Ilit Raz, grundlægger og administrerende direktør for Joonko – Interviewserie

Ilit Raz er grundlægger og administrerende direktør for Joonko, en platform, der hjælper virksomheder med at anvende kunstig intelligens i deres diversitetsrekrutteringsstrategi. I dag arbejder hendes virksomhed med Adidas, American Express (AXP ), Crocs og PayPal. Hun har samlet over 38,5 millioner dollars og virksomheden er vokset med 500% i to år i træk.

Hvad var det, der oprindeligt tiltrak dig til datalogi?

Teknologi er en af de største og mest succesrige industrier i Israel, så jeg har altid været udsat for industrien på en eller anden måde hele mit liv. Da jeg kom ind i hæren, fik jeg mulighed for at arbejde i en teknologienhed, hvor jeg stod for udviklingen af sikkerhedssoftware og tilbragte tid med at lære om datalogi. Fra da af var jeg fast besluttet på at følge denne karrierevej, når jeg forlod hæren.

Når blev du først udsat for forskellige huller i industrien, såsom løn- og promotionshuller?

Under mine første par år som ansat i private softwarevirksomheder var jeg ikke personligt bekendt med de fordomme, kvinder stod over for. Så begyndte jeg at netværke med teknologer, der tilfældigvis var kvinder. Jeg blev hurtigt bekendt med, hvor stort problemet var, efter at have lyttet til de historier, disse kvinder delte om at blive talt over, ignoreret eller ikke få credit for deres idéer.

Kan du dele historien bag Joonko?

Jeg har en uddannelse i datalogi og en baggrund i softwareingeniørarbejde og NLP. Jeg har personligt oplevet både ubevidst og bevidst fordom i mine professionelle omgivelser, og en gruppe kvindelige produktchefer, jeg var en del af, åbnede også mine øjne for arbejdspladsproblemer, der gik langt ud over lønhuller. Dette kan fx være møder, der bliver booket, når kvinder eller forældre skal hjemme fra arbejde, eller at se, hvem der får lov at tale eller præsentere under møder. Selvom disse episoder kan synes små, er de betydningsfulde og indflydelsesrige, når du er den person, der bliver ramt.

Jeg kom til at forstå, at dette var et mere udbredt problem, så jeg besluttede at bruge min tekniske baggrund – jeg har en uddannelse i datalogi og en baggrund i softwareingeniørarbejde og NLP – og løse det head-on ved at skabe en ny teknologisk løsning, som er, hvordan Joonko blev født.

Hvordan søger Joonko den talenterige pulje af ansøgere fra diverse og underrepræsenterede baggrunde?

Vores proprietære algoritme bruger først naturlig sprogbehandling og computer vision til at scanne offentlige data om de kandidater, der henvises til os. Vi søger efter data, der validerer, om nogen selv identificerer sig som underrepræsenteret. Fx hvis en person har “hun/hende” pronominer på deres LinkedIn-profil, kan vi slutte, at de måske selv identificerer sig som kvinde, og tildele dette datapunkt et point. Hvis personens profil samler nok point, inviterer vi dem til vores talenternetværk, og når de tilmelder sig, validerer de yderligere vores antagelse ved at fortælle os, hvordan de identificerer sig.

Hvordan validerer Joonko herefter denne talent?

Vi bruger en kombination af menneskelig berøring og teknologi til at matche kandidater med de åbne stillinger, der er en god match. Først henvises hver kandidat, der tilslutter sig vores netværk, af den rekrutteringsteam, de lige har interviewet med, men ikke kunne ansætte. Rekrutteringsteams henviser kun kandidater, der nåede til den sidste runde, hvilket sikrer, at de er af høj kvalitet. Derefter bruger vi naturlig sprogbehandling til at matche kandidaten med virksomheden og rollen, der er den rette match. Vi samler nøgleord fra deres CV og den rolle, de oprindeligt interviewede til, og sammenligner det herefter med jobene, der markedsføres på vores platform. De fleste modeller bruger kun to datasæt, så ved at bruge tre i stedet øger vi vores evne til at gøre den rette match.

Hvordan hjælper Joonko virksomheder med at fastholde denne talent?

Vi hjælper virksomheder med at fastholde talent gennem rekrutteringsprocessen ved at integrere med ansøgningssporingssystemet. Vores integration tillader os at trække data, i samlet form, om, hvor langt Joonko-kandidater kommer gennem røret. Hvor som helst vi ser en afbrydelse i forhold til ikke-Joonko-kandidater, arbejder vi med virksomhederne for enten at forbedre matchningen eller forbedre deres rekrutteringsproces.

Hvordan bruger Joonko ellers kunstig intelligens i sin ansættelses- eller matchingsproces?

Vi udnytter computer vision og naturlig sprogbehandling til at bestemme, om en kandidat selv identificerer sig som underrepræsenteret. Vi bruger naturlig sprogbehandling til at matche kandidater med rollerne i vores pulje og bruger maskinlæring til at forbedre matchningsprocessen, efterhånden som kandidaterne vælger de roller, de er interesseret i. Til sidst er matchningen og henvisningen automatiseret fra ende til anden. Rekrutteringsfolk behøver ikke at gøre noget, før de beslutter at interviewe en kandidat, der er henvisning fra Joonko.

Kan du diskutere fordelene ved en diversificeret ansættelsespulje for at undgå kunstig intelligens-forudnelser?

Den måde, vi ser på det, er, at jo flere underrepræsenterede kandidater, du kan tiltrække og interviewe, jo mere data kan du auditerer for menneskelig og teknologisk forudnelser. Forudnelser sker, når en model (eller person) bliver brugt til at se lignende data igen og igen. Når du investerer tungt i kandidatdiversitet, kan du træne din teknologi og det rekrutteringsteam, der bruger den, til at bidrage til diversitetsmekanismen.

Hvad er andre grunde til, at diversitet bør være en prioritet for virksomheder?

Mange virksomheder afhænger typisk af henvisninger for at udfylde åbne stillinger, hvilket data viser kan føre til en homogen arbejdsstyrke. Jeg tror, det er vigtigt for virksomheder at sætte fokus på oversete talenter – herunder ‘sølvmedaljevindere’, der nåede til de sidste faser hos topvirksomheder, men ikke fik jobbet.

Ikke kun er det at prioritere diversitet og inklusion objektivt det retfærdige og rigtige at gøre og en vigtig del af et fremadrettet, lige samfund, men det er også godt for virksomheden – virksomheder, der prioriterer disse bestræbelser, er mere produktive og succesrige, mens medarbejderne er lykkeligere og bliver længere.

Har du nogen sidste råd til kvinder, der overvejer at springe ind i datalogi eller kunstig intelligens?

Find fællesskaber af kvinder, du kan læne dig op ad, når tingene bliver svære. Fremtiden for den kunstige intelligensindustri afhænger af kvinders deltagelse, men er i øjeblikket domineret af mænd. Jo hurtigere du kan bygge et netværk af kvinder, der deler dine erfaringer, jo mere sandsynligt er det, at du vil blive støttet og trives i industrien.

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