Képes az AI hazugságot felismerni interjúkon?

A gépi hazugságfelismerést évszázada ígérik, a poligráfoktól a hangstressz-elemzőkön át a mikroexpresszió-szkennerekig, és a tudományos nyilvántartás következetes: ezek a módszerek egyike sem választja el megbízhatóan a megtévesztést az idegességtől. A stresszjelek valósak, de az interjúk az őszinte embereket is megstresszeli, ők alkotják pontosan azt a populációt, amelyet vizsgálnak.

A szűrési ipar csendben elismerte ezt. Azok a videóinterjú-szállítók, amelyek egykor nyilvánosan reklámozták az arcelemzést, a kutatók és szabályozók folyamatos vizsgálata után nyilvánosan eltávolították ezeket a funkciókat, és a megmaradó értékelések azt értékelik, amit mond, nem azt, hogyan mozdul az arca közben. Ahol jogszabályok vonatkoznak, több joghatóság mostanra megköveteli a közzétételt vagy a hozzájárulást az interjúvideó AI-elemzése előtt.

A kérdés szorongó változatára tehát a közvetlen válasz: nem — az AI a szűrőhívás másik oldalán nem olvassa a pulzusát a webkamerán keresztül. Amit helyette csinál, az hétköznapibb, és pontosan érdemes megérteni.

Attól tart, hogy a gép megjelöli, mert kerekítette a munkaköri titulusát felfelé, és érdemes tudni, mit értékel valójában a gép. Ez a rész kitér arra, mit pontoz az automatizált szűrés, és hol derül ki valójában a túlzás.

Az automatizált szűrők az átírt tartalmat értékelik: hogy a válasza megfelel-e a kérdés célzott kompetenciájának, konkrét részleteket tartalmaz-e, olyan struktúrát, mint helyzet, cselekvés és eredmény, valamint kulcsszóegyezést a szerepprofilban. Néhányuk az előadás alapjait pontozza, például a tempót és a töltelékszavak arányát. Ezek egyike sem igazságellenőrzés; egy ékesen szóló fabrikáció ezek mindegyik tengelyén jól teljesít.

A túlzás ott bukik el, ahol később és kevésbé technológiaigényes. Egy állított készség összeomlík a technikai mélyelemzésben, egy olyan történet, amely megváltozik a toborzói képernyő és a helyszíni megbeszélés között, feltűnik az összehasonlítandó feljegyzéseket egybevetőknek, és a referenciák ellenőrzése percek alatt feltárja a tituláció-inflációt. Képzeljük el a jelöltet, aki egy támogatói szerepet csapatvezetővé alakítja: a szűrő AI átengedi, de a felvételi vezető harmadik utánkövető kérdése a létszámot érintő döntésekről nem engedi át.

A felismerhetőségi fürt a szomszédos kérdéssel is foglalkozik — mit láthatnak az interjúzók és a platformok az Ön által futtatott eszközökről — a felismerhetőséggel és adatvédelemmel kapcsolatos válaszokban.

Egy valós idejű interjúasszisztens átírja a beszélgetést, és az Ön által megadott dokumentumokra alapozott beszédpontokat javasol. Nem ellenőrzi az állításait, és egy kitalált történetet sem tud igazzá tenni; ha a betöltött önéletrajz felcicomázott, a javaslatok öröklik a felcicomázást. Aaron Cao, a SubcueAI alapítója, egyértelműen megfogalmazza a tervezési határt: a termék a felkészülést erősíti, az őszinteség pedig a jelölt feladata marad, ezért a javaslatok a saját önéletrajzán és a munkaköri leíráson alapulnak, nem a semmiből generálódnak.

Az ezzel lehetővé váló gyakorlati lépés a hazugsággal éppen ellentétes. A valódi tapasztalata szinte mindig jobb anyagot tartalmaz, mint egy kitalált változat, a rés pedig nyomás alatti előhívás, nem tartalom. Egy próbainterjú egy AI interjúzóval előre felszínre hozza ezeket a valós történeteket, olyan utókövetési kérdésekkel, amelyek nyomástesztelik azokat, ahogyan egy ember tenné, így az élő válasz a begyakorolt memóriából érkezik, nem improvizációból.

Az engedélyezett élő kontextusokhoz az asztali alkalmazás ezután elérhető közelségben tartja ezeket a begyakorolt pontokat a valódi hívás során; a rögzítési és javaslati folyamat működése a hogyan működik válaszokban van dokumentálva.