Vo svete je dnes už bežné, že veľké firmy sa spoliehajú pri skladaní tímov na výber umelej inteligencie. Aj do slovenskej personalistiky prenikne strojové učenie, hoci pomalšie. A raz dokáže byť aj empatické, myslí si expert na Big Data Filip Vítek, ktorý vedie dátových vedcov v spoločnosti Teamviewer. Analyzuje dáta o správaní sa vyše miliardy ľudí.

 Žijeme už naplno v ére Veľkého brata, alebo sa to ešte zintenzívni?

Myslím si, že žijeme v ére Veľkého brata a zároveň je možné, že brat ešte vyrastie. Veľké percento svojich údajov už teraz dávame k dispozícii, či už dobrovoľne alebo nedobrovoľne. Zostávajú nám ešte nejaké oblasti, ale o tie nás podľa mňa pripraví ani nie tak naša vôľa, ale zrejme samotný vývoj techniky.

Kým v zahraničí sa dáta využívajú vo väčšom už aj pre potreby HR, u nás je takzvaná „people analytics“ skôr ojedinelá. S akým využitím sa stretávate?

Je citeľný rozdiel medzi mierou využitia technológií v stredoeurópskom regióne a na západe. Najväčšie spoločnosti bežne investujú do skladania tímov na základe vyhodnotených predpokladov ľudí a nie podľa názorov manažérov. Majú naozaj veľmi tvrdé 360-stupňové hodnotenie, miera vhodnosti kandidátov sa tiež tvrdo testuje na základe dát. Je to dobrá i zlá správa pre HR-istov. Dobrá v tom, že ich práca dostáva čoraz hmatateľnejší výsledok, kandidáti sú kvalitnejší, tímy fungujú lepšie. Pre niektorých však aj zlá, respektíve skľučujúca v tom, že čoraz viac rozhodnutí prechádza na odporúčacie systémy a analytiku.

Aj mňa prekvapilo, čo si o mne kandidáti zistili.

Čo si teoreticky i prakticky môže HR-ista alebo manažér zistiť o kandidátovi vopred z dostupných dát okrem životopisu?

Je toho strašne veľa. Aj mňa už prekvapilo, čo si o mne kandidáti zistili. Akákoľvek informácia, ktorá je verejne dostupná, nepodmienená heslom alebo prihlásením, je skenovateľná. Napríklad aj to, že som bol riešiteľom matematickej olympiády alebo súťažil v športoch. Mám však pocit, že v HR stále prevláda preferencia vypočuť si to všetko od kandidáta, spoliehajú sa na samoprezentáciu cez CV, na pohovory a podobne. Pritom ľudia sami od seba nehovoria o svojich slabinách, prípadne ich spomenú diplomaticky. HR-ista sa takto oberá o poznanie menej kvalitnej časti kandidátovej osobnosti.

FILIP_VITEK_new

Čím vás prekvapili niektorí kandidáti?

Dlhodobo som súčasťou odborného panelu, v ktorom odpovedám na celospoločenské otázky. Odpovede sú potom zverejňované na webe. Kandidát na pohovore sa ma začal pýtať na postoje, ktoré som tam prezentoval. Musel preštudovať pomerne veľa mojich odpovedí, dal si námahu, aby zistil, ako rozmýšľam, aké mám hodnoty.

Vnímali ste to pozitívne?

Najprv ma to zaskočilo. No potom som si uvedomil, že aj on si vyberá budúceho šéfa. Dalo mi to najavo, že je preňho dôležité, aký ten manažér je. To je pozitívne. Aj keby sme sa nakoniec nedohodli, tak by sme sa zrejme nedohodli pre dobrý dôvod.

Za slabiny umelej inteligencie sa označujú empatia, schopnosť motivovať a viesť ľudí. Mali by HR-isti stavať na týchto zručnostiach?

Práve teraz sa intenzívne venujem tomu, či nás umelá inteligencia definitívne nahradí alebo nie. Existujú optimistické a pesimistické náhľady. Jednou z vecí, ktorá bude umelej inteligencii dlho trvať, je naozaj schopnosť empatie. V tom budú mať HR-isti náskok skutočne dlhšie, než napríklad v presnosti odhadu úspešnosti kandidáta. No rád by som vyviedol z omylu všetkých, ktorí si myslia, že stroje nikdy nebudú empatické. Budú. Dokonca budú nadpriemerne empatické, keď si uvedomíme, s akými reakciami sa bežne stretávame.

Stroje môžu prispieť k precíznejšiemu hodnoteniu. Dokážu napríklad izolovať jednotlivé vplyvy, ktoré mali dopad na celkový výsledok nejakého projektu.

Dá sa dnes plnohodnotne využívať analytika na hodnotenie zamestnancov, pri predpovedaní ich výkonu do budúcna alebo ich fluktuácie?

Uvediem tri príklady, ktoré vnímam. Ak má firma kvalitne definované kompetencie na jednotlivých pozíciách, tak pri drvivej väčšine z nich vieme nejakým analytickým spôsobom priamo alebo nepriamo zistiť, či kandidát má tieto kompetencie. Vieme teda dramaticky zvýšiť pravdepodobnosť, že človek nebude po nástupe prekvapivo dobrý alebo prekvapivo zlý. Druhou oblasťou je osobnostné profilovanie ľudí. Stroje dokážu byť v tomto ohľade omnoho precíznejšie než ľudia. Napríklad IBM zostavuje celosvetové tímy, ktoré majú pracovať na dôležitých úlohách, na základe historických skúseností, podľa ich správania, podľa vhodnosti na danú úlohu. Treťou oblasťou je precíznejšie hodnotenie. Stroje dokážu napríklad izolovať jednotlivé vplyvy, ktoré mali dopad na celkový výsledok. Šéf tímu je povedzme náchylný automaticky pochváliť projektového manažéra, ak projekt dopadne dobre, alebo naopak, ak projekt dopadne zle. No pomocou analytiky dokážem pri dostatočnom počte realizovaných projektov vyseparovať jednotlivé vplyvy v spoločnosti a napríklad odhaliť, že tento projekt sa zviezol na vlne iných pozitívnych faktorov. To je podľa mňa asi najväčšia pridaná hodnota strojov z hľadiska hodnotenia ľudí.

Práve dostatočný objem dát môže byť problém. Ako to vyriešiť?

Vyzerá to, že by to mohla byť jedna z najväčších slabín strojového učenia. Ak budeme strojom dávať nereprezentatívne údaje, tak budeme samozrejme dostávať nereprezentatívne výsledky. Naučia sa naše predsudky. Ak si vezmeme celú históriu prezidentov USA a povieme modelu, aby z toho usúdil, ako vyzerá dobrý prezident, tak by usúdil, že je biely a je to muž. Z tohto hľadiska by model dopadol katastrofálne. Možno to nie je až taký problém v biznise, kde môžem ja sám dobrovoľne rozhodnúť o profile želaného zamestnanca – nemal by som samozrejme diskriminovať. Oveľa väčší problém to môže byť pri úverových rozhodnutiach alebo pri vhodnosti nejakého človeka na verejnú funkciu. V analytike práve z týchto príčin vzniká cielene jedna disciplína, ktorá bude vyžadovať veľmi tvrdé sledovanie reprezentatívnosti vzoriek. My si to zatiaľ nevieme predstaviť, lebo u nás stále máme populáciu relatívne homogénnu. Ale príde to aj k nám, pri nazeraní na výkon zamestnanca budeme musieť zohľadniť napríklad to, že rumunská kultúra sa k tomu stavia inak alebo že Srbi pracujú iným spôsobom.

Ako ovplyvní oblasť spracovania dát sprísnenie pravidiel ich ochrany, teda GDPR?

Bude to oveľa väčšia zmena, ako si ľudia dokážu pripustiť. Regulácia je prísna, lebo dobieha zameškané. Online prostredie dlho nebolo regulované, tolerujeme tam veci, ktoré v bežnej spoločnosti nedovolíme. Ak by sa niekto živil tým, že stojí na ulici a zapisuje si, kam chodíte, tak by ste ho udali. No je úplne normálne, že Google, Facebook, Amazon vedia všetko, nikto im to nezakazuje, ani ich neobmedzuje.

GDPR rozhýbe mobilitu dát.

Čo sa zmení?

GDPR rozhýbe mobilitu dát. Spomínaný Google má napríklad informácie o mojich preferenciách, o stránkach, na ktoré chodím. Doteraz mohol tieto informácie využívať len ten, kto ich zbieral. Od GDPR bude mať každý, kto o mne zbiera dáta, povinnosť zverejniť ich aj mne alebo komukoľvek inému, koho ja určím. Zrazu všetky tie obrovské analytické pozadia budeme môcť využiť v náš prospech. Veď niekto tu zadarmo pre mňa robí rozsiahle analýzy môjho správania.

Budú to vedieť spotrebitelia prakticky využiť?

Áno. Dostanú svoje zrkadlo. Ak sa im obraz v zrkadle nebude páčiť, môžu na sebe začať pracovať. Ak sa im bude páčiť, môžu ho používať ako akýsi „certifikát“ o svojej osobe. Na pohovore budú môcť povedať – pozrite sa, podľa Google som za posledný týždeň čítal štyri odborné články a robím to pravidelne. Mobilita dát má pozitívne efekty. Očakávam, že vzniknú nové služby, ktoré pre ľudí budú tieto dáta čítať, že vzniknú „informačné účty“. Bude totiž dôveryhodnejšie, ak sa budeme preukazovať zisteniami od nejakého nezávislého sprostredkovateľa. Dokonca si myslím, že pre samotné dotknuté spoločnosti bude výhodné zriadiť takéto účty pre ľudí, aby zabezpečili súlad s GDPR.

Nedávno ste zmenili zamestnanie a presťahovali sa do Nemecka. Čomu sa venujete vo firme Teamviewer?

Doteraz som sa venoval jednému trhu, jednej banke, jednej poisťovni alebo nejakej utilite. Teraz mám na starosti analyzovanie dát z celého sveta. Naša firma má 1,5 miliardy klientov. Ak v minulosti niečo prekážalo pol percentu klientov, tak to bolo väčšinou okolo päťsto ľudí, na mojej súčasnej pozícii je to 5 miliónov ľudí. Taká masa sa dosť ťažko ignoruje. Metódy na analyzovanie miliardy ľudí musia byť vo svojej podstate zásadne iné ako pri miliónoch. Napríklad sa nám objaví nejaký biznisový jav na Filipínach. Človek tam nikdy nebol, nevie, aká je to kultúra. Niečo si o tom môže prečítať, ale v princípe nie vždy rozumie do úplného dôsledku, prečo sa to deje. Vzbudzuje to vo mne pokoru, naozaj sa treba spoliehať na dáta, zanalyzovať, prečo sa to tak udialo. Človek si nemôže od stola dovoliť povedať, že jasné, to je proste tento efekt, to poznáme, to sa stalo aj pred dvoma rokmi v Španielsku.

FILIP_VITEK_1

Máte na mysli nejaký konkrétny príklad?

Naša firma okrem iného vyvíja softvér, ktorý je „freemiový“ – môžeš si ho voľne stiahnuť a používať v nejakej rozumnej miere pre vlastné potreby. Ak ho začneš používať pre komerčné účely, mal by si si zakúpiť licenciu. To samozrejme spôsobuje, že veľmi veľa ľudí sa tvári ako voľne používajúci, ale v skutočnosti ich tempo alebo intenzita používania je ďaleko za hranicou normálneho fungovania. Jedna z úloh môjho tímu je ich odhaľovať, pokúsiť sa nájsť vzorce správania poukazujúce na to, že toto už nie je domáce použitie. Je veľmi zaujímavé, ako sú krajiny rozdielne spontánne úprimné. Miera spontánneho nákupu licencie je veľmi rozličná, napriek tomu, že softvér je rovnaký a cenová politika rovnako zohľadňuje ekonomickú situáciu krajiny. Ukazuje sa, že Nemecko alebo Švajčiarsko nepotrebujú tvrdé upozornenia z našej strany, že používajú softvér nad rámec voľného používania. Stačí ich len vyzvať, aby sa zamysleli, či náhodou nepoužívajú softvér príliš intenzívne. A oni si tie licencie kupujú. No v krajinách ako Rusko alebo Albánsko, kde je dlhodobá tradícia za softvér neplatiť, musíme pristúpiť k výrazným obmedzeniam v používaní, inak si licencie kupujú len ťažko.

Z mojej skúsenosti tí najlepší ľudia chcú robiť na najzaujímavejších projektoch. Ukážte im ich

Ako ste si vyberali vlastný tím a aké nástroje ste použili?

Na Slovensku som bol pri prijímaní prirodzene zorientovaný. Poznal som reputáciu univerzít, vedel som, na akej pozícii na trhu sa nachádzal predošlý zamestnávateľ kandidáta. No pri zostavovaní môjho nového tímu v Nemecku bola väčšina uchádzačov z Indie. Nemal som šancu spraviť si povedzme rešerš indických univerzít. Musel som preto omnoho hlbšie skúmať ľudí, aby som nadobudol v rozhodnutí istotu. Intenzívnejšie a dlhšie som sa venoval kolám, v ktorých preukazovali  schopnosti, chcel som poznať reálne prípadové štúdie. Kým predtým som už na interview tušil, ako uchádzači dopadnú, teraz najväčším filtrom prešli až pri praktických skúškach. Momentálne je pri výbere najväčším problémom nedostatočne veľký počet uchádzačov. Treba presvedčiť aj iné skupiny možných zamestnancov, nielen tých, ktorí rotujú. Osloviť ponukou aj tých naozaj kvalitných, tých, ktorí sú na svojej pozícii spokojní a možno aj rozmaznávaní zamestnávateľom.

Ako?

Z mojej skúsenosti tí najlepší ľudia chcú robiť na najzaujímavejších projektoch. Ukážte im ich. Či už tie, na ktorých ste vy (ako budúci šéf) už robili, alebo im povedzte o tých, ktoré na nich čakajú. Dajte im šancu zistiť to na vašom LinkedIn Profile, napíšte blog, či článok. Vyvolajte v ľuďoch pocit, že stratia konkurenčnú výhodu voči ostatným, ak nebudú pracovať práve s vami.

Aké nové trendy očakávate v analytike? Ktoré z nich by mohli prísť aj do slovenských firiem, prípadne priamo do HR?

Tempo sa zrýchľuje. Mám pocit, že stredoeurópska a západná analytika sa začínajú významne vzďaľovať. Obávam sa, že mnoho mojich kolegov, ktorí si tento rozdiel neuvedomia, budú mať za 5-6 rokov závažný problém ostať v tejto oblasti uznávaný alebo žiadaný. Vnímam viacero trendov:

Umelá inteligencia začne preberať čoraz viac našich činností a treba sa s tým zmieriť. Musíme triezvo zvoliť oblasti, ktoré zveríme umelej inteligencii. Práve s ohľadom na nevyhnutný objem vstupných dát. Ak firma, napríklad, nikdy nerobila hodnotenie zamestnancov, tak nie je správny krok zveriť to hneď umelo-inteligenčnému modelu. Nebudeme ho vedieť nakalibrovať a ani porovnať rozdiel.

Rovnako dáta budú musieť prejsť fázou poľudšťovania. Závery z umelej inteligencie stále dokáže interpretovať len limitovaný počet ľudí, zväčša dátoví analytici. Zvyšok spoločnosti sa na ich interpretáciu musí len spoľahnúť. Neskôr však bude nutné, aby sa v tejto oblasti orientovali aj manažéri, tak ako dnes chápu finančné výsledky či 360-stupňové hodnotenie.

Založili ste blog o dátovej analytike – mocnedata.sk. Čo vás k tomu viedlo a prečo ho píšete?

Na začiatku toho celého bola náhoda. Redakcia jedného ekonomického týždenníka ma požiadala o blogovanie. Neskôr to prerástlo do toho, že som si založil vlastný blog. Má aj anglickú variantu themightydata.com. Mojou ambíciou je popularizovať témy dátovej analytiky medzi ľuďmi na Slovensku. Videl som totiž, že u nás sa ani nediskutuje o veciach, ktoré sa na západe už implementujú.

Ako bude vyzerať digitalizované pracovisko budúcnosti sme písali TU

Kto je Filip Vítek (35)

Vyštudoval finančný manažment na Univerzite Komenského v Bratislave.  Pracoval na viacerých manažérskych pozíciách, viedol CRM oddelenia, iniciatívy a tímy vo veľkých firmách – v Allianz Slovenskej poisťovni, Sberbank Slovensko, mediworx software solutions. Od septembra minulého roka je Data Science Director v spoločnosti Teamviewer v Berlíne. Je stratég, inovátor a popularizátor dátovej analytiky a Big Data, zakladateľ portálu Mocné dáta. Jeho pohnútky vystihuje citát: „Predieraj sa húštinou, aby po tebe zostal chodník.“