My Blog

Étiquette : machine

  • Comment le Machine Learning peut permettre de lutter contre la fraude ?

    Comment le Machine Learning peut permettre de lutter contre la fraude ? 

    Par Raphaël Savy, Directeur Europe du Sud, Alteryx

    Depuis quelques années, l’Intelligence Artificielle (IA) et le Machine Learning (ML) occupent le devant de la scène, de nombreuses entreprises y ayant recours pour développer leurs solutions et/ou services. Si l’IA est un concept global, le Machine Learning est une technologie qui permet aux machines d’accéder aux données afin qu’elles puissent apprendre, prédire et classer les informations.

    Le Machine Learning a été un instrument clé pour résoudre certains problèmes tels que la détection des spams, la recommandation ciblée de produits, le diagnostic médical précis, etc. Et pas que… Selon une enquête du Groupe RELX, plus de 91 % des cadres supérieurs interrogés ont compris que l’IA et le ML sont importants pour la transformation digitale de leurs entreprises.

    AI et ML dans le workflow analytique

    L’IA et le Machine Learning s’inscrivent dans le processus analytique et ce de trois façons. D’abord, grâce à l’analyse descriptive pour informer sur les actions passées. Ensuite, via l’analyse prédictive afin d’informer sur ce qui pourrait se produire ou pourquoi quelque chose s’est produit. Enfin, l’analyse prescriptive qui indique quelles sont les prochaines étapes.

    Ces trois étapes s’inscrivent donc dans le spectre analytique afin de mieux répondre à ces questions et ainsi avoir le cycle de vie complet de l’analyse. Pour cela, les organisations doivent disposer de données fiables, faciles à trouver et de bonne qualité. Ensuite, elles devront préparer les dites données afin de construire des modèles. Grâce à l’IA et le Machine Learning, les entreprises peuvent enrichir et exploiter ces informations. Enfin, via des modèles préétablis, elles pourront tester les résultats obtenus et les réitérer tout au long du cycle de vie.

    L’adoption du ML a été accélérée par l’augmentation de la puissance de traitement des données, le développement du Big Data et les progrès en modélisation statistique. Il repose sur des méthodes statistiques complexes et une puissance de calcul élevée. Au cœur de ce concept se trouve cependant une idée très simple. En identifiant les relations de cause à effet les plus influentes du passé, une machine peut apprendre à faire des prédictions précises pour l’avenir. Le ML se base sur des ordinateurs puissants qui sont guidés par l’intelligence humaine pour passer au crible des milliards de données et identifier des relations de cause à effet. Ensuite, toutes ces informations sont introduites dans une variété d’algorithmes pour arriver à des prédictions. Avec le temps, les ordinateurs s’améliorent dans l’identification de ces relations de cause à effet, ils exploitent les connaissances qu’ils ont acquises et les utilisent pour affiner les algorithmes. C’est « l’apprentissage » qui a lieu et avec une vitesse de traitement beaucoup plus rapide que celle du cerveau humain.

    La fraude traquée et résolue par le Machine Learning ?

    La détection des fraudes est un défi de taille. Pourtant, les transactions frauduleuses sont rares et ne représentent qu’une très petite fraction de l’activité au sein d’une organisation. Néanmoins, un faible pourcentage de l’activité peut rapidement se transformer en des pertes financières importantes sans les bons outils et systèmes en place pour y faire face. Les cybercriminels sont intelligents. Les stratagèmes frauduleux traditionnels n’étant plus efficaces, ils les ont fait évoluer. La bonne nouvelle, c’est qu’avec les progrès du Machine Learning, les systèmes peuvent apprendre, s’adapter et découvrir de nouvelles façons de prévenir la fraude. Les spécialistes des données ont réussi à résoudre ce problème grâce au ML et à l’analyse prédictive.

    Selon une étude menée par Bluewolf, auprès de 1700 clients de Salesforce, 75% des entreprises qui augmentent leurs investissements dans les technologies analytiques en tirent profit. Par ailleurs, il y a un certain nombre de points forts qui font du ML un outil aussi puissant et efficace dans la lutte contre la fraude :

    Faciliter la prise de décision en temps réel : les systèmes basés sur des règles, pour déterminer les types d’ordres à accepter ou à rejeter, exigent beaucoup de temps et des interactions manuelles. Le ML peut aider à évaluer un grand nombre de transactions en temps réel.

    Améliorer la précision : les cybercriminels se sont perfectionnés et sont devenus plus habiles dans la dissimulation de la fraude. Le Machine Learning peut souvent être plus efficace que l’humain pour détecter des modèles subtils ou non intuitifs afin d’identifier les transactions frauduleuses. Il peut également aider à éviter les « faux positifs », les bonnes commandes qui sont identifiées par erreur comme étant frauduleuses.

    Réagir rapidement au changement : les fraudeurs changeant constamment de tactique, c’est un réel « jeu » du chat et de la souris qui s’installe. Le ML analyse et traite en permanence de nouvelles données, puis met à jour ses modèles de manière autonome afin de tenir compte des tendances les plus récentes.

    Réduire les coûts : les innovations technologiques ont permis de réduire les coûts associés aux solutions de Machine Learning et aux systèmes informatiques capables de les faire fonctionner. Comme le ML améliore la précision, il réduit également les faux positifs coûteux et minimise le temps et les coûts des révisions manuelles.

    En général, les solutions de gestion de la fraude reposent sur deux types de modèles de Machine Learning pour lutter contre la fraude sur les paiements. D’un côté se trouvent des modèles statiques, qui apprennent à identifier la fraude à un moment donné en passant au crible des millions de transactions passées. Les modèles statiques sont efficaces pour identifier les modèles historiques de fraude et ont tendance à bien fonctionner juste après leur mise en place. Le problème, c’est qu’il n’y a aucun moyen de mettre à jour ou d’ajuster ces modèles à mesure que de nouveaux modèles d’activités frauduleuses apparaissent. De l’autre côté se trouvent des modèles de Machine Learning basés sur l’auto-apprentissage qui intègrent continuellement des données provenant de nouvelles transactions pour adapter et reconnaître des modèles de fraude en constante évolution. Les modèles d’auto-apprentissage sont très efficaces pour identifier les dernières techniques de fraude. Cependant, la nature « boîte noire » de ces modèles fait qu’il est pratiquement impossible pour un humain de suivre, contrôler ou ajuster ce que la machine apprend, ce qui signifie que le modèle peut soudainement causer d’énormes problèmes s’il fait de mauvais choix et commence à bloquer des clients fiables.

    Toutes les solutions de Machine Learning ne reposent pas uniquement sur des modèles statiques ou des modèles d’auto-apprentissage. Il existe un juste milieu qui peut compenser les faiblesses du ML en combinant un système automatisé avec une approche fondée sur des règles. Les règles servent de fil conducteur pour permettre aux entreprises de mieux contrôler en temps réel les décisions prises en matière de fraude.

  • Quand les DSI « précurseurs » utilisent le Machine Learning pour résoudre leurs problèmes quotidiens

    e Machine Learning fournit des résultats, à l’heure où auparavant il était considéré comme une simple mode

     Les DSI « précurseurs » utilisent déjà le Machine Learning pour résoudre leurs problèmes quotidiens

    Selon une étude par ServiceNow® (NYSE : NOW) menée auprès de 500 directeurs des systèmes d’information (DSI) du monde entier, l’adoption du Machine Learning se fait enfin dans l’entreprise. Mais pour en exploiter tout le potentiel, ces responsables technologiques doivent repenser leur business.

    Dans le cadre de l’étude de ServiceNow intitulée « The Global CIO Point of View », des DSI exerçant dans 25 secteurs industriels et 11 pays différents (45 en France), ont été interrogés afin de mieux connaître les avantages concurrentiels du Machine Learning et comprendre comment ils accueillent la « main-d’œuvre numérique », notamment en créant de nouveaux emplois qui mettent l’accent sur l’utilisation de machines intelligentes. Le cabinet IDC estime que les investissements dans le Machine Learning vont être multipliés par six d’ici 2020*, et une récente analyse indique que « Machine Learning specialist » représente un des postes les plus recherchés dans le secteur IT **.

    En France, des Hommes travaillent étroitement avec des machines intelligentes pour une meilleure précision, une vitesse accrue et une croissance améliorée

    Cette étude souligne un sentiment de confiance croissant pour le Machine Learning chez les cadres supérieurs en France, leur permettant une prise de décision plus rapide et plus précise.  Le logiciel de Machine Learning permet d’analyser et d’améliorer ses performances sans intervention humaine directe, ce qui leur permet de prendre des décisions de plus en plus complexes au fil du temps.

    • Près des deux tiers (65 %) des personnes interrogées déclarent avoir automatisé des tâches de routine — alertes de sécurité, par exemple — et parvenir maintenant à l’automatisation de décisions complexes, telles que la réponse aux alertes de sécurité.
    • 95 % des DSI interrogés déclarent qu’ils en tireraient une valeur significative notamment pour améliorer les décisions. En fait, 80 % d’entre eux estiment que des décisions prises par une machine sont plus précises que si elles sont prises par un être humain.
    • 60 % des personnes interrogées ont déclaré que la prise de décisions manuelle représente un processus fastidieux en ressources humaines (employés et managers), ce qui confirme le potentiel élevé de l’automatisation. Selon les DSI, cette automatisation du processus décisionnel devrait contribuer à l’augmentation des revenus de leur entreprise (78 %).

    « Il existe trois types de décisions candidates à l’automatisation : les décisions liées à la catégorisation, à l’évaluation ou aux prévisions », a déclaré Matthieu De Montvallon, Directeur Technique chez ServiceNow France. « Le travail quotidien tel que l’attribution de tickets d’incidents IT ou l’affectation de contacts produisent d’ores et déjà des résultats concrets.  Le Machine Learning n’est plus une utopie mais bel et bien une réalité. »

    Les spécialistes du Machine Learning, seuls, ne seront pas en mesure d’aider les DSI à réussir leur transformation digitale

    Plus de trois quarts (78 %) des DSI en France ont indiqué amorcer des efforts de transformation digitale dans leur entreprise, et environ trois DSI français sur cinq (62 %) estiment que le Machine Learning y joue un rôle essentiel. Plus de la moitié (58 %) des DSI français interrogés déclarent avoir utilisé le Machine Learning dans leur entreprise et 33 % d’entre eux prévoient d’adopter cette technologie.

    Mais il existe des domaines clés concernant les processus et les effectifs qui doivent être pris en compte par les entreprises afin de tirer pleinement parti de la technologie de Machine Learning :

    • Seulement 30 % des DSI français ont déjà embauché des salariés disposant de nouvelles compétences pour travailler avec des machines intelligentes.
    • Les DSI français regrettent un manque de compétences pour gérer les machines intelligentes (42 %).
    • Près de la moitié (49 %) des DSI français a redéfini les descriptions de postes pour se concentrer sur le travail avec des machines intelligentes, 41% d’entre eux citent un manque de compétences pour gérer les machines intelligentes et 44% déclarent ne pas avoir le budget nécessaire pour développer ces compétences.
    • Les DSI français citent la qualité des données (53 %) et l’obsolescence des processus (47 %) comme des obstacles importants à l’adoption du Machine Learning.
    • Presque 6 DSI français sur 10 (58 %) ont mis au point des méthodes permettant de corriger les erreurs commises par les machines.

    « Le Machine Learning permet aux entreprises de numériser leur activité selon une approche totalement inédite », a ajouté Matthieu De Montvallon. « Pour exploiter pleinement le potentiel de la technologie de Machine Learning, les DSI doivent revoir leur rôle pour devenir des ‘leaders transformationnels’ qui influencent la façon dont nos entreprises conçoivent les processus métier, organisent les données et recrutent ou forment les salariés. »

    Des avantages pour les DSI « précurseurs »

    Concernant l’utilisation du Machine Learning, un groupe restreint de DSI au niveau mondial (moins de 10 % des personnes interrogées) est en avance sur le reste de la profession. Ces « pionniers » définissent un modèle que les DSI peuvent adopter pour une meilleure utilisation du Machine Learning :

    • Près de 90 % des DSI précurseurs attendent de l’automatisation du processus décisionnel une croissance des revenus (top-line) contre 67 % pour les autres DSI ;
    • Environ 80 % des précurseurs interrogés ont mis au point des méthodes permettant de contrôler les erreurs commises par les machines contre 41 % pour les autres DSI ;
    • Plus de trois quarts de ces DSI ont modifié leurs descriptions de postes pour se concentrer sur le travail avec des machines, contre 35 % pour les autres DSI ;
    • Plus de 70 % des précurseurs ont élaboré une feuille de route concernant les futurs changements de processus métier, contre seulement 33 % pour les autres DSI.

    « Les DSI précurseurs qui associent le Machine Learning à de nouveaux processus métier et de nouvelles compétences favoriseront la croissance de leur entreprise », précise Matthieu De Montvallon. « Ces DSI affichent un haut niveau de maturité dans l’utilisation des technologies fondatrices, ce qui leur permet de se concentrer sur l’innovation, par exemple l’automatisation de processus décisionnels complexes. »

    Cinq étapes pour réaliser la valeur du Machine Learning

    ServiceNow livre ses 5 recommandations auprès des DSI pour amorcer leur voyage vers la transformation digitale à l’aide du Machine Learning :

    1) Construire les fondations et améliorer la qualité des données. La qualité de données représente un des freins majeurs quant à l’adoption du Machine Learning. Si les machines prennent des décisions basées sur des mauvaises données, les résultats n’auront aucune valeur et pourraient augmenter le risque d’une prise de décision erronée. Les DSI doivent utiliser des technologies qui simplifieront la maintenance des données et la transition vers le Machine Learning.

    2) Prioriser en fonction de la réalisation de la valeur. Lors de la mise en place d’une feuille de route, il est impératif de mettre l’accent sur les services les plus couramment utilisés, car l’automatisation de ces services offrira de meilleurs résultats pour l’entreprise. À un niveau plus élevé, quels sont les modèles de travail les plus structurés qui pourraient bénéficier de l’automatisation ? Il faut dorénavant s’engager à réorganiser les services et les processus dans le cadre de cette transformation, et ne pas seulement transposer ou transférer les processus actuels vers un nouveau modèle.

    3) Construire une expérience client exceptionnelle. L’un des principaux vecteurs de la rapidité et la précision de la prise de décision réside dans la création d’une expérience client interne et externe exceptionnelle. Lors de la conception d’une feuille de route pour l’implémentation du Machine Learning, il faut imaginer une expérience client privilégiée et hiérarchiser les investissements par rapport aux objectifs fixés.

    4) Attirer de nouvelles compétences et capitaliser sur la culture. Les DSI doivent identifier les postes de demain et anticiper la façon dont les salariés se comportent avec les machines et commencer à les embaucher et à les former à l’avance. Les DSI doivent construire une culture qui englobe un nouveau modèle de travail et de compétences : cela signifie établir des lignes directrices précises pour les cadres, les ingénieurs et les salariés de première ligne sur leur collaboration avec les machines et l’avenir de l’association Homme-machine.

    5) Mesurer et signaler. Les avantages du Machine Learning peuvent être une évidence pour les DSI, mais d’autres cadres de Direction ou des Comités Executifs ont besoin d’être régulièrement informés de sa valeur ajoutée. Les DSI doivent définir les attentes, élaborer des indicateurs de réussite avant leur mise en œuvre et créer un « business case » solide afin d’acquérir et de maintenir le financement requis. Les DSI pourraient également envisager de construire des « benchmarks » concurrentiels automatisés dans leur secteur d’activité.

    Méthodologie de l’étude

    ServiceNow a demandé au cabinet Oxford Economics d’interroger 500 DSI sur l’utilisation du Machine Learning et de l’automatisation des processus décisionnels. Les personnes interrogées sont basées en Allemagne, en Autriche, en Australie, aux États-Unis, en France, en Nouvelle-Zélande, aux Pays-Bas, au Royaume-Uni, en Suède et à Singapour, et représentent un large éventail de secteurs B2B et B2C. L’étude a été réalisée par le biais d’entretiens téléphoniques assistés par ordinateur (CATI). Fondé en 1981 sous la forme d’une coentreprise avec la faculté de commerce de l’université d’Oxford, le cabinet Oxford Economics est spécialisé dans les études de marchés, d’impact économique ou de Thought Leadership.

  • Horizon 2030 : les nouvelles relations homme-machine

    L’influence des technologies émergentes sur la société et le travail d’ici à 2030

    Selon une étude Dell Technologies 

    • Comment les technologies émergentes refondent les relations homme-machine, en des relations plus approfondies et immersives.
    • Les êtres humains chefs d’orchestre numérique de demain, connaitront d’énormes bouleversements dans leur façon de travailler de recruter et d’apprendre

    En 2030, toutes les entreprises seront technologiques, c’est pourquoi elles doivent dès à présent commencer à réfléchir à la façon de préparer leurs infrastructures et leurs collaborateurs aux évolutions futures, selon une étude publiée par Dell Technologies. Cette étude, menée par l’Institute for the Future (IFTF) avec une vingtaine d’experts technologiques, universitaires et professionnels du monde entier, examine la manière dont des technologies émergentes telles que l’intelligence artificielle, la robotique, la réalité virtuelle, la réalité augmentée et le cloud transformeront nos modes de vie et de travail au cours de la prochaine décennie. Intitulée « The Next Era of Human-Machine Partnerships », l’étude analyse également comment les consommateurs et les entreprises peuvent se préparer à une société en perpétuelle évolution.

    L’étude prédit notamment que les technologies émergentes, accompagnées d’importantes avancées que ce soit en matière de logiciels, de Big Data et de puissance de traitement, remodèleront nos vies. La société entrera alors dans une nouvelle phase de sa relation avec les machines :

    Des gains d’efficacité et des possibilités sans précédent aideront les êtres humains à dépasser leurs limites

    • Les êtres humains joueront le rôle de « chef d’orchestre numérique », se servant de la technologie comme d’un prolongement d’eux-mêmes afin de mieux diriger et gérer leurs activités au quotidien
    • Grâce à des technologies avancées de mise en relation orientées données, les entreprises pourront découvrir et recruter des talents partout dans le monde
    • L’apprentissage se fera « dans le moment présent » car le rythme du changement sera si rapide que de nouveaux secteurs d’activités se créeront et que de nouvelles compétences seront nécessaires pour survivre

    Dell Technologies a commandé cette étude pour aider les entreprises à s’orienter dans un monde incertain et à se préparer aux évolutions futures. Aujourd’hui, le bouleversement numérique redessine impitoyablement des pans entiers de l’activité. Pour la première fois dans l’histoire moderne, les dirigeants mondiaux sont dans l’incapacité de prévoir où va leur industrie. Selon le Digital Transformation Index de Dell, 52 % des décideurs ont vécu un bouleversement majeur de leur secteur sous l’effet des technologies numériques. En outre, près d’une entreprise sur deux pense qu’il existe pour elle un risque de devenir obsolète au cours des trois à cinq prochaines années.

    « Jamais auparavant les entreprises n’ont connu un tel bouleversement. Le rythme du changement est bien réel et cela devient désormais une question de survie. Pour entrer de plain-pied dans l’ère des partenariats homme-machine, chaque entreprise va devoir être numérique, avec un place prépondérante données aux logiciels », commente Jeremy Burton, Chief Marketing Officer de Dell. « Cependant les entreprises devront se montrer réactives et augmenter la capacité de leurs machines, préparer leurs infrastructures et accompagner leurs collaborateurs afin d’impulser ce changement. »

    « Nous avons été confrontés à deux perspectives extrêmes concernant les machines et l’avenir : d’une part, les craintes suscitées par le chômage technologique et d’autre part, l’excès d’optimisme consistant à voir dans la technologie le remède à tous nos maux sociaux et environnementaux », explique Rachel Maguire, directrice de recherche pour l’Institute for the Future. « Il nous faut plutôt nous concentrer sur ce que pourrait être la nouvelle relation entre les technologies et les êtres humains et comment nous y préparer en conséquence. Si nous engageons les efforts nécessaires au succès des partenariats homme-machine, leur impact sur la société sera enrichissant pour nous tous. »

    Parmi les autres conclusions de l’étude :

    • En 2030, la dépendance de l’être humain à la technologie évoluera vers un véritable partenariat. L’homme apportant des compétences telles que sa créativité, sa passion et son esprit d’entreprise. Les machines offriront pour leur part, rapidité, automatisation et gains d’efficacité. La productivité en résultant ouvrant de nouvelles opportunités au sein des secteurs et des responsabilités.
    • En 2030, des assistants personnalisés, intégrant de l’intelligence artificielle (IA), disposeront de capacités bien supérieures à celles d’aujourd’hui, mettant à notre service des fonctions prédictives et automatisées.
    • Les technologies ne remplaceront pas nécessairement les employés mais feront évoluer leurs recherches. Le travail ne sera plus un lieu mais une suite de tâches. Les technologies d’apprentissage automatique permettront d’effectuer des recherches sur les qualifications et compétences des individus, et les entreprises se mettront en quête des meilleurs talents pour des tâches précises.
    • Selon des estimations, 85 % des métiers de 2030 n’ont pas encore vu le jour. Le rythme du changement sera tel que l’apprentissage se fera « dans le moment présent », au moyen de nouvelles technologies telles que la réalité augmentée et la réalité virtuelle. La capacité d’acquérir de nouvelles connaissances sera plus précieuse que les connaissances elles-mêmes.

     

  • RH Vs Algorithmes

    RH Vs. Machine : Et l’humain dans tout ça ?

    Par David Bernard, CEO d’AssessFirst

    Ce que vous aimez, ce que vous adorez, ce que vous détestez, ce qui vous émeut, vous agace, vous excite, vous révolte, vos photos, vos soirées, vos amis, vos soirées entre amis, les photos de vos soirées entre amis, vos expos, films, bouquins préférés, vos playlists, ce que vous pensez de lui, d’elle, d’eux, vos études, vos expériences, vos compétences, vos centres d’intérêt, votre personnalité, vos motivations profondes et 1000 autres choses encore.

    Désormais, nos vies toutes E.N.T.I.È.R.E.S. sont sur Internet, compilées sous forme de Data. Et #GoodNews (ou pas, c’est selon, etc.), ces datas sont pour la plupart parfaitement exploitables par les recruteurs pour prédire la capacité de leurs candidats à réussir.

    Si le Facebook du candidat est ouvert, c’est pas stalker hein ? 

    Allez, on commence par la première question : lorsque l’on recrute, est-il envisageable / raisonnable / éthique d’accéder aux données public d’un profil Facebook un peu open, de checker les tweets d’un candidat, de trainer sur l’Instagram de la future stagiaire ou encore de lire les commentaires que le next « Jean-Michel de la compta » a pondu sur Linkedin avant de les faire venir en entretien ?

    « Moi en tout cas, jamais je ne le ferai ! », déclare le RH drapé dans son costume de chevalier blanc inoxydable.

    YouQuoi ? 

    Vous voulez que je vous dise ? Ça me fait penser à ces enquêtes sur la consommation de Porn. Faites le test, interrogez 100 personnes (hommes et femmes confondues) tout autour de vous : vos collègues, votre boss, votre femme, votre mari, vos ados… 98 d’entre elles vous répondront qu’elles ne voient pas de quoi vous voulez parler. Pourtant, d’après Google cette catégorie de sites génère près de 30% du trafic Internet mondial… Cherchez l’erreur. ^^

    Let’s be honest : Lorsqu’une candidature retient notre attention, la majorité d’entre nous commençons par googler le/la candidat(e) et finissons par checker à peu près tout ce qui traine au moins sur la première page de Google… juste histoire de voir.

    Personne n’aime l’incertitude…

    En fait, cela n’est ni sale, ni malsain, ni tordu. Cela répond juste à un besoin psychologique fondamental : celui de réduire l’incertitude.

    Après tout, quoi de plus naturel : l’un des objectifs du recruteur est de réduire la prise de risque. Vu le coût d’un recrutement raté (50K€ en moyenne), qui voudrait tirer la décision à pile ou face ? Quand on a qu’un CV (80% sont maquillés) + une lettre de « motivation » toute standard à dispo, quoi de plus naturel que de chercher de l’information « en plus » pour tenter de ne pas se planter ?

    Qu’est ce qui compte ? Qui est VRAIMENT la personne… ou ce qu’elle aimerait que vous pensiez qu’elle est ? 

     Bien évidemment, on se pose tous la question de la « pertinence » des données recueillies. Vous allez me dire : Linkedin, pourquoi pas. Mais Facebook, NON. #JeSuisUnChevalierBlanc

    En même temps, est-il vraiment délirant de supposer que toutes ces traces numériques que nous laissons derrière nous sont – quelque part – le reflet de notre personne, de ce qui nous anime, nous fait vibrer, de ce qui nous rebute, en somme tout ce qui fait que nous sommes qui nous sommes… « ou plutôt de la personne pour laquelle nous souhaitons nous faire passer » allez-vous me dire ?

    Certes, mais une partie de notre comportement au travail n’est-il pas directement impacté par cette image partielle et idéalisée de nous-même que nous souhaitons projeter aux autres ? (La réponse est OUI).

    Evaluations passives Vs. Evaluations actives

    En plus de toutes ces infos glanées sur Internet, vous pouvez aussi recueillir une mine d’information extraordinaire concernant la personnalité, les motivations ou encore les aptitudes de vos candidats avant même de les rencontrer, simplement en leur faisant passer un questionnaire de 10 à 12 minutes.

    Aujourd’hui, n’importe qui a déjà utilisé ce type d’approche SAIT l’apport inestimable en termes d’insights sur les comportements humains.

    Une fois que vous avez récupéré ces données, vous en faites quoi ?

     Bon, imaginez que vous ayez eu accès au Linkedin de votre candidat, que vous ayez ses résultats à un test de perso + un test de motivations et que vous soyez tombé sur 3 photos où il a l’air un peu raide, attablé avec 5 ou 6 potes un vendredi soir il y a près de 6 mois.

    Vous allez en déduire quoi ? Et vos autres collègues recruteurs ?

    Le problème, bien souvent, ce ne sont pas les infos que vous recueillez mais bien le poids que vous accordez à chacune d’entre elles.

    Feriez-vous mieux que la machine ?

    Et c’est là que la question des algorithmes se pose. Imaginez un algorithme qui soit capable d’appliquer systématiquement le même poids à chacune des catégories d’infos recueillies pour CHACUN de vos candidats.

    Imaginez qu’au terme d’un traitement qui lui prendrait à peu près une demi-seconde (pas pour chaque candidat hein, pour 400 d’entre eux), cet algorithme soit en mesure de vous donner un indicateur précis concernant les probabilités de réussite et d’engagement de vos candidats au long cours.

    Imaginez maintenant que cet algorithme soit 25% systématiquement plus pertinent que les décisions que les meilleurs experts en recrutement sont en mesure de prendre, vous y compris (concrètement, c’est ce que toutes les études réalisées à ce jour ont démontré). Que feriez-vous de cet indicateur ?

    « Et l’humain dans tout ça ??!? » 

     …c’est bien ça tout le problème ! L’humain justement. L’humain qui pense qu’une photo d’une personne ivre signifie qu’elle sera forcément un candidat moins fiable qu’un autre. L’humain qui préférera recruter telle candidate plutôt que telle autre parce que ses photos sur Insta sont bien plus flatteuses (ou le contraire d’ailleurs). L’humain qui privilégiera (inconsciemment) le profil de ce gars parce qu’il a été recommandé par 12 contacts sur Linkedin (ses potes en fait) plutôt que celui qui n’en a que 3 (des références pourtant solides celles-ci).

    Est-ce que cela veut dire qu’il faut déléguer totalement la sélection de ses futurs talents aux machines ?  

    Non bien évidemment, c’est « just a kind reminder » pour vous dire de faire gaffe la prochaine fois où vous vous prendrez à imaginer ce qui est bon pour les autres en général et pour vos candidats en particulier. Vous pensez que vous êtes exempt(e) de ces biais (qui touchent pourtant 100% des êtres humains) ? Soit. Et dans votre équipe de recruteurs, tous ont-ils également un profil de Yoda ? Sont-ils tous aussi supérieurs à « nous autres pauvres mortels » que la probabilité qu’ils dérapent – consciemment ou inconsciemment – soit réduite à néant ?

    Prêter attention à l’humain, réellement et profondément, ce n’est pas s’empêcher de regarder ce qui est à la portée de tous. Ce n’est pas refuser par principe de googliser ses candidats avant de les rencontrer en entretien. C’est simplement prendre en compte les individus dans leur globalité et dans tout leur contexte.

    C’est aussi – et par dessus tout – s’intéresser à leur personnalité, à leurs motivations, à leurs passions, à leurs aptitudes, à ce qu’ils sont capables de faire, à ce qui fait leur singularité. Enfin, être humain c’est aussi accepter que nous avons des limites et que la meilleure manière de nous prémunir de nous-mêmes, c’est parfois d’accepter que la technologie puisse nous rendre de précieux services.