Arsham Ghahramani, PhD, Medstifter og administrerende direktør for Ribbon – Interviewserie

Arsham Ghahramani, PhD, er medstifter og administrerende direktør for Ribbon. Med base i Toronto og oprindeligt fra Storbritannien, har Ghahramani en baggrund i både kunstig intelligens og biologi. Hans professionelle erfaring spænder over en række domæner, herunder high-frequency trading, rekruttering og biomedicinsk forskning.

Ghahramani begyndte at arbejde med kunstig intelligens omkring 2014. Han afsluttede sin PhD på The Francis Crick Institute, hvor han anvendte tidlige former for generativ AI til at studere cancergenregulering – længe før begrebet “generativ AI” blev almindeligt.

Han leder i øjeblikket Ribbon, et teknologivirksomhed, der fokuserer på at accelerere ansættelsesprocessen dramatisk. Ribbon har samlet over 8 millioner dollars i finansiering, støttet over 200.000 jobkandidater og fortsætter med at udvide sit hold. Platformen sigter mod at gøre ansættelse 100 gange hurtigere ved at kombinere AI og automatisering for at strømline rekrutteringsarbejdsprocesser.

Lad os starte fra begyndelsen – hvad inspirerede dig til at grundlægge Ribbon, og hvad var det “aha”-øjeblik, der gjorde dig klar over, at ansættelse var brudt?

Jeg mødte min medstifter Dave Vu, mens vi begge var på Ezra – han var chef for People & Talent, og jeg var chef for Machine Learning. Da vi hurtigt udvidede mit hold, følte vi konstant presset for at ansætte hurtigt, men vi manglede de rigtige værktøjer til at strømline processen. Jeg var tidligt ude med AI (jeg afsluttede min PhD i 2014, længe før AI blev almindeligt), og jeg havde en tidlig forståelse af AI’s indvirkning på ansættelse. Jeg så førstehånds de ineffektiver og udfordringer i traditionel rekruttering og vidste, der måtte være en bedre måde. Denne erkendelse førte os til at skabe Ribbon.

Du har arbejdet med maskinlæringsroller på Amazon, Ezra og endda i algorithmisk handel. Hvordan formede denne baggrund din tilgang til opbygning af Ribbon?

På Ezra arbejdede jeg med AI-sundhedsteknologi, hvor indsatsen ikke kunne være højere – hvis et AI-system er forvrænget, kan det være en sag om liv og død. Vi brugte meget tid og energi på at sikre, at vores AI var upartisk, samt udvikle metoder til at opdage og mindske forvrængning. Jeg overførte disse teknikker til Ribbon, hvor vi bruger disse teknikker til at overvåge og reducere forvrængning i vores AI-interviewer, hvilket ultimativt skaber en mere ligelig ansættelsesproces.

Hvordan påvirkede din erfaring som kandidat og ansættelsesleder dine produktbeslutninger tidligt?

At finde en job er en hård proces for junior-kandidater. Jeg husker, ikke så længe siden, at jeg var en junior-kandidat, der ansøgte om mange job. Det er kun blevet hårdere siden da. På Ribbon har vi dyb medfølelse med jobkandidater. Vores Voice AI er ofte det første kontaktpunkt mellem et firma og en kandidat, så vi arbejder hårdt for at gøre denne oplevelse positiv og belønning. En af måderne, vi gør det på, er ved at sikre, at kandidaterne samtaler med den samme AI hele ansættelsesprocessen igennem. Denne konsistens hjælper med at opbygge tillid og komfort – i modsætning til traditionelle processer, hvor kandidaterne overføres mellem flere personer, så vores AI giver en stabil, velkendt tilstedeværelse, der hjælper kandidaterne med at føle sig mere afslappede, når de går igennem interviews og vurderinger.

Ribbons AI gennemfører interviews, der føles mere menneskelige end skriptede robotter. Fortæl os mere om Ribbons adaptive interviewflow. Hvad sker der med virkeligtidsforståelse bag scenen?

Vi har bygget fem interne maskinlæringsmodeller og kombineret dem med fire offentligt tilgængelige modeller for at skabe Ribbon-interviewoplevelsen. Bag scenen vurderer vi konstant samtalen og kombinerer denne med kontekst fra firmaet, karriere-sider, offentlige profiler, cv’er og mere. Allerede denne information kommer sammen for at skabe en ubrudt interviewoplevelse. Årsagen til, at vi kombinerer så megen information, er, at vi ønsker at give kandidaten en oplevelse, der er så tæt på en menneskelig rekrutteringsprocess som muligt.

Du fremhæver, at fem minutters tale kan matche en time skrevet input. Hvad for en signal indfanger du i denne lyddata, og hvordan analyseres det?

Mennesker taler generelt meget hurtigt! De fleste jobansøgningsprocesser er meget kedelige og kræver, at du udfylder mange forskellige skemaer og multiple-choice-spørgsmål. Vi har fundet ud af, at 5 minutters naturlig samtale svarer til omkring 25 multiple-choice-spørgsmål. Informationsdensiteten i tale-samtale er svær at slå. Oven i det indsamler vi også andre faktorer, såsom sprogkompetence og kommunikationsfærdigheder.

Ribbon fungerer også som en AI-drevet skriver med auto-resumer og scoring. Hvad er rollen af fortolkning i at gøre denne data nyttig – og fair – for rekruttere?

Fortolkning er centralt for Ribbons tilgang. Hver score og analyse, vi genererer, er altid knyttet tilbage til sin kilde, hvilket gør vores AI dybt gennemsigtig.

For eksempel, når vi scorer en kandidat på deres færdigheder, henviser vi til to ting:

1. De oprindelige jobkrav og
2. Det præcise øjeblik i interviewet, hvor kandidaten nævnte en færdighed.

Vi mener, at fortolkningen af AI-systemer er dybt vigtig, fordi vi på længere sigt hjælper virksomheder med at træffe beslutninger, og virksomheder ønsker at træffe beslutninger baseret på konkrete data. Noget, vi mener, er kritisk for både fairhed og tillid til AI-drevet ansættelse.

Forvrængning i AI-ansættelsessystemer er en stor bekymring. Hvordan er Ribbon designede til at minimere eller mindske forvrængning, mens det stadig fremhæver topkandidater?

Forvrængning er en kritisk problemstilling i AI-ansættelse, og vi tager det meget alvorligt på Ribbon. Vi har bygget vores AI-interviewer til at vurdere kandidater på basis af målbare færdigheder og kompetencer, hvilket reducerer den subjektivitet, der ofte introducerer forvrængning. Vi gennemfører regelmæssigt vores AI-systemer for fairhed, anvender diverse og balancerede datasæt og integrerer menneskelig oversigt for at fange og korrigere potentielle forvrængninger. Vores forpligtelse er at fremhæve de bedste kandidater på en fair måde, hvilket sikrer ligelige ansættelsesbeslutninger.

Kandidater kan interviewes når som helst, selv kl. 2 om natten. Hvordan vigtig er fleksibilitet i at demokratisere adgang til job, især for underrepræsenterede samfund?

Fleksibilitet er nøgle til at demokratisere jobadgang. Ribbons altid-åbne interviews tillader kandidater at deltage på et tidspunkt, der er bekvemt for dem, og bryder således traditionelle barrierer som modstridende tidsplaner eller begrænset tilgængelighed, hvilket er særligt gavnligt for arbejdende forældre og de med ikke-traditionelle arbejdstider. Faktisk sker 25% af Ribbons interviews mellem kl. 23 og 2 om natten lokal tid.

Dette er særligt kritisk for underrepræsenterede samfund, hvor jobkandidater ofte står over for yderligere begrænsninger. Ved at aktivere døgnet-rundt-adgang hjælper Ribbon med at sikre, at alle har en fair chance for at fremhæve deres færdigheder og sikre ansættelsesmuligheder.

Ribbon handler ikke kun om ansættelse – det handler om at reducere friktion mellem mennesker og muligheder. Hvad ser den fremtid ud?

På Ribbon udvider vores vision sig ud over effektiv ansættelse; vi ønsker at fjerne friktion mellem individer og de muligheder, de er egnede til. Vi forestiller os en fremtid, hvor teknologi ubesværet forbinder talent med roller, der passer perfekt til deres evner og ambitioner, uanset deres baggrund eller netværk. Ved at reducere friktion i karrièremobilitet ermögiller vi, at medarbejdere kan vokse, udvikle sig og finde fuldendte muligheder uden unødvendige barrierer. Hurtigere interne mobilitet, lavere omsætning og ultimativt bedre resultater for både individer og virksomheder.

Hvordan ser du, at AI forvandler ansættelsesprocessen og det bredere jobmarked over de næste fem år?

AI vil omforme ansættelse og det bredere jobmarked dybt over de næste fem år. Vi forventer, at AI-drevet automatisering vil strømline repetitive opgaver, hvilket frigør rekruttere til at fokusere på dybere kandidat-interaktioner og strategiske ansættelsesbeslutninger. AI vil også forbedre præcisionen i at matche kandidater med roller, hvilket accelererer ansættelses-tidsrammer og forbedrer kandidat-oplevelser. Men for at realisere disse fordele fuldt ud må branchen prioritere gennemsigtighed, fairhed og etiske overvejelser, hvilket sikrer, at AI bliver et troværdigt værktøj, der skaber en mere ligelig ansættelseslandskab.

Tak for det gode interview, læsere, der ønsker at lære mere, skal besøge Ribbon.