Bienvenue Joomla   Cliquez pour écouter le texte entier Bienvenue Joomla Ecoutez en ligne cet article du MagRH

D'autres articles sur le thème des technologies et de la transformation

La data au service du Workforce planning

La data au service du Workforce planning

An Rycek, Cisco - Strategic Workforce Planning Manager,
Global virtual sales & engineering

Pouvez-vous présenter Cisco en quelques mots ?

Cisco est une entreprise IT américaine spécialisée dans les solutions télécom (Infrastructures, 

Sécurité, Services, Applications…) qui emploie environ 74 000 employés dans le monde et se reconfigure en permanence (190 acquisitions depuis 1993). Pour illustrer ce qu’est Cisco, je peux prendre deux exemples de projets que Cisco a mené récemment : 

(1) A Barcelone, nous avons créé ensemble avec notre eco-système la ville du futur (Smart city/ville intelligente) en déployant l’informatique géodistribuée (fog computing) pour gérer notamment grâce aux données via l’internet des objets l’éclairage, le trafic automobile ou les déchets de manière plus intelligente afin d’optimiser la consommation d’énergie et les flux ;

Lire la suite

Gestion des compétences : pourquoi vous ne pourrez vous passer de l'IA

Gestion des compétences : pourquoi vous ne pourrez vous passer de l'IA

« Les gens qui ne passeront pas cinq heures par semaine en ligne pour se former seront bientôt obsolètes  », Randall Stephenson, Président d’AT&T en 2016.

Une recherche empirique sur le rythme du progrès et de l’innovation montre rapidement que ce rythme est de forme exponentielle (résultat d’une succession de courbes en S) dans bien des cas. Le problème c’est que le cerveau humain sait prolonger les lignes droites mais se représente très mal une exponentielle. Il est pourtant crucial de comprendre ce dont il s’agit afin d’anticiper ce que ça implique en matière d’employabilité et de compétitivité. Essayons de comprendre cela avec l’exemple du grain de riz sur l’échiquier : un jeu d’échec compte 64 cases. En doublant simplement la quantité de riz à chaque case (1 sur la première, 2 sur la deuxième, 4 sur la troisième, etc.), on arrive à la dernière case avec une quantité de riz équivalente à 500 ans de production annuelle mondiale ! C’est ça une exponentielle. Il suffit de quelques « sauts de puces  » pour atteindre des résultats vertigineux. 

Lire la suite

Philosophie et IA

Philosophie et IA

Pourquoi un philosophe s’intéresse-t-il à l’Intelligence artificielle ?

L’intelligence a toujours posé question à la philosophie, de même que la technologie qui, depuis au moins un siècle, se trouve au centre des préoccupations. La combinaison de l’intelligence et de la technologie est ainsi doublement philosophique. Des philosophes comme Aristote et Leibniz l’ont anticipé. Actuellement, les débats sur l’intelligence artificielle ont deux dimensions. La première est épistémologique : elle cherche à interroger la part « intelligente » de l’intelligence artificielle. Si la capacité pour une machine d’émuler l’intelligence humaine la rend véritablement intelligente, cette dernière caractéristique doit-elle être entendue comme une qualité, ou juste comme une capacité ? Un dispositif capable de comportements intelligents a-t-il cette qualité qu’est l’intelligence, voilà la question. La seconde dimension du débat contemporain est plus prospective et sociale. Elle interroge les conséquences humaines et civilisationnelles des évolutions actuelles du couple humain-machine, avec aussi bien le spectre d’un chômage accru et d’un remplacement du travail humain par le travail machinique, que les espoirs transhumanistes, souvent utopistes, d’une humanité régénérée par ses outils. Toutes les questions soulevées par le progrès depuis deux siècles se retrouvent dans ce débat, exacerbé par les exemples toujours plus nombreux de robotisation de certaines activités.

Lire la suite

Le référentiel est mort, vive le référentiel !

Le référentiel est mort, vive le référentiel !

Par Loïc Michel, CEO 365 Talents - Après plusieurs années dans le conseil avec des expériences de chef de projet Stratégie, Marketing et Relation Client en particulier dans les Télécoms, les Nouvelles Technologies et l’Énergie. https://365talents.com

Aujourd’hui le référentiel est toujours au cœur des pratiques RH… Il est défini comme la « clé du système de pilotage des ressources humaines ». Il permet de « constituer un ensemble défini des compétences ajustables aux exigences de la politique de recrutement, de mobilité interne, de formations destinées aux emplois cibles. Le référentiel délivre ensuite des indicateurs de performance tangibles que doivent produire les compétences… ».

Ces affirmations font office de dogmes : le référentiel ne donne pas moins l’ensemble des compétences requises sensées faire face à toutes les évolutions du marché, des emplois et de l’entreprise. La messe est donc dite ! Le référentiel pourrait bien apparaître comme l’ultime rempart de la vérité RH !

Or comment maintenir un tel référentiel dans un contexte où ce qui est attendu des collaborateurs évolue en fonction des transformations régulières qui secouent tous les 3 ans en moyenne les entreprises ? C’en est presque intenable tant il faut d’énergie et d’adaptabilité, alors que les DRH ont également d’autres chantiers d’importance à gérer allant du recrutement à l’expérience collaborateur.

Émerge ainsi, avec la remise en question « pratique » du référentiel du fait de l’impermanence de ce qui est attendu, la notion de Talent, nécessairement issu de l’expérience, lié au parcours et à la motivation du collaborateur. Le Talent a ceci de fondamental qu’il s’adapte, qu’il est protéiforme et qu’il se réalise en fonction du candidat dans le cadre de la mission.

Le talent, ne peut se résumer aux compétences, il apparait aujourd’hui comme étant de plus en plus un pari sur l'avenir grâce à des paramètres de personnalité et soft skills qui garantiraient une meilleure prédictibilité des réalisations futures.

Pour nous, qui avons choisi pour notre ADN les Talents plutôt que les seules compétences, l’homme ou la femme plutôt que le référentiel, cela nous parle ! Et nous sommes partis du principe que la solution viendrait du collaborateur lui-même… par conséquent qu’il était nécessaire d’aider les entreprises à rendre leurs propres collaborateurs actifs sur la valorisation de leurs atouts…. Et pour cela, fournir des outils d’IA aux collaborateurs pour qu’ils puissent constituer un ensemble cohérent et intelligible de l’ensemble de leurs compétences, expertises et motivations, c’est-à-dire de leur projection en tant que Talent.

Le rôle des RH va ainsi plus loin que la collecte et le référencement des compétences : elles permettent aux collaborateurs de devenir des talents … en organisant les mobilités nécessaires pour qu’ils se confrontent, résolvent et se révèlent dans des expériences professionnelles renouvelées. 

Remplacer le référentiel, ce n’est pas renoncer au contrôle, c’est se donner des latitudes de changement véritables et introduire la mobilité et l’expérience comme validations de la performance. Dernièrement je me trouvais dans une des grands messes RH et j’entendais certains professionnels qui se plaignaient de ce que pouvaient être les outils IA, de quels monstres en termes de processus et organisations ils pouvaient accoucher… c’est vrai, si nous continuons à garder nos filtres et nos process, les outils de l’IA ne peuvent rien de sensé et d’efficace pour les RH. Les outils IA impliquent un changement de paradigme, et c’est dans ce changement qu’ils révèlent leur plein potentiel, pas dans l’adaptation des vieux systèmes…. Les entreprises comptent plus que jamais sur leur DRH pour être les initiateurs de cette nouvelle façon de travailler, d’intégrer les nouvelles technologies pour organiser et d’aider les hommes et les femmes à grandir en faisant grandir leur entreprise.

Non ! La DRH ne doit pas et ne sera pas soluble dans le référentiel. La DRH produit ce précipité, cet élément non soluble qu’est le talent. Avec l’IA, elle peut construire le potentiel plutôt que le référentiel…Et provoquer « quotient réactionnel », qui pour filer la métaphore chimique, voire alchimique, est la garantie de l’équilibre de la solution-organisation.

La DRH prépare l’entreprise en qualifiant les talents en leur donnant un cadre pour qu’ils s’épanouissent, c’est-à-dire pour nous qu’ils soient mobiles, agiles, apprenant, pour qu’ils accompagnent ou qu’ils soient à l’origine des bonnes transformations qui permettent à l’entreprise de s’adapter, se renouveler et perdurer. 

 

  

 

 

      

Lire la suite

Le machine learning est-il équitable ?

Le « Machine Learning » est entré dans l’entreprise. On en voit certes les opportunités, mais en mesure-t-on bien les enjeux sociétaux ? Peut-être est-il utile d’interroger les usages de cette nouvelle génération d’algorithmes d’apprentissage utilisant des bases géantes de données empiriques ? Existe-t-il un risque épistémologique à reproduire les biais et stéréotypes humains ? A titre d’exemple, nous interrogerons le tri de CV par le « machine Learning ». Ne véhicule-t-il pas des schémas sexistes existants ? Dit autrement, est-il équitable ?

J’avais reçu commande d’une étude qui devait analyser la réaction de filiales européennes d’un groupe face au effets du mouvement #MeeToo. Au-delà même des violences faites aux femmes, qui dépassait le cadre de mon analyse, j’entendais pouvoir révéler les effets sur l’égalité femmes hommes en entreprise dans ces pays. L’idée étant d’apprécier pour une même culture d’entreprise les différences culturelles « géographiques » face à un événement à résonance mondiale. 

D’un point de vue méthodologique, cette approche demandait à minima un travail déductif qui devait permettre à partir de quelques observations qualitatives qui se voudraient représentatives d’inférer des généralités qui vaudraient pour le pays, sinon pour la filiale. Evidemment, il existait l’approche complémentaire inductive, qui aurait conduit à compiler des données existantes en nombre suffisant pour induire ce qui se passe dans telle ou telle filiale. Ces deux approches classiques en sociologie, c’est-à-dire dire d’observation terrain et d’analyse de données sont généralement à mener de concert. Sauf qu’il peut exister des écarts entre leurs conclusions respectives issues, d’une part, de l’analyse de données, caractérisée par une abondance informationnelle, et d’autre part, alimentée par le prisme de l’expérience singulière et tous les biais culturels et idiosyncrasiques de l’observateur. 

« Machine » Humaine, trop humaine ?

J’envisageais notamment d’analyser l’historique du nombre de promotions de femmes depuis plusieurs années jusqu’à cette année pour effectuer les comparaisons statistiques d’usage. Je m’interrogeais alors sur l’opportunité d’avoir recours au « Machine Learning » pour mieux connaitre la population de référence et son évolution. 

D’où cette question essentielle : les algorithmes prédictifs pourraient-ils permettre de prévoir les effets induits par #MeeToo ? Cet évènement disruptif extérieur au groupe qui remettait en cause les pratiques antérieures – sexistes – de promotion – pardon de non promotions des femmes - rendait-il pertinent l’usage des algorithmes prédictifs ? L’observation du passé aurait-elle pu me donner les clefs du présent ? En d’autre terme, le « machine learning » n’est-il pas lui-même sexiste ? dit autrement n’apprend-t-il pas aussi à reproduire des schémas sexistes existants ?

Plusieurs définitions du « Machine Learning » sont disponibles dans la littérature, en voici une énoncée dans l’ouvrage collectif Big Data et Machine Learning : « ensemble d’outils statistiques ou géométriques et d’algorithmes informatiques qui permettent d’automatiser la construction d’une fonction de prédiction à partir d’un ensemble d’observations que l’on appelle l’ensemble d’apprentissage ».

Dans le processus d’apprentissage, on présuppose un paradigme de continuité c’est-à-dire que l’information du passé est significative pour donner une information sur l’avenir. On peut s’interroger sur la capacité de l’algorithme prédictif à adresser les problèmes nouveaux non survenus dans le passé et donc inconnus du « machine learning ».  

De l’art de manier les variables  

Au préalable, on devra s’interroger sur les nouvelles garanties d’utilisation que fait peser le RGPD sur les données personnelles issues par exemple des CV parfois reçus il y a quelques années à des fins de simulation. Il est entendu que le RGPD a largement focalisé sur les données personnelles et fait une quasi impasse sur les données anonymisées, laissant le champ libre aux éditeurs. En outre, il est possible de chercher à remplacer une variable absente, lacunaire ou retirée à dessein, telle que le sexe par d’autres variables « fortement explicatives ». Leur maniement devra être fait avec autant de rigueur et dans le respect du cadre légal ad hoc que la variable substituée. A titre d’illustration, une sélection qui ne serait pas fondée sur le sexe, mais qui serait fondée sur des prérequis stricts de progression de carrière dont des femmes auraient été exclues pour des raisons indépendantes de leur mérite et de leur volonté (fameux effet de plafond de verre) conduirait à les exclure à nouveau injustement (double peine). De même, une sélection qui ne serait pas fondée sur le sexe, mais sur un critère d’années d’expérience trop précis, incontestable de prime abord, pourrait conduire à exclure des femmes ayant connu un ou plusieurs congés parentaux (ou autre type d’interruption d’activité ou temps partiel). Ces mêmes exemples conduisent à sélectionner sur des critères d’âges, excluant tantôt les jeunes et tantôt les plus âgés. On le constate, si les critères de sélection apparaissent pertinents – c’est-à-dire ne retenant pas les variables de sexe et d’âge - ils peuvent in fine conduire à des exclusions qu’ils entendaient pourtant éviter.      

Oiseaux rares 

En bon DRH qui se respecte –  c’est-à-dire en non mathématicien ni informaticien – j’étais impressionné par cette nouvelle génération de machines apprenantes issues du Big Data. Dans le domaine RH, et pour rester dans la problématique d’égalité femmes hommes, les algorithmes prédictifs promettent par exemple de trier les CV à la place des recruteurs de la même façon qu’ils l’auraient fait eux-mêmes. Plus vite et sans erreur. Remplacer les personnes de l’art apparaît tentant, au moins économiquement parlant, et dans l’air du temps d’une recherche de performances et d’infaillibilité. Encore faudrait-il se prémunir des biais de genre et autres biais culturels. Encore faudrait-il que le « Machine Learning » sache, comme un bon recruteur, aller chercher le mouton à 5 pattes sous les signaux faibles ou encore avoir une approche disruptive, jusqu’ici non retenue dans l’historique des CV analysés et validés, pour dénicher les futurs oiseaux rares qui sauront conduire et incarner les Transformations. Rompre avec les mauvaises habitudes ou inventer ce qui n’existait pas :  est-ce à la portée de ces machines ?

L’équité n’est pas une option 

L’objet n’est, ici, pas d’entrer dans des considérations techniques mais utilement de rappeler que les prédictions ne mettent pas en évidence des causalités mais bien des corrélations. Et que au-delà du score lui-même, il est tout aussi important de connaitre le niveau de fiabilité (intervalle de confiance) de ce résultat. La question se pose de savoir, pour ces algorithmes présentés comme une aide à la décision, combien de fois le recruteur remettra-t-il en cause le tri de CV effectué en le confrontant à sa propre expérience et en partageant cette décision avec l’éditeur. Ou, si au contraire il se fiera exclusivement à cette sélection de CV compte tenu de son caractère présumé ou perçu d’infaillibilité. Auquel cas, il ne serait pas possible de confronter le modèle prédictif à la réalité des besoins de recrutement de l’entreprise et d’ajuster le modèle. 

Un algorithme prédictif produira toujours un résultat. Il est donc important que les utilisateurs aient, au-delà même du sens critique, un niveau suffisant de confiance dans ce résultat. En particulier sur la partie d’apprentissage « qui est la partie immergée de l’iceberg car les données peuvent changer, l’algorithme peut ne pas converger, les intervalles de confiance peuvent être trop importants pour que le résultat produit puisse être pris sans risque important d’erreur » rappelle en substance Cédric Gouy-Pailler chercheur au CEA dans l’émission la méthode scientifique de France Culture. C’est bien cette « interprétabilité », rappelle-t-il, au sens de Tim Miller (réunissant la double condition : à quel point un humain peut-il a) comprendre la cause d’une décision b) prédire de manière consistante le résultat d’un modèle) qui seule peut créer les conditions de la confiance.  

Dans cette même émission, Claire Mathieu directrice de recherche au CNRS et professeure au Collège de France, donne une bonne illustration de la difficulté d’avoir une définition de l’équité au travers d’un exemple d’algorithme prédictif de récidive de détenus aux Etats-Unis. Elle rappelle que les 3 propriétés nécessaires pour une décision juste (selon des notions d’équiprobabilités de récidive pour la population générale et par groupes ethniques de récidivistes) - c’est-à-dire pour une décision équitable du point de vue de l’origine ethnique des détenus -  ne peut pas être satisfaite par des fonctions de score. On ne doute pas qu’il existe des moyens de remédier à ces biais par la conception et l’apprentissage du modèle à partir de groupes d’entrainement et de test pertinents permettant d’évaluer la qualité prédictive du modèle. Sans doute, n’est-il pas nécessaire de rappeler qu’il serait illégal de faire appel en France à des variables ethniques fusse pour en dénoncer les effets discriminatoires. 

Boite de Pandore 

En l’espèce, si dans une base historique de CV, la proportion de femmes issues de la sélection de CV pour des postes de managers des ventes par exemple est significativement inférieure à la proportion des candidates, le modèle devrait en principe pouvoir corriger cette irrégularité sexiste et la corréler uniquement aux écarts de compétences requises. Dès lors, le choix des critères – dites variables prédictives – pour produire ces ajustements parait crucial. De la même façon, on doit pouvoir s’assurer que le « machine learning » ne produit pas d’autres discriminations prohibées par la loi. On ne doute pas également que les startups ont su remédier à ces biais et fait les arbitrages utiles. Il s’agit pour l’utilisateur, le professionnel RH ou le recruteur en l’occurrence, d’avoir connaissance de ces ajustements ou même des biais initiaux de sa base de CV acceptés / refusés. Ce serait une opportunité pour le recruteur de comprendre comment y remédier dans sa pratique, c’est-à-dire non seulement pour le tri de ses CV, mais aussi dans ses décisions finales de recrutement. On le voit, la transparence et une bonne compréhension du modèle permettraient d’apprendre plus du « Machine Learning » que par ses seules fonctions de scores, elle permettrait de révéler les biais de sa propre pratique en matière de recrutement et de pouvoir les dépasser.  

Enfin, nous l’avons dit, un algorithme produira toujours un score. Pour un algorithme donné, ce score sera variable en fonction des bases (ou ensembles) de données utilisées pour le test et l’apprentissage. Il appartiendra donc également aux professionnels RH de traiter les informations préalables qui alimenteront l’apprentissage du « Machine Learning », au regard des objectifs visés et des informations disponibles dans la base historique de données et d’être impliqués dans la constitution des groupes d’apprentissage et de test. Il faudrait pouvoir s’assurer de la cohérence et de la consistance de la base de données disponibles. En d’autres termes, s’assurer que l’apprentissage sera pertinent par rapport à ce que l’on veut en faire.  

Accompagner les Transformations

Plus largement, l’accompagnement des transformations nécessitera de bien comprendre les « changements de régime » des algorithmes et d’analyser les changements au travers de la connaissance mise à jour des biais du passé. Mieux connaitre l’historique permettra aux professionnels RH de mieux anticiper les changements. Leur participation au processus d’apprentissage du « Machine Learning » s’imposera comme une nécessité. On ne doute pas que les avancées de l’Intelligence artificielle apporteront une créativité supplémentaire. Le marché du « Machine Learning » est sans nulen t doute très prometteur, autant que les startups françaises dans ce domaine.  Le tri de CV en est un bon exemple, s’agissant en pratique de tâches répétitives déléguées à de jeunes professionnels créatrices in fine de forte valeur ajoutée pour l’entreprise. 

Transparence, loyauté et vigilance

Il ne s’agit pas ici d’ouvrir un procès en angélisme ou ignorance des utilisateurs et des professionnels RH en dernier ressort. Mais il en va de la nécessité de « prendre la main » en mesurant les succès et les échecs de la machine et de les corriger en permanence. Il faut un co-pilote dans la Machine, qui ne laisse pas l’éditeur seul mais qui implique l’utilisateur, qui devra être formé et connaitre les incidences des algorithmes. In fine, la responsabilité sociétale incombera toujours à l’utilisateur tant qu’il ne peut se prévaloir d’ignorer les limites des machines qu’il sollicite pour gérer ses ressources humaines. Il n’en serait pas nécessairement de même du point de vue de la responsabilité civile ou pénale, compte tenu de l’absence actuelle de cadre juridique spécifique et de normes, au-delà même de la CNIL. On ne doute pas que les juristes se saisiront de ce débat. On conclura par la recommandation du Conseil d’Etat – au-delà du RGPD - dans une étude numérique et droits fondamentaux qui recommande l’encadrement juridique des algorithmes en érigeant en principe la transparence, la loyauté, la vigilance pour que les décideurs publics « gardent la main ». A mon sens, un enjeu largement partagé par les entreprises, et les DRH en particulier.

Si le « Machine Learning » apprend uniquement des données dont nous le nourrissons en amont, il nous reste encore à bien comprendre toutes les incidences de son fonctionnement, pour nous en assurer le contrôle et l’efficience dans le respect de la responsabilité sociétale des utilisateurs.

Emmanuel Lebuchoux

NDLR : Ce qu' Emmannuel Lebuchoux anticipait dans cet article a trouvé confirmation la semaine dernière avec la mise à la casse de l’algorithme sexiste de recrutement d'Amazon

 

  

 

 

      

Transformation numérique, technologies, intelligence artificielle ...

Cliquez pour écouter le texte Faites parler le MagRH