Arsham Ghahramani, PhD, Co-founder dan CEO Ribbon – Seri Wawancara

Arsham Ghahramani, PhD, adalah co-founder dan CEO Ribbon. Berbasis di Toronto dan berasal dari Inggris, Ghahramani memiliki latar belakang di bidang kecerdasan buatan dan biologi. Pengalaman profesionalnya meliputi berbagai domain, termasuk perdagangan frekuensi tinggi, rekrutmen, dan penelitian biomedis.

Ghahramani memulai pekerjaannya di bidang kecerdasan buatan sekitar tahun 2014. Ia menyelesaikan PhD-nya di The Francis Crick Institute, di mana ia menerapkan bentuk awal kecerdasan buatan generatif untuk mempelajari regulasi gen kanker—jauh sebelum istilah “kecerdasan buatan generatif” memasuki penggunaan arus utama.

Ia saat ini memimpin Ribbon, sebuah perusahaan teknologi yang fokus pada percepatan proses perekrutan. Ribbon telah mengumpulkan lebih dari $8 juta dalam pendanaan, mendukung lebih dari 200.000 pencari kerja, dan terus tumbuh timnya. Platform ini bertujuan untuk membuat perekrutan 100x lebih cepat dengan menggabungkan kecerdasan buatan dan otomatisasi untuk memperlancar alur kerja perekrutan.

Mari kita mulai dari awal — apa yang menginspirasi Anda untuk mendirikan Ribbon, dan apa yang menjadi “aha” moment yang membuat Anda menyadari bahwa perekrutan rusak?

Saya bertemu dengan co-founder saya, Dave Vu, saat kami berdua di Ezra–ia adalah Kepala Sumber Daya Manusia & Talenta, dan saya adalah Kepala Pembelajaran Mesin. Saat kami dengan cepat memperluas tim saya, kami terus merasa tekanan untuk merekrut dengan cepat, namun kami kekurangan alat yang tepat untuk memperlancar prosesnya. Saya awalnya terjun ke kecerdasan buatan (saya menyelesaikan PhD saya pada tahun 2014, jauh sebelum kecerdasan buatan menjadi arus utama), dan saya memiliki pemahaman awal tentang dampak kecerdasan buatan pada perekrutan. Saya melihat secara langsung ketidakefisienan dan tantangan dalam perekrutan tradisional dan tahu bahwa harus ada cara yang lebih baik. Pemahaman itu membuat kami menciptakan Ribbon.

Anda telah bekerja di peran pembelajaran mesin di Amazon (AMZN ), Ezra, dan bahkan di perdagangan algoritma. Bagaimana latar belakang itu membentuk cara Anda membangun Ribbon?

Di Ezra, saya bekerja pada teknologi kesehatan kecerdasan buatan, di mana taruhannya tidak bisa lebih tinggi–jika sistem kecerdasan buatan bias, itu bisa menjadi masalah hidup atau mati. Kami menghabiskan banyak waktu dan energi untuk memastikan bahwa kecerdasan buatan kami tidak bias, serta mengembangkan metode untuk mendeteksi dan mitigasi bias. Saya membawa teknik-teknik itu ke Ribbon, di mana kami menggunakan teknik-teknik itu untuk memantau dan mengurangi bias dalam AI interviewer kami, pada akhirnya menciptakan proses perekrutan yang lebih adil.

Bagaimana pengalaman Anda sebagai kandidat dan manajer perekrutan mempengaruhi keputusan produk yang Anda buat di awal?

Mencari pekerjaan adalah proses yang melelahkan bagi kandidat junior. Saya ingat, tidak terlalu lama yang lalu, menjadi kandidat junior yang mengajukan banyak lamaran. Ini hanya menjadi lebih sulit sejak saat itu. Di Ribbon, kami memiliki empati yang mendalam untuk pencari kerja. Voice AI kami sering kali menjadi titik kontak pertama antara perusahaan dan kandidat, sehingga kami bekerja keras untuk membuat pengalaman ini positif dan bermanfaat. Salah satu cara kami melakukan itu adalah dengan memastikan kandidat berbicara dengan AI yang sama sepanjang proses perekrutan. Konsistensi ini membantu membangun kepercayaan dan kenyamanan–tidak seperti proses tradisional di mana kandidat dipindahkan antara banyak orang, AI kami menyediakan kehadiran yang stabil dan akrab yang membantu kandidat merasa lebih nyaman saat mereka melalui wawancara dan penilaian.

Ribbon’s AI melakukan wawancara yang terasa lebih manusiawi daripada bot yang ditulis sebelumnya. Ceritakan lebih lanjut tentang aliran wawancara adaptif Ribbon. Apa jenis pemahaman waktu nyata yang terjadi di balik layar?

Kami telah membangun lima model pembelajaran mesin in-house dan menggabungkannya dengan empat model yang tersedia secara umum untuk menciptakan pengalaman wawancara Ribbon. Di balik layar, kami terus mengevaluasi percakapan dan menggabungkannya dengan konteks dari perusahaan, halaman karir, profil publik, resume, dan lain-lain. Semua informasi ini bersatu untuk menciptakan pengalaman wawancara yang lancar. Alasan kami menggabungkan banyak informasi adalah bahwa kami ingin memberikan kandidat pengalaman yang sesuai dengan recruiter manusia.

Anda menyoroti bahwa lima menit suara dapat menyaingi satu jam input tertulis. Jenis sinyal apa yang Anda tangkap dalam data audio itu, dan bagaimana itu dianalisis?

Orang biasanya berbicara dengan cukup cepat! Proses lamaran pekerjaan kebanyakan sangat membosankan, meminta Anda untuk mengisi banyak formulir dan pertanyaan pilihan ganda. Kami telah menemukan bahwa 5 menit percakapan alami setara dengan sekitar 25 pertanyaan pilihan ganda. Kepadatan informasi percakapan suara sulit dikalahkan. Di atas itu, kami juga mengumpulkan faktor-faktor lain, seperti kemampuan bahasa dan keterampilan komunikasi.

Ribbon juga bertindak sebagai juru catat AI yang ditenagai dengan ringkasan otomatis dan skor. Apa peran interpretasi dalam membuat data ini berguna—dan adil—bagi recruiter?

Interpretasi adalah inti dari pendekatan Ribbon. Setiap skor dan analisis yang kami generasikan selalu terikat kembali ke sumber aslinya, membuat AI kami sangat transparan.

Misalnya, ketika kami menilai kandidat berdasarkan keterampilan mereka, kami merujuk pada dua hal:

1. Persyaratan pekerjaan asli dan
2. Momen spesifik dalam wawancara di mana kandidat menyebutkan keterampilan.

Kami percaya bahwa interpretasi sistem kecerdasan buatan sangat penting karena, pada akhirnya, kami membantu perusahaan membuat keputusan, dan perusahaan seperti membuat keputusan berdasarkan data konkrit. Sesuatu yang kami percaya sangat penting untuk keadilan dan kepercayaan dalam perekrutan yang didorong oleh kecerdasan buatan.

Bias dalam sistem perekrutan kecerdasan buatan adalah masalah besar. Bagaimana Ribbon dirancang untuk meminimalkan atau memitigasi bias sambil masih menampilkan kandidat terbaik?

Bias adalah masalah kritis dalam perekrutan kecerdasan buatan, dan kami sangat serius tentang hal itu di Ribbon. Kami telah membangun AI interviewer kami untuk menilai kandidat berdasarkan keterampilan dan kompetensi yang dapat diukur, mengurangi subjektivitas yang sering memperkenalkan bias. Kami secara teratur mengaudit sistem AI kami untuk keadilan, menggunakan dataset yang beragam dan seimbang, dan mengintegrasikan pengawasan manusia untuk menangkap dan memperbaiki potensi bias. Komitmen kami adalah untuk menampilkan kandidat terbaik secara adil, memastikan keputusan perekrutan yang adil.

Kandidat dapat melakukan wawancara kapan saja, bahkan pukul 2 pagi. Seberapa penting fleksibilitas dalam mendemokratisasi akses ke pekerjaan, terutama untuk komunitas yang kurang terlayani?

Fleksibilitas adalah kunci untuk mendemokratisasi akses pekerjaan. Wawancara Ribbon yang selalu aktif memungkinkan kandidat untuk berpartisipasi kapan saja yang nyaman bagi mereka, menghancurkan hambatan tradisional seperti jadwal yang bertentangan atau ketersediaan yang terbatas, yang sangat menguntungkan orang tua yang bekerja dan mereka yang memiliki jam kerja non-tradisional. Faktanya, 25% wawancara Ribbon terjadi antara pukul 11 malam dan 2 pagi waktu setempat.

Ini sangat penting untuk komunitas yang kurang terlayani, di mana pencari kerja sering menghadapi kendala tambahan. Dengan memungkinkan akses sepanjang waktu, Ribbon membantu memastikan bahwa semua orang memiliki kesempatan yang adil untuk menunjukkan keterampilan mereka dan mendapatkan peluang kerja.

Ribbon tidak hanya tentang perekrutan—ini tentang mengurangi gesekan antara orang dan peluang. Apa yang terlihat seperti masa depan?

Di Ribbon, visi kami meluas melampaui perekrutan yang efisien; kami ingin menghilangkan gesekan antara individu dan peluang yang sesuai dengan mereka. Kami membayangkan masa depan di mana teknologi menghubungkan bakat dengan peran yang sesuai dengan kemampuan dan ambisi mereka, tanpa memandang latar belakang atau jaringan. Dengan mengurangi gesekan dalam mobilitas karir, kami memungkinkan karyawan untuk tumbuh, berkembang, dan menemukan peluang yang memuaskan tanpa hambatan yang tidak perlu. Mobilitas internal yang lebih cepat, turnover yang lebih rendah, dan pada akhirnya hasil yang lebih baik untuk individu dan perusahaan.

Bagaimana Anda melihat kecerdasan buatan mengubah proses perekrutan dan pasar kerja yang lebih luas dalam lima tahun ke depan?

Kecerdasan buatan akan mengubah proses perekrutan dan pasar kerja yang lebih luas dalam lima tahun ke depan. Kami berharap kecerdasan buatan yang didorong oleh otomatisasi akan memperlancar tugas-tugas berulang, membebaskan recruiter untuk fokus pada interaksi kandidat yang lebih dalam dan keputusan perekrutan strategis. Kecerdasan buatan juga akan meningkatkan presisi pencocokan kandidat dengan peran, mempercepat waktu perekrutan dan meningkatkan pengalaman kandidat. Namun, untuk mewujudkan manfaat ini sepenuhnya, industri harus memprioritaskan transparansi, keadilan, dan pertimbangan etika, memastikan bahwa kecerdasan buatan menjadi alat yang dapat dipercaya yang menciptakan lanskap pekerjaan yang lebih adil.

Terima kasih atas wawancara yang luar biasa, pembaca yang ingin mempelajari lebih lanjut dapat mengunjungi Ribbon.