我很高兴能够介绍有史以来 个“多样性技术栈”：这是 套成熟的技术汇编，它证明了在与 客户的招聘和推广流程中增强了多样性成果。
多样性技术堆栈
2017年，大量证据显示雇用方面存在广泛的性别和种族偏见。即使他们的能力被记录为平等，女性也不太可能被STEM职业雇佣（1）。拥有高加索人姓名的人比接受民族声名的人更有可能接受采访请求（2）。为了解决这个问题，已经提出无意识偏见培训作为解决方案，但不幸的是，它没有改变针头。
个 成功的性别平等雇佣活动依赖于管弦乐团的盲目试镜。在20世纪70年代，女性在管弦乐队中的比例不到5％。为了解决这种差距，管弦乐队在试镜者的性别不明显的情况下进行了盲试。这 过程导致女性在短短20年内参与管弦乐队的比例从5％增加到25％（5）。
初的问题管弦乐队面临的问题与我们今天在美国公司看到的类似：不到20％的高管职位由女性担任（6）。我们需要的是相当于美国企业职位的“盲审试窗帘” - 换言之，评估重点关注相关数据（即某人演奏乐器而不是性别或种族）的候选人的方法。
为什么未经检查的技术不是解决方案
由于知道人类有偏见并且培训未能大显身手，许多公司已开始转向技术，以帮助为招聘建立 个盲目的试镜帷幕。依靠技术解决这个问题的目的是避免固有的人类无意识偏见（1）。虽然这很简单，但这种思维往往是“洗手”的例子：我们倾向于将客观性归功于技术。
正如许多媒体 近强调的那样，根据进入的数据，算法可能与人类 样偏向。
事实证明，确保算法是无偏的实际上是非常困难的。如果现有的招聘和晋升做法导致更多的男性比女性被标为成功的女性，我们可能会得到 种偏向男性的算法。如果我们使用有偏见的样本来构建算法，则必须对它们进行审计和编辑以确保公平性，否则它们会产生有偏差的结果。
从本质上讲，如果算法没有测试偏差，我们不能认为它是多样性友好的，因为它规避了人类无意识偏见。事实上，这种偏见可能更加危险，因为它被烧入算法中，并且没有偏见地伪装。
真正的解决方案
因此，如果人和算法都有偏差，多样性友好招聘流程的解决方案是什么？有人提出了对机器的人体评估（7）。对于收到数十万申请人的公司来说，这是低效率的， 终不切实际。
我有 个不同的建议：采用已被证明可以消除算法偏差的技术。变化的技术可以用于招聘过程的每 步，并且可以 起作为美国企业真正的“盲目试镜窗帘”。以下是我所称的“招聘多样化技术栈”：
吸引候选人。甚至在公司与候选人互动之前，招聘过程（以及引入偏见的可能性）开始：在撰写工作描述时。像Textio这样的平台可以确保工作申请中的语言没有性别和种族偏见，因此吸引了更多不同的候选人。
寻找不同的候选人池。通过Jopwell，Power to Fly，Handshake和WayUp等平台进行采购，您可以跨性别，种族，教育和社会经济背景访问更多元化的人群。
在渠道顶部选择候选人。 今天，75％的申请人根据简历裁员，这是 个不能预测工作适应性的古老体系。pymetrics 用取得专利的神经科学游戏和无偏倚算法取代简历，选择 合适的候选人。建立在现有顶 执行者之上的算法会严格检查偏差。留意我们的开源算法审计工具！
通过管道移动候选人。盲人试镜需要避免与性别，种族或年龄直接相关的变量。有各种平台可确保从简历中移除人口统计变量。GapJumpers 和HackerRank鼓励公司评估候选人的工作样本，而不是简历。
让不同的人才上升。您应该意识到，在招聘漏斗的每 步中，您的性别统计都是。像科技公司Glassbreakers和Humanyze使公司更容易通过管道跟踪性别和种族，不同候选人的进展。
展望未来
为什么我非常有信心依靠以偏向为重点的技术将起作用？我不仅通过启动pymetrics来打赌我的职业生涯，而且我们亲眼目睹了这些技术如何大幅改变了埃森哲，联合利华等财富100强公司的多样性数字（跨性别，种族和社会经济地位）以及富达。
我们知道我们不能盲目依赖未经检查的技术。尽管继续训练自己和我们的团队更加意识到自己的偏见很重要，但为了在美国企业中建立 个真正的“盲目试镜窗帘”，使用经过验证的无偏差技术至关重要。