Arsham Ghahramani, PhD, Co-fondateur et PDG de Ribbon – Série d’entretiens

Arsham Ghahramani, PhD, est le co-fondateur et PDG de Ribbon. Basé à Toronto et originaire du Royaume-Uni, Ghahramani a une formation en intelligence artificielle et en biologie. Son expérience professionnelle s’étend à plusieurs domaines, notamment la négociation à haute fréquence, le recrutement et la recherche biomédicale.

Ghahramani a commencé à travailler dans le domaine de l’IA vers 2014. Il a obtenu son doctorat à l’Institut Francis Crick, où il a appliqué les premières formes d’IA générative pour étudier la régulation des gènes du cancer – longtemps avant que le terme “IA générative” ne devienne courant.

Il dirige actuellement Ribbon, une entreprise technologique qui vise à accélérer considérablement le processus d’embauche. Ribbon a levé plus de 8 millions de dollars en financement, soutenu plus de 200 000 chercheurs d’emploi et continue de faire croître son équipe. La plateforme vise à rendre l’embauche 100 fois plus rapide en combinant l’IA et l’automatisation pour rationaliser les flux de travail de recrutement.

Commençons par le début — qu’est-ce qui vous a inspiré à fonder Ribbon, et quel a été le moment “eureka” qui vous a fait réaliser que l’embauche était cassée ?

J’ai rencontré mon co-fondateur Dave Vu alors que nous étions tous les deux chez Ezra – il était responsable des ressources humaines et du talent, et j’étais responsable de l’apprentissage automatique. Alors que nous faisions croître rapidement mon équipe, nous ressentions constamment la pression pour embaucher rapidement, mais nous n’avions pas les bons outils pour rationaliser le processus. J’étais précoce dans l’IA (j’ai obtenu mon doctorat en 2014, longtemps avant que l’IA ne devienne courante), et j’avais une compréhension précoce des impacts de l’IA sur l’embauche. J’ai vu de première main les inefficacités et les défis de la recherche traditionnelle et je savais qu’il devait y avoir une meilleure façon de procéder. Cette prise de conscience nous a amenés à créer Ribbon.

Vous avez travaillé dans des rôles d’apprentissage automatique chez Amazon (AMZN ), Ezra et même dans la négociation algorithmique. Comment cette expérience a-t-elle façonné votre approche de la construction de Ribbon ?

Chez Ezra, j’ai travaillé sur la technologie de la santé basée sur l’IA, où les enjeux ne pouvaient pas être plus élevés – si un système d’IA est biaisé, cela peut être une question de vie ou de mort. Nous avons passé beaucoup de temps et d’énergie à nous assurer que notre IA était impartiale, ainsi qu’à développer des méthodes pour détecter et atténuer les biais. J’ai apporté ces techniques à Ribbon, où nous utilisons ces techniques pour surveiller et réduire les biais dans notre intervieweur d’IA, créant ainsi un processus d’embauche plus équitable.

Comment votre expérience en tant que candidat et gestionnaire de l’embauche a-t-elle influencé les décisions de produit que vous avez prises au début ?

Trouver un emploi est un processus éprouvant pour les candidats juniors. Je me souviens, il n’y a pas si longtemps, d’être un candidat junior postulant à de nombreux emplois. Cela n’a fait qu’empirer depuis. Chez Ribbon, nous avons une profonde empathie pour les chercheurs d’emploi. Notre IA vocale est souvent le premier point de contact entre une entreprise et un candidat, nous travaillons donc dur pour rendre cette expérience positive et gratifiante. L’une des façons dont nous le faisons est en nous assurant que les candidats discutent avec la même IA tout au long du processus d’embauche. Cette cohérence aide à établir la confiance et le confort – contrairement aux processus traditionnels où les candidats sont passés d’une personne à l’autre, notre IA fournit une présence constante et familière qui aide les candidats à se sentir plus à l’aise lorsqu’ils passent par les entretiens et les évaluations.

Ribbon mène des entretiens qui ressemblent plus à des entretiens humains qu’à des bots scriptés. Parlez-nous de l’écoulement d’entretien adaptatif de Ribbon. Quelle sorte de compréhension en temps réel se déroule-t-elle en arrière-plan ?

Nous avons construit cinq modèles d’apprentissage automatique en interne et les avons combinés avec quatre modèles publics pour créer l’expérience d’entretien Ribbon. En arrière-plan, nous évaluons constamment la conversation et la combinons avec le contexte de l’entreprise, des pages de carrière, des profils publics, des CV et plus encore. Toutes ces informations se combinent pour créer une expérience d’entretien sans faille. La raison pour laquelle nous combinons autant d’informations est que nous voulons offrir au candidat une expérience aussi proche que possible de celle d’un recruteur humain.

Vous soulignez que cinq minutes de voix peuvent correspondre à une heure de saisie écrite. Quel type de signal captez-vous dans ces données audio, et comment sont-elles analysées ?

Les gens parlent généralement très vite ! La plupart des processus de candidature sont très fastidieux, vous obligeant à remplir de nombreux formulaires et questions à choix multiples. Nous avons constaté que 5 minutes de conversation naturelle équivalent à environ 25 questions à choix multiples. La densité d’informations de la conversation vocale est difficile à battre. En outre, nous collectons d’autres facteurs, tels que la maîtrise de la langue et les compétences en communication.

Ribbon agit également comme un scribe alimenté par l’IA avec des résumés automatiques et des notations. Quel rôle joue l’interprétabilité pour rendre ces données utiles – et équitables – pour les recruteurs ?

L’interprétabilité est au cœur de l’approche de Ribbon. Chaque note et analyse que nous générons est toujours liée à sa source, ce qui rend notre IA profondément transparente.

Par exemple, lorsque nous notons un candidat sur ses compétences, nous faisons référence à deux choses :

1. Les exigences du poste d’origine et
2. Le moment exact de l’entretien où le candidat a mentionné une compétence.

Nous croyons que l’interprétabilité des systèmes d’IA est profondément importante, car, à la fin de la journée, nous aidons les entreprises à prendre des décisions, et les entreprises aiment prendre des décisions basées sur des données concrètes. Quelque chose que nous croyons être essentiel à la fois pour l’équité et la confiance dans l’embauche pilotée par l’IA.

Les préjugés dans les systèmes d’embauche d’IA sont une grande préoccupation. Comment Ribbon est-il conçu pour minimiser ou atténuer les préjugés tout en mettant en surface les meilleurs candidats ?

Les préjugés sont une question critique dans l’embauche d’IA, et nous les prenons très au sérieux chez Ribbon. Nous avons conçu notre intervieweur d’IA pour évaluer les candidats en fonction de compétences et de capacités mesurables, réduisant ainsi la subjectivité qui introduit souvent des préjugés. Nous auditions régulièrement nos systèmes d’IA pour l’équité, utilisons des ensembles de données diversifiés et équilibrés, et intégrons une surveillance humaine pour détecter et corriger les préjugés potentiels. Notre engagement est de mettre en surface les meilleurs candidats de manière équitable, en garantissant des décisions d’embauche équitables.

Les candidats peuvent passer un entretien à tout moment, même à 2 heures du matin. Quelle est l’importance de la flexibilité pour démocratiser l’accès aux emplois, en particulier pour les communautés défavorisées ?

La flexibilité est essentielle pour démocratiser l’accès aux emplois. L’interview en ligne de Ribbon permet aux candidats de participer à tout moment qui leur convient, en brisant les barrières traditionnelles telles que les horaires de travail conflictuels ou la disponibilité limitée, ce qui est particulièrement bénéfique pour les parents qui travaillent et ceux qui ont des horaires non traditionnels. En fait, 25 % des entretiens Ribbon ont lieu entre 23 heures et 2 heures du matin, heure locale.

Ceci est particulièrement crucial pour les communautés défavorisées, où les chercheurs d’emploi sont souvent confrontés à des contraintes supplémentaires. En permettant un accès en ligne 24 heures sur 24, Ribbon aide à garantir que chacun a une chance équitable de mettre en valeur ses compétences et de trouver des opportunités d’emploi.

Ribbon ne se limite pas à l’embauche – il s’agit de réduire les frictions entre les personnes et les opportunités. Quel est l’avenir de cela ?

Chez Ribbon, notre vision va au-delà de l’embauche efficace ; nous voulons supprimer les frictions entre les individus et les opportunités pour lesquelles ils sont adaptés. Nous prévoyons un avenir où la technologie relie en douceur les talents aux rôles qui correspondent parfaitement à leurs capacités et à leurs ambitions, quel que soit leur passé ou leur réseau. En réduisant les frictions dans la mobilité de carrière, nous permettons aux employés de grandir, de se développer et de trouver des opportunités gratifiantes sans barrières inutiles. Mobilité interne plus rapide, turnover plus faible et, à terme, de meilleurs résultats pour les individus et les entreprises.

Comment voyez-vous l’IA transformer le processus d’embauche et le marché du travail plus large au cours des cinq prochaines années ?

L’IA va profondément remodeler l’embauche et le marché du travail plus large au cours des cinq prochaines années. Nous nous attendons à ce que l’automatisation pilotée par l’IA rationalise les tâches répétitives, libérant ainsi les recruteurs pour se concentrer sur des interactions plus approfondies avec les candidats et des décisions d’embauche stratégiques. L’IA améliorera également la précision du jumelage des candidats aux postes, accélérant les délais d’embauche et améliorant l’expérience des candidats. Cependant, pour réaliser pleinement ces avantages, l’industrie doit donner la priorité à la transparence, à l’équité et aux considérations éthiques, en garantissant que l’IA devient un outil de confiance qui crée un paysage d’emploi plus équitable.

Merci pour cette grande interview, les lecteurs qui souhaitent en savoir plus peuvent visiter Ribbon.