Ilit Raz, grunnlegger og CEO av Joonko – Intervju-serie

Ilit Raz er grunnlegger og CEO av Joonko, en plattform som hjelper bedrifter med å bruke AI i sin diversitetssourcing-strategi. I dag samarbeider hennes selskap med Adidas, American Express (AXP ), Crocs og PayPal. Hun har samlet inn over 38,5 millioner dollar og selskapet har vokst 500 % i to år på rad.

Hva var det som først tiltalte deg til datavitenskap?

Teknologi er en av de største og mest suksessfulle industrien i Israel, så jeg har alltid vært eksponert for industrien på en eller annen måte gjennom hele livet. Da jeg begynte i hæren, fikk jeg muligheten til å arbeide i en teknologi-enhet der jeg ledet utviklingen av sikkerhetsprogramvare og tilbrakte tid med å lære om datavitenskap. Derfra var jeg hooked og visste at jeg ville fortsette med det som karriere når jeg forlot hæren.

Når ble du først eksponert for forskjellige hull i industrien, som lønns- og promoteringsskiller?

I mine første par år som arbeidet i private programvare-selskaper, var jeg ikke personlig klar over fordommene kvinner møtte. Deretter begynte jeg å nettverke med teknologer som skjedde å være kvinner. Jeg ble raskt klar over hvor stort problemet var etter å ha lyttet til historiene disse kvinnene delte om å bli snakket over, ignorer eller ikke fått kreditt for sine ideer.

Kan du dele historien bak Joonko?

Jeg har en grad i datavitenskap og en bakgrunn i programvareingeniør og NLP. Jeg har personlig erfart både bevisst og ubevisst fordommer gjennom mine profesjonelle omgivelser, og en gruppe kvinnelige produktledere jeg var en del av, eksponerte meg også for arbeidsplassproblemer som var mer enn bare lønnskillnader. Dette ligner møter som blir planlagt når kvinner eller foreldre må forlate arbeid eller vitne om hvem som får snakke eller presentere under møter. Selv om disse eksemplene ser små ut, er de betydelige og innflytelsesrike når du er den personen som blir berørt.

Jeg kom til å forstå at dette var et mer omfattende problem, så jeg bestemte meg for å bruke min tekniske bakgrunn – jeg har en grad i CS og en bakgrunn i programvareingeniør og NLP – og angripe det head-on ved å skape en ny teknologisk løsning, som er hvordan Joonko ble født.

Hvordan søker Joonko etter talenter fra diverse og underrepresenterte bakgrunner?

Vår egenutviklede algoritme bruker først naturlig språkbehandling og datamaskinsyn til å scanne offentlige data om kandidatene som blir referert til oss. Vi søker etter data som bekrefter om noen selv identifiserer seg som underrepresentert. For eksempel, hvis en person har “hun/hennes” pronomen på sin LinkedIn-profil, kan vi anta at de kanskje selv identifiserer seg som kvinne og tildele denne datapunktet et poeng. Hvis personens profil samler nok poeng, inviterer vi dem til vårt taltnettverk, og når de registrerer seg, bekrefter de vår antagelse ved å fortelle oss hvordan de identifiserer seg.

Hvordan vurderer Joonko denne talenter?

Vi bruker en kombinasjon av menneskelig berøring og teknologi for å matche kandidater med åpne stillinger som er en god passform. Først blir hver kandidat som går med i vårt nettverk referert av rekrutteringsteamet de nylig intervjuet med, men ikke kunne ansette. Rekrutteringsteamene refererer bare kandidater som kom til finalerunden, og dermed sikrer at de er høykvalifiserte kandidater. Deretter bruker vi naturlig språkbehandling til å matche kandidaten med selskapet og rollen som er riktig passform. Vi samler inn nøkkelord fra deres CV og rollen de opprinnelig intervjuet for, og sammenligner det med jobbene som markedsføres på vår plattform. De fleste modellene bruker bare to datasæt, så å bruke tre i stedet øker vår evne til å finne riktig match.

Hvordan hjelper Joonko selskaper med å beholde denne talenter?

Vi hjelper selskaper med å beholde talenter gjennom hele rekrutteringsprosessen ved å integrere med systemet for å spore søknader. Vår integrasjon lar oss hente data, i aggregat, om hvordan langt Joonko-kandidater kommer gjennom pipelinen. Hvor enn vi ser en nedgang i forhold til ikke-Joonko-kandidater, arbeider vi med selskaper for å enten forbedre matching eller forbedre rekrutteringsprosessen.

Hva er noen andre måter Joonko bruker AI i sin rekrutterings- eller matchingsprosess?

Vi utnytter datamaskinsyn og naturlig språkbehandling til å bestemme om en kandidat selv identifiserer seg som underrepresentert. Vi bruker naturlig språkbehandling til å matche kandidater med rollene i vår pool og vi bruker maskinlæring til å forbedre matchingsprosessen når kandidater velger rollene de er interessert i. Til slutt er matching og referanse fullstendig automatisert fra ende til ende. Rekrutterere trenger ikke å gjøre noe før de bestemmer seg for å intervjue en kandidat referert av Joonko.

Kan du diskutere fordelene med en diversifisert rekrutteringsprosess for å unngå AI-forfordommer?

Måten vi ser på det er at jo flere underrepresenterte kandidater du kan tiltrekke og intervjue, jo mer data kan du auditere for menneskelig og teknologisk fordommer. Fordommer, i sin kjerne, skjer når en modell (eller person) brukes til å se liknende data gang på gang. Når du investerer tungt i kandidatdiversitet, kan du trene din teknologi og rekrutteringsteamet som bruker det, til å bidra til diversitets-hjulet.

Hva er noen andre grunner til at diversitet bør være en prioritet for selskaper?

Mange selskaper avhenger vanligvis av referanser for å fylle åpne stillinger, noe som viser seg å kunne føre til en homogen arbeidsstyrke. Jeg tror det er viktig for selskaper å sette fokus på oversett talent – inkludert ‘sølvmedalje-kandidater’ som kom til finalerunden i toppselskaper, men ikke fikk jobben.

Ikke bare er det å prioritere DE&I objektivt det rettferdige og riktige å gjøre og en viktig del av et fremtidsrettet, likeverdig samfunn, men det er også enkelt godt for bedriftene – selskaper som prioriterer disse innsatsene er mer produktive og suksessfulle, mens ansatte er lykkeligere og blir lengre.

Har du noen siste råd for kvinner som ser på å hoppe inn i datavitenskap eller AI?

Finn nettverk av kvinner du kan stole på når ting blir tøffe. Framtiden for den kunstige intelligens-industrien avhenger av kvinnenes deltakelse, men er for tiden dominert av menn. Jo raskere du kan bygge et nettverk av kvinner som deler dine erfaringer, jo mer sannsynlig er det at du vil bli støttet og trives i industrien.

Takk for det flotte intervjuet, lesere som ønsker å lære mer bør besøke Joonko.