The Way We Work
Priyanka Jain: How to make applying for jobs less painful
Priyanka Jain: İş başvuruları nasıl daha katlanılabilir olur
Filmed:
Readability: 4.3
548,985 views
İş arama süreci özgeçmişinizi binlerce yere gönderip onlardan hiç cevap alamamakla başlardı. Bugün ise gitgide daha çok şirket adayları belirlemede teknolojiden faydalanıyor. İş alımının geleceği yapay zekâ ise bunun anlamı ne? Teknolog Priyanka Jain, bu yeni iş alım sürecine bir bakış sunuyor.
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
Online iş başvurusu yapmak
00:01
is one of the worst
digital experiences of our time.
digital experiences of our time.
1
1988
2616
zamanımızın en kötü
dijital deneyimlerinden biri.
dijital deneyimlerinden biri.
00:04
And applying for jobs in person
really isn't much better.
really isn't much better.
2
4628
2696
Gerçi bizzat başvuru yapmak da
daha iyi değil.
daha iyi değil.
00:07
[The Way We Work]
3
7349
1720
[Çalışma Şeklimiz]
Bildiğimiz şekliyle iş alımları
pek çok yönden hatalı.
pek çok yönden hatalı.
00:11
Hiring as we know it
is broken on many fronts.
is broken on many fronts.
4
11588
2456
00:14
It's a terrible experience for people.
5
14068
1856
Herkes için korkunç bir tecrübe.
00:15
About 75 percent of people
6
15948
1816
Geçen yıl değişik metotlar kullanarak
00:17
who applied to jobs
using various methods in the past year
using various methods in the past year
7
17788
2856
iş başvuruları yapan insanların yüzde 75'i
00:20
said they never heard anything back
from the employer.
from the employer.
8
20668
2656
işverenden hiçbir haber
alamadıklarını bildirdiler.
alamadıklarını bildirdiler.
00:23
And at the company level
it's not much better.
it's not much better.
9
23348
2176
Şirket düzeyinde de durum daha iyi değil.
00:25
46 percent of people get fired or quit
10
25548
2776
İnsanların yüzde 46'sı
işe başladıkları yıl içinde
işe başladıkları yıl içinde
00:28
within the first year
of starting their jobs.
of starting their jobs.
11
28348
2176
işten kovuldular veya işi bıraktılar.
00:30
It's pretty mind-blowing.
12
30548
1216
Akıllara durgunluk verici.
00:31
It's also bad for the economy.
13
31788
1456
Ekonomi için de kötü.
00:33
For the first time in history,
14
33268
1456
Tarihte ilk kez,
00:34
we have more open jobs
than we have unemployed people,
than we have unemployed people,
15
34748
2856
işsiz insan sayısından daha çok
açık poziyon var.
açık poziyon var.
00:37
and to me that screams
that we have a problem.
that we have a problem.
16
37628
2176
Bence bu apaçık
bir sorunumuz var demek.
bir sorunumuz var demek.
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
Tüm bunların kökeninde
bir kâğıt parçası yatıyor: öz geçmiş.
bir kâğıt parçası yatıyor: öz geçmiş.
00:43
A résumé definitely has
some useful pieces in it:
some useful pieces in it:
18
43828
2336
Öz geçmişte kesinlikle
faydalı noktalar var:
faydalı noktalar var:
00:46
what roles people have had,
computer skills,
computer skills,
19
46188
2096
Çalışılan pozisyonlar,
bilgisayar yetileri,
bilgisayar yetileri,
00:48
what languages they speak,
20
48308
1256
bilinen diller
00:49
but what it misses is
what they have the potential to do
what they have the potential to do
21
49588
3056
ama eksik olan şey
başarabileceği bir iş için potansiyeli,
başarabileceği bir iş için potansiyeli,
geçmişte fırsatını bulamadığı
bir şeyi gerçekleştirme potansiyeli.
bir şeyi gerçekleştirme potansiyeli.
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
00:55
And with such a quickly changing economy
where jobs are coming online
where jobs are coming online
23
55668
3256
İşlerin internet ortamında olduğu
hızla değişen bu pazarda
hızla değişen bu pazarda
00:58
that might require skills that nobody has,
24
58948
2056
kimsenin sahip olmadığı
yetiler öne çıkar,
yetiler öne çıkar,
01:01
if we only look at what someone
has done in the past,
has done in the past,
25
61028
2776
eğer sadece birinin geçmişte
yaptıklarına bakarsak
yaptıklarına bakarsak
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
insanları geleceğin işleriyle
eşleştiremeyiz.
eşleştiremeyiz.
01:07
So this is where I think technology
can be really helpful.
can be really helpful.
27
67108
2736
İşte bu noktada teknoloji devreye giriyor.
01:09
You've probably seen
that algorithms have gotten pretty good
that algorithms have gotten pretty good
28
69868
2856
Algoritmaların insanları nesnelerle
çok iyi eşleştirdiğini
çok iyi eşleştirdiğini
01:12
at matching people to things,
29
72748
1536
muhtemelen görmüşsünüzdür.
01:14
but what if we could use
that same technology
that same technology
30
74308
2256
Peki ya aynı teknolojiyi
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
gerçekten uygun olduğumuz işleri
bulmak için kullansak?
bulmak için kullansak?
01:19
But I know what you're thinking.
32
79708
1576
Ne düşündüğünüzü biliyorum.
01:21
Algorithms picking your next job
sounds a little bit scary,
sounds a little bit scary,
33
81308
2776
İşinizi algoritmanın seçmesi korkutucu
01:24
but there is one thing that has been shown
34
84108
2056
ama birinin gelecekte işindeki başarısını
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
tahmin etmede çok iyi olduğu
gösterilen bir şey var:
gösterilen bir şey var:
01:29
and that's what's called
a multimeasure test.
a multimeasure test.
36
89108
2136
Çok ölçmeli sınav.
01:31
Multimeasure tests
really aren't anything new,
really aren't anything new,
37
91268
2176
Çok ölçmeli sınavlar yeni değil
01:33
but they used to be really expensive
38
93468
1736
ama eskiden pahalıydılar
01:35
and required a PhD sitting across from you
39
95228
2016
ve doktoralı birinin yürütmesi gerekiyordu
ve bir dizi soruya cevap vererek
rapor yazmak lazımdı.
rapor yazmak lazımdı.
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
Çok ölçmeli sınavlar,
01:41
to understand someone's inherent traits --
42
101468
2456
kalıtsal özelliklerinizi
anlamanın bir yolu --
anlamanın bir yolu --
01:43
your memory, your attentiveness.
43
103948
1776
hafızanız, dikkatiniz.
01:46
What if we could take multimeasure tests
44
106662
1942
Çok ölçmeli sınavları
01:48
and make them scalable and accessible,
45
108628
2536
ölçeklendirilebilir
ve erişilebilir yaparak
ve erişilebilir yaparak
01:51
and provide data to employers
about really what the traits are
about really what the traits are
46
111188
3376
işverenlere bir işe
kimin uygun olduğu konusunda
kimin uygun olduğu konusunda
01:54
of someone who can make
them a good fit for a job?
them a good fit for a job?
47
114588
2896
veri sunsak nasıl olurdu?
01:57
This all sounds abstract.
48
117508
1296
Şu an soyut bir fikir.
01:58
Let's try one of the games together.
49
118828
1735
Oyunlardan birini oynayalım.
02:00
You're about to see a flashing circle,
50
120587
1857
Yanıp sönen bir daire göreceksiniz,
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
daire kırmızı olduğunda ellerinizi çırpın,
yeşil olduğunda hiçbir şey yapmayın.
02:06
and do nothing when it's green.
52
126285
1496
02:07
[Ready?]
53
127806
1376
[Hazır mısınız?]
02:09
[Begin!]
54
129207
1360
[Başlayın!]
02:11
[Green circle]
55
131708
1000
[Yeşil daire]
02:13
[Green circle]
56
133708
1040
[Yeşil daire]
02:15
[Red circle]
57
135708
1000
[Kırmızı daire]
02:17
[Green circle]
58
137708
1080
[Yeşil daire]
02:19
[Red circle]
59
139708
1000
[Kırmızı daire]
02:21
Maybe you're the type of person
60
141928
1596
Belki de siz kırmızı belirdiğinde
02:23
who claps the millisecond
after a red circle appears.
after a red circle appears.
61
143548
2496
aynı milisaniyede
elini çırpan gruptasınız.
elini çırpan gruptasınız.
02:26
Or maybe you're the type of person
62
146068
1656
Belki de %100 emin olmak için
02:27
who takes just a little bit longer
to be 100 percent sure.
to be 100 percent sure.
63
147748
2735
biraz daha geç elinizi çırpıyorsunuz.
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
Belki de yeşil yandığında
elini çarpanlardansınız.
elini çarpanlardansınız.
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
Bu işin güzel yanı,
bu standart bir test değil,
bu standart bir test değil,
02:36
where some people are employable
and some people aren't.
and some people aren't.
66
156468
2656
kimi işe alınabilir, kimi alınamaz
diye bir sonuç yok.
diye bir sonuç yok.
02:39
Instead it's about understanding
the fit between your characteristics
the fit between your characteristics
67
159148
3256
Bu sizin karakteristik özelliklerinizle
bir işte sizi iyi yapacak şeyleri
anlamaya yönelik.
anlamaya yönelik.
02:42
and what would make you
good a certain job.
good a certain job.
68
162428
2016
Kırmızıda geç elinizi çırpıyor
ve yeşilde çırpmıyorsanız
ve yeşilde çırpmıyorsanız
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
02:48
you might be high in attentiveness
and high in restraint.
and high in restraint.
70
168228
3176
dikkat ve kendine hakimiyet
yetileriniz yüksek olabilir.
yetileriniz yüksek olabilir.
02:51
People in that quadrant tend to be
great students, great test-takers,
great students, great test-takers,
71
171428
3576
Bu alandakiler iyi öğrenci olmaya
ve sınavlarda iyi olmaya meyillidir,
ve sınavlarda iyi olmaya meyillidir,
02:55
great at project management or accounting.
72
175028
2136
proje yönetimi ve muhasebede harikadırlar.
02:57
But if you clap immediately on red
and sometimes clap on green,
and sometimes clap on green,
73
177188
3336
Ama kırmızıda hemen çırpıyor
ve bazen yeşilde de çırpıyorsanız
ve bazen yeşilde de çırpıyorsanız
03:00
that might mean that
you're more impulsive and creative,
you're more impulsive and creative,
74
180548
2656
atılgan ve yaratıcısınız
anlamına gelebilir.
anlamına gelebilir.
03:03
and we've found that top-performing
salespeople often embody these traits.
salespeople often embody these traits.
75
183228
3875
En iyi performanslı satış temsilcilerinde
bu özelliklerin olduğunu gördük.
bu özelliklerin olduğunu gördük.
03:07
The way we actually use this in hiring
76
187128
2016
Bunu iş alımında kullanma şeklimiz
03:09
is we have top performers in a role
go through neuroscience exercises
go through neuroscience exercises
77
189168
3696
bir pozisyona dair en iyi performansları
nörobilim egzersizlerine tabi tutmak,
nörobilim egzersizlerine tabi tutmak,
03:12
like this one.
78
192888
1216
bunun gibi.
03:14
Then we develop an algorithm
79
194128
1376
Sonra bir algoritma yapıyoruz,
03:15
that understands what makes
those top performers unique.
those top performers unique.
80
195528
2656
onları en iyi yapanın
ne olduğunu anlaması için.
ne olduğunu anlaması için.
03:18
And then when people apply to the job,
81
198208
1936
Sonra insanlar iş başvurusu yaptığında
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
bu iş için en iyi adayları
su yüzüne çıkarabiliyoruz.
su yüzüne çıkarabiliyoruz.
03:24
So you might be thinking
there's a danger in this.
there's a danger in this.
83
204328
2376
Burada bir tehlike
olduğunu düşünebilirsiniz.
olduğunu düşünebilirsiniz.
03:26
The work world today
is not the most diverse
is not the most diverse
84
206728
2136
Bugün iş hayatı pek de çeşitli sayılmaz
03:28
and if we're building algorithms
based on current top performers,
based on current top performers,
85
208888
3096
ve eğer mevcut en iyileri baz alarak
algoritmalar geliştirirsek
algoritmalar geliştirirsek
03:32
how do we make sure
86
212008
1216
zaten var olan ön yargıları
03:33
that we're not just perpetuating
the biases that already exist?
the biases that already exist?
87
213248
2976
devam ettirmediğimizden
nasıl emin olacağız?
nasıl emin olacağız?
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
Örneğin en iyi performanslı CEO'ları
baz alarak bir algoritma yapıyorsak
baz alarak bir algoritma yapıyorsak
03:40
and use the S&P 500 as a training set,
89
220328
3216
ve eğitim seti olarak
S&P 500 kullanıyorsak
S&P 500 kullanıyorsak
03:43
you would actually find
90
223568
1256
şu ortaya çıkacaktır ki
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
bir kadın değil John isminde bir erkek
alınması çok daha muhtemel.
alınması çok daha muhtemel.
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
Bu işlerde kimin
çalıştığıyla ilgili bir gerçek.
çalıştığıyla ilgili bir gerçek.
03:51
But technology actually poses
a really interesting opportunity.
a really interesting opportunity.
93
231408
3376
Ancak teknoloji aslında gerçekten
ilginç bir fırsat sunuyor.
ilginç bir fırsat sunuyor.
03:54
We can create algorithms
that are more equitable
that are more equitable
94
234808
2256
İnsanların bugüne kadar olduğundan
çok daha eşitlikçi ve adil
algoritmalar yapabiliriz.
algoritmalar yapabiliriz.
03:57
and more fair than human beings
have ever been.
have ever been.
95
237088
2256
03:59
Every algorithm that we put
into production has been pretested
into production has been pretested
96
239368
3696
Üretime sunduğumuz her algoritma
04:03
to ensure that it doesn't favor
any gender or ethnicity.
any gender or ethnicity.
97
243088
3096
cinsiyet veya etnisite ayrımı
yapmamak üzere test edildi.
yapmamak üzere test edildi.
04:06
And if there's any population
that's being overfavored,
that's being overfavored,
98
246208
2736
Ve ayrım yapılmış bir popülasyon varsa
04:08
we can actually alter the algorithm
until that's no longer true.
until that's no longer true.
99
248968
3120
algoritmada değişiklik yaparak
sorunu kaldırabiliyoruz.
sorunu kaldırabiliyoruz.
04:12
When we focus on the inherent
characteristics
characteristics
100
252448
2216
Birini bir iş için uygun kılabilecek
kalıtsal karakteristik
özelliklere odaklandığımızda
özelliklere odaklandığımızda
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
ırkçılık, klasikçilik, seksizm
ve yaşçılığın önüne geçebiliriz --
ve yaşçılığın önüne geçebiliriz --
04:20
even good schoolism.
103
260408
1416
hatta okul ayrımının bile.
04:21
Our best technology and algorithms
shouldn't just be used
shouldn't just be used
104
261848
2896
En iyi teknoloji ve algoritmalarımız
sadece bize yeni filmler
sadece bize yeni filmler
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
veya yeni favori Justin Bieber
şarkısını bulmada kullanılmamalı.
şarkısını bulmada kullanılmamalı.
04:28
Imagine if we could harness
the power of technology
the power of technology
106
268528
2656
Teknolojinin gücünden faydalanıp,
04:31
to get real guidance
on what we should be doing
on what we should be doing
107
271208
2296
en derinden kim olduğumuz baz alınarak
04:33
based on who we are at a deeper level.
108
273528
1936
ne yapmamız gerektiğini öğrenebiliriz.
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