Ilit Raz, grundare och VD för Joonko – Intervjuserie

Ilit Raz är grundare och VD för Joonko, en plattform som hjälper företag att tillämpa AI på sin mångfaldsrekryteringsstrategi. Idag samarbetar hennes företag med Adidas, American Express (AXP ), Crocs och PayPal. Hon har samlat in över 38,5 miljoner dollar och företaget har vuxit med 500% under två år i rad.

Vad var det som initialt drog dig till datavetenskap?

Teknik är en av de största och mest framgångsrika branscherna i Israel, så jag har alltid varit exponerad för branschen på ett eller annat sätt under hela mitt liv. När jag gick med i armén fick jag möjligheten att arbeta i en teknologienhet där jag hanterade utvecklingen av säkerhetsprogramvara och tillbringade tid med att lära mig om datavetenskap. Där blev jag fast och visste att jag ville fortsätta med det som karriär när jag lämnade armén.

När blev du först medveten om olika luckor i branschen, såsom löne- och befordringsluckor?

Under mina första år som arbetade på privata programvaruföretag var jag inte personligen medveten om fördomarna som kvinnor stod inför. Sedan började jag nätverka med teknologer som råkade vara kvinnor. Jag blev snabbt medveten om hur stort problemet var efter att ha lyssnat på de historier som dessa kvinnor delade om att bli talförda, ignorerade eller inte fått cred för sina idéer.

Kan du dela med dig av ursprunget till Joonko?

Jag har en examen i datavetenskap och en bakgrund inom programvaruteknik och NLP. Jag har personligen upplevt både omedveten och medveten fördom genom mina professionella omgivningar, och en grupp kvinnliga produktchefer som jag var en del av exponerade mig också för arbetsplatsproblem som gick utöver löneluckor. Detta ser ut som möten som schemaläggs när kvinnor eller föräldrar behöver lämna jobbet eller vittna om vem som får tala eller presentera under möten. Även om dessa tillfällen verkar små, är de betydelsefulla och inflytelserika när du är den som påverkas.

Jag kom att förstå att detta var ett mer utbrett problem, så jag bestämde mig för att använda min tekniska bakgrund – jag har en examen i datavetenskap och en bakgrund inom programvaruteknik och NLP – och tackla det direkt genom att skapa en ny teknisk lösning, vilket är hur Joonko föddes.

Hur hittar Joonko talangpoolen av sökande från mångfaldiga och underrepresenterade bakgrunder?

Vår egenutvecklade algoritm använder först naturlig språkbehandling och datorseende för att scanna offentliga data om de kandidater som hänvisas till oss. Vi letar efter data som validerar om någon identifierar sig som underrepresenterad. Till exempel, om en person har “henne/hon” pronomen på sin LinkedIn, kan vi anta att de kan identifiera sig som kvinna och tilldela den datapunkten en poäng. Om personens profil samlar tillräckligt med poäng, bjuder vi in dem till vårt nätverk, och när de registrerar sig, validerar de vår antagande genom att berätta hur de identifierar sig.

Hur granskar Joonko sedan denna talang?

Vi använder en kombination av mänsklig beröring och teknik för att matcha kandidater med de lediga positioner som är en bra match. Först hänvisas varje kandidat som går med i vårt nätverk av den rekryteringsgrupp de nyligen intervjuade med, men inte kunde anställa. Rekryteringsgrupperna hänvisar endast kandidater som nådde den sista omgången, vilket säkerställer att de är högkvalificerade kandidater. Därefter använder vi naturlig språkbehandling för att matcha kandidaten med företaget och rollen som är rätt match. Vi samlar in nyckelord från deras CV och den roll de ursprungligen intervjuade för, och jämför sedan det med jobben som marknadsförs på vår plattform. De flesta modeller använder bara två datamängder, så att använda tre istället ökar vår förmåga att göra rätt match.

Hur hjälper Joonko företag med att behålla denna talang?

Vi hjälper företag att behålla talang under hela rekryteringsprocessen genom att integrera med systemet för spårning av ansökningar. Vår integration tillåter oss att hämta data, i aggregerad form, om hur långt Joonko-kandidater kommer genom pipelinen. Varhelst vi ser en avvikelse i jämförelse med icke-Joonko-kandidater, arbetar vi med företag för att antingen förbättra matchningen eller förbättra deras rekryteringsprocess.

Vilka är några andra sätt som Joonko använder AI i sin rekryterings- eller matchningsprocess?

Vi använder datorseende och naturlig språkbehandling för att bestämma om en kandidat identifierar sig som underrepresenterad. Vi använder naturlig språkbehandling för att matcha kandidater med rollerna i vår pool och vi använder maskinlärande för att förbättra matchningsprocessen när kandidater väljer de roller de är intresserade av. Slutligen är matchningen och hänvisningen automatiserad från början till slut. Rekryterare behöver inte göra någonting förrän de bestämmer sig för att intervjua en kandidat som hänvisats av Joonko.

Kan du diskutera fördelarna med en diversifierad rekryteringspool för att undvika AI-fördomar?

Sättet vi ser på det är att ju fler underrepresenterade kandidater du kan attrahera och intervjua, desto mer data kan du granska för mänsklig och teknisk fördom. Fördom, i dess kärna, uppstår när en modell (eller person) används för att se liknande data om och om igen. När du investerar kraftigt i kandidatmångfald kan du träna din teknik och rekryteringsgruppen som använder den för att bidra till mångfaldshjulet.

Vilka är några andra skäl till varför mångfald bör vara en prioritet för företag?

Många företag förlitar sig vanligtvis på rekommendationer för att fylla lediga roller, vilket data visar kan leda till en homogen arbetsstyrka. Jag tror att det är viktigt för företag att sätta fokus på bortglömd talang – inklusive “silvermedaljörskandidater” som nådde de sista stadierna i toppföretag men inte fick jobbet.

Inte bara är det att prioritera DE&I objektivt det rättvisa och riktiga att göra och en viktig del av ett framåtriktat, jämlikt samhälle, utan det är också bra för affärer – företag som prioriterar dessa ansträngningar är mer produktiva och framgångsrika, medan anställda är lyckligare och stannar kvar längre.

Har du några slutliga råd för kvinnor som överväger att gå in i datavetenskap eller AI?

Hitta samhällen av kvinnor som du kan lita på när saker och ting blir svåra. Framtiden för den artificiella intelligensbranschen är beroende av kvinnors deltagande, men domineras för närvarande av män. Ju snabbare du kan bygga ett nätverk av kvinnor som delar dina upplevelser, desto mer sannolikt är du att bli stödd och blomstra i branschen.

Tack för den underbara intervjun, läsare som vill lära sig mer kan besöka Joonko.