tanulók és tesztmegoldók,
02:55
great at project management or accounting.
72
175028
2136
kiváló projektmenedzserek vagy könyvelők.
02:57
But if you clap immediately on red
and sometimes clap on green,
and sometimes clap on green,
73
177188
3336
Aki viszont rögtön tapsol a pirosnál
vagy néha a zöldnél,
vagy néha a zöldnél,
03:00
that might mean that
you're more impulsive and creative,
you're more impulsive and creative,
74
180548
2656
az azt jelentheti,
hogy impulzívabb és kreatívabb.
hogy impulzívabb és kreatívabb.
Úgy találtuk, hogy a legjobban teljesítő
kereskedőkre általában ez jellemző.
kereskedőkre általában ez jellemző.
03:03
and we've found that top-performing
salespeople often embody these traits.
salespeople often embody these traits.
75
183228
3875
A felvételi során kiszűrjük,
kik teljesítenek a legjobban
kik teljesítenek a legjobban
03:07
The way we actually use this in hiring
76
187128
2016
03:09
is we have top performers in a role
go through neuroscience exercises
go through neuroscience exercises
77
189168
3696
valamelyik szerepben,
őket neurológiai tesztnek vetjük alá,
őket neurológiai tesztnek vetjük alá,
03:12
like this one.
78
192888
1216
mint amilyen ez is.
03:14
Then we develop an algorithm
79
194128
1376
Aztán algoritmust fejlesztünk,
03:15
that understands what makes
those top performers unique.
those top performers unique.
80
195528
2656
ami kielemzi, mitől egyediek a legjobbak.
03:18
And then when people apply to the job,
81
198208
1936
Aztán amikor az emberek
állásra jelentkeznek,
állásra jelentkeznek,
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
fel tudjuk tárni, hogy a jelöltek
közül melyik a legalkalmasabb.
közül melyik a legalkalmasabb.
03:24
So you might be thinking
there's a danger in this.
there's a danger in this.
83
204328
2376
Biztos azt gondolják, ez veszélyes.
03:26
The work world today
is not the most diverse
is not the most diverse
84
206728
2136
A munka világa ma nem éppen sokszínű,
03:28
and if we're building algorithms
based on current top performers,
based on current top performers,
85
208888
3096
és a jelenlegi legjobbak alapján
írunk algoritmusokat,
írunk algoritmusokat,
akkor hogyan lehetnénk biztosak abban,
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
hogy nem betonozzuk be
a már meglévő torzulásokat?
a már meglévő torzulásokat?
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
Például ha a vezérigazgatók teljesítménye
alapján írunk egy algoritmust,
alapján írunk egy algoritmust,
03:40
and use the S&P 500 as a training set,
89
220328
3216
és az S&P 500 határidős
indexszel tanítjuk be,
indexszel tanítjuk be,
látni fogjuk, sokkal valószínűbb,
03:43
you would actually find
90
223568
1256
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
hogy egy John nevű fehér férfit
veszünk fel, mint bármilyen más nőt.
veszünk fel, mint bármilyen más nőt.
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
Többnyire ilyen emberek töltik be
ezeket a szerepeket.
ezeket a szerepeket.
03:51
But technology actually poses
a really interesting opportunity.
a really interesting opportunity.
93
231408
3376
A technológia azonban igazán érdekes
lehetőséget teremt.
lehetőséget teremt.
Sokkal méltányosabb és igazságosabb
algoritmusokat írhatunk,
algoritmusokat írhatunk,
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
mint amit emberek valaha is alkottak.
03:59
Every algorithm that we put
into production has been pretested
into production has been pretested
96
239368
3696
Minden megírt algoritmust előzetesen
megvizsgálunk, hogy biztosítsuk:
megvizsgálunk, hogy biztosítsuk:
04:03
to ensure that it doesn't favor
any gender or ethnicity.
any gender or ethnicity.
97
243088
3096
nem részesít előnyben
se társadalmi nemet, se etnikumot.
se társadalmi nemet, se etnikumot.
04:06
And if there's any population
that's being overfavored,
that's being overfavored,
98
246208
2736
Ha a népesség egy részét mégis
előnyben részesíti,
előnyben részesíti,
04:08
we can actually alter the algorithm
until that's no longer true.
until that's no longer true.
99
248968
3120
módosíthatjuk a programot addig,
amíg ez már nem igaz.
amíg ez már nem igaz.
04:12
When we focus on the inherent
characteristics
characteristics
100
252448
2216
Amikor azokra a belső
jellemzőkre fókuszálunk,
jellemzőkre fókuszálunk,
04:14
that can make somebody
a good fit for a job,
a good fit for a job,
101
254688
2096
amik alkalmassá tesznek egy állásra,
felülemelkedhetünk a rasszizmuson,
előítéleten, szexizmuson,
előítéleten, szexizmuson,
04:16
we can transcend racism,
classism, sexism, ageism --
classism, sexism, ageism --
102
256808
3576
az életkori és iskolázottságbeli
hátrányos megkülönböztetésen.
hátrányos megkülönböztetésen.
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
A legjobb technológiát és programokat
ne csak menő új filmek
ne csak menő új filmek
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
vagy az új Justin Bieber-szám
megtalálására használjuk.
megtalálására használjuk.
04:28
Imagine if we could harness
the power of technology
the power of technology
106
268528
2656
Képzeljék el, ha arra használnánk
a technológiát,
a technológiát,
hogy valódi tanácsot kapjunk arról,
mit tegyünk annak alapján,
mit tegyünk annak alapján,
04:31
to get real guidance
on what we should be doing
on what we should be doing
107
271208
2296
04:33
based on who we are at a deeper level.
108
273528
1936
hogy milyen a személyiségünk.
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