引述外媒报道，Headstart是一个利用数据科学来帮助公司减少招聘过程中无意识偏见的平台，在以AI为重点的硅谷风投公司FoundersX领导下，Founders Factory参与了种子轮融资，筹集了700万美元。

Headstart于2017年在伦敦启动，是越来越多的初创公司之一，它们承诺在招聘活动中帮助企业提高多样性。这是通过将机器学习与大量数据源相结合以根据特定的客观标准找到最佳候选人而实现的。

“机器-算法和模型-毫不费力地做到了；疲劳; 或公开的主观，自觉或潜意识见解或感觉，” Headstart联合创始人兼董事长Nicholas Shekerdemian告诉VentureBeat，“不像人类。”

数据

Headstart首先利用其客户公司的信息，包括职位描述，当前员工数据（例如简历，教育和心理测验数据）。然后，将检查此内部数据是否存在固有偏差，因此可以在随后的招聘活动中解决针对特定人群的任何明显倾向。Headstart平台还收集和分析来自网络的公共可用数据，包括职位描述和职位，以及基于人口和社会的数据，例如学校排行榜和免费的学校膳食数据。

Shekerdemian补充说：“我们使用这些数据来确定任何个人是否有明显的社会劣势，并且可能超越其社会规范群体。”

然后，当然是最重要的候选数据，它是在个人在线申请广告职位时获得的。Headstart的技术实质上位于客户数字资产上“应用”按钮的后面，这时，公司会根据申请人的简历，心理测评以及筛选过程中使用的任何其他工具收集的数据，为公司提供最佳匹配。Shekerdemian补充说：“ [这]使我们能够通过算法对每个候选人进行评估，并以360度的程度评估他们的适合程度，以确保每个人都有公平的经验。”

这家初创公司已经声称拥有一些知名客户，包括金融服务巨头Lazard和Accenture，Headstart表示，使用该平台后，女性员工人数增加了5％，黑人和少数民族员工人数增加了2.5％。

值得注意的是，减少偏差只是此处卖点的一部分。更广泛地讲，Headstart平台旨在加快候选人筛选的速度，确保对每个应用程序进行平等考虑，并将聘用时间减少多达70％。

此外，Headstart可以使公司深入了解其招聘实践，以便他们可以衡量现有偏见并了解其随着时间的变化，以及确定面试过程中哪个阶段特定的申请人类型下降。

Headstart先前曾筹集了500,000美元，并从Y Combinator的毕业生那里又筹集了12万美元。鉴于埃森哲已签署一项在全球其他市场使用Headstart平台的协议，该银行还拥有700万美元的新资金，目前正寻求在国际上进行扩张。这项努力已经在进行中。

Headstart首席执行官Gareth Jones说：“两年前我们进入市场时，我们可能是唯一一家谈论公平性和多样性的技术公司。” “对我来说，这代表着对多元化的投资，而不仅仅是我们公司。最新一轮融资将使我们能够增强在核心市场的能力，创造公平的竞争环境，打破在工作世界中长期流行的排斥循环。”

还有许多其他初创公司利用AI和自动化来简化招聘流程，例如，位于纽约的Fetcher使用类似的数据处理技术来主动寻找新候选人，而Pymetrics利用AI作为公司独立平台的一部分根据神经科学游戏进行评估。

但据Shekerdemian称，Headstart将其技术定位为“融合候选信息并通过算法对其进行解释”的基础数据体系结构。“我们的USP具有获取所有这些数据的能力，而不仅仅是返回通过/失败或是/否，我们还可以结合所有数据输入的百分比对它们进行评分。”

偏压

尽管算法可以消除许多传统管理流程中的人为偏差，但我们已经看到越来越多的场景中算法本身表现出偏差-毕竟，人类可以创建算法。举例来说，就在上周有消息传出，高盛将因涉嫌与Apple Card有关的信用额度受到性别歧视而受到调查。

最终，对于算法来解释为什么要做出某个决定要比人工做决定要困难得多。这就是为什么今天的大多数争论似乎都停留在哪个选项更好的原因上：无法解释自己的偏见算法，或者至少可以为他们的决策提供某些理由的偏见的人。

在其他地方，亚马逊先前取消了它一直在使用的人工智能驱动的招聘工具，特别是因为它偏向女性。通过观察十年前成功履历中的模式，对实验工具进行了培训，以审查技术角色的申请。但是，这些应用程序大多数来自男性。因此，实际上，亚马逊一直在教授其机器学习系统，以青睐男性候选人。

专门针对Headstart，值得强调的是，候选人实际上并不是由机器聘用的，而是由人类做出所有最终决定。这只是一个审核工具，可帮助消除一些偏见（根据Headstart的说法，这种偏误最多可达到20％），同时还可以加快招聘过程。

Shekerdemian说：“技术及其消除偏见的能力引起了很多关注。” “的确如此。然而，我们在谈论这一点时，就好像人才招募选拔过程是纯净，健全且没有偏见的。不是。长期存在偏见。”

当一项特定的工作收到数百个甚至数千个应用程序时，这种人为的偏见就变得更加复杂，并且要由一两个人来筛选这些应用程序。如果有一件事不能指责算法，那就很容易累死或懒惰。

Shekerdemian继续说：“正确使用的技术可以消除这种偏见，并且在很大程度上消除了这种偏见，这是因为它没有达到当天看到的第50个简历，然后又跳过了下100个，因为他们很累并且需要招聘经理的入围名单，前50名中的一堆“足够好”。”

Shekerdemian承认，将机器学习与数据处理结合起来并不是完美的，但它确实解决了困扰固有的，耗费大量资源的招聘流程的许多内在问题。随着时间的推移，它应该会有所改善。

Shekerdemian补充说：“由于不自觉地偏向种族出身或性别，该机器不考虑候选人的姓名，并且在潜意识中降低了申请人的价值。” “这是否意味着机器是完美的？否。创建可靠的数据模型和算法是一个反复的过程。为了提高准确性，需要花费时间来训练，执行，审查和重新训练模型。并标记可能导致偏见的事物，例如可能导致模型偏向特定性别类型的条件，例如亚马逊案中的情况。”