7 เทคนิคในการสร้างโมเดล AI ที่เชื่อถือได้

นี่เป็นข้อความที่ตัดตอนมาจาก Trustworthy AI: A Business Guide for Navigating Trust and Ethics in AI โดย Beena Ammanath (Wiley, มีนาคม 2022) Ammanath เป็นกรรมการบริหารของ Global Deloitte AI Institute และเป็นผู้นำด้านเทคโนโลยีที่น่าเชื่อถือและมีจริยธรรมที่ Deloitte เธอดำรงตำแหน่งผู้นำด้านปัญญาประดิษฐ์และวิทยาศาสตร์ข้อมูลในหลายบริษัท และเป็นผู้ก่อตั้ง Humans For AI ซึ่งเป็นองค์กรที่อุทิศตนเพื่อเพิ่มความหลากหลายใน AI


ด้วยการฝึกอบรมโมเดล AI ชุดข้อมูลเป็นตัวแทนของโลกแห่งความเป็นจริง โมเดลได้รับการฝึกอบรมในชุดข้อมูลหนึ่งชุดและทดสอบกับอีกชุดหนึ่ง และหากผลลัพธ์เหมือนกัน ก็มีความคาดหวังว่าฟังก์ชันของแบบจำลองจะสามารถแปลไปยังสภาพแวดล้อมการทำงานได้ สิ่งที่ใช้ได้ผลในห้องปฏิบัติการควรทำงานอย่างต่อเนื่องในโลกแห่งความเป็นจริง แต่นานแค่ไหน? สถานการณ์การทำงานที่สมบูรณ์แบบนั้นหายากใน AI และข้อมูลในโลกแห่งความเป็นจริงนั้นยุ่งเหยิงและซับซ้อน สิ่งนี้นำไปสู่สิ่งที่ Andrew Ng นักวิจัย AI ชั้นนำเรียกว่า “ช่องว่างการพิสูจน์แนวคิดสู่การผลิต” โดยที่แบบจำลองจะฝึกตามที่ต้องการ แต่จะล้มเหลวเมื่อนำไปใช้ งาน ส่วนหนึ่งเป็นปัญหาด้านความทนทานและความน่าเชื่อถือ

เมื่อผลลัพธ์มีความแม่นยำไม่คงที่และแย่ลงเมื่อเวลาผ่านไป ผลลัพธ์ก็คือความไม่แน่นอน นักวิทยาศาสตร์ด้านข้อมูลถูกท้าทายให้สร้างแบบจำลอง AI ที่พิสูจน์ได้อย่างแม่นยำและสม่ำเสมอเมื่อเผชิญกับการเปลี่ยนแปลงของข้อมูลในโลกแห่งความเป็นจริง ในฟลักซ์ข้อมูล อัลกอริธึมสามารถหลีกเลี่ยงได้ โดยมีการเปลี่ยนแปลงเล็กน้อยในอินพุตที่เรียงซ้อนกันเป็นการเปลี่ยนแปลงขนาดใหญ่ในฟังก์ชัน

แน่นอนว่าไม่ใช่เครื่องมือทั้งหมดที่ทำงานในสภาพแวดล้อมที่มีแนวโน้มที่จะเปลี่ยนแปลงอย่างมาก และไม่ใช่ทุกโมเดล AI ที่มีความเสี่ยงและผลที่ตามมาในระดับเดียวกัน หากเครื่องมือเหล่านี้ไม่แม่นยำหรือไม่น่าเชื่อถือ งานสำหรับองค์กรต่างๆ เมื่อพวกเขาขยายรอยเท้าของ AI คือการชั่งน้ำหนักความทนทานและความน่าเชื่อถือเป็นองค์ประกอบของกลยุทธ์ AI และจัดกระบวนการ บุคลากร และเทคโนโลยีที่สามารถจัดการและแก้ไขข้อผิดพลาดในสภาพแวดล้อมแบบไดนามิก

ด้วยเหตุนี้ เราเริ่มต้นด้วยแนวคิดหลักบางประการในด้าน AI ที่แข็งแกร่งและเชื่อถือได้

AI ที่แข็งแกร่งเทียบกับเปราะ

องค์การระหว่างประเทศเพื่อการมาตรฐานกำหนดความทนทานของ AI ว่าเป็น “ความสามารถของระบบ AI ในการรักษาระดับประสิทธิภาพในทุกสถานการณ์” ในแบบจำลองที่มีประสิทธิภาพ อัตราความผิดพลาดในการฝึก อัตราข้อผิดพลาดในการทดสอบ และอัตราข้อผิดพลาดในการปฏิบัติงานล้วนใกล้เคียงกัน และเมื่อพบข้อมูลที่ไม่คาดคิดในการทำงานหรือเมื่อแบบจำลองทำงานในสภาวะที่ไม่เป็นไปตามอุดมคติ เครื่องมือ AI ที่มีประสิทธิภาพจะยังคงให้ผลลัพธ์ที่แม่นยำ

ตัวอย่างเช่น หากตัวแบบสามารถระบุทุกภาพของเครื่องบินในชุดข้อมูลการฝึกและได้รับการพิสูจน์ว่าปฏิบัติงานในระดับสูงกับข้อมูลการทดสอบ แบบจำลองนั้นควรจะสามารถระบุภาพเครื่องบินในชุดข้อมูลใดๆ ได้ แม้ว่าจะไม่พบก็ตาม พวกเขาก่อนหน้านี้ แต่ตัวแบบระบุเครื่องบินจะทำงานอย่างไรถ้าเครื่องบินเป็นสีชมพู ถ่ายตอนค่ำ ไม่มีปีก หรือเมื่อมองจากมุม ประสิทธิภาพของมันลดลงหรือไม่ และถ้าเป็นเช่นนั้น โมเดลนั้นจะไม่สามารถใช้งานได้อีกต่อไป ณ จุดใด?

เมื่อการเปลี่ยนแปลงเล็กๆ น้อยๆ ในสภาพแวดล้อมทำให้เกิดการเปลี่ยนแปลงอย่างมากในด้านการทำงานและความแม่นยำ โมเดลจะถือว่าไม่ยืดหยุ่นหรือ “เปราะ” ความเปราะบางเป็นแนวคิดที่เป็นที่รู้จักในด้านวิศวกรรมซอฟต์แวร์ และเหมาะสำหรับ AI เช่นกัน ในที่สุด โมเดล AI ทั้งหมดนั้นเปราะบางในระดับหนึ่ง เครื่องมือ AI ประเภทต่างๆ ที่เราใช้นั้นมีความเฉพาะเจาะจงกับการทำงานและการใช้งาน AI ทำเฉพาะสิ่งที่เราฝึกให้ทำเท่านั้น

มีองค์ประกอบอื่นนี้ การปรับใช้และการจัดการ AI เหล่านั้นต้องชั่งน้ำหนักว่าการเปลี่ยนแปลงข้อมูลในโลกแห่งความเป็นจริงนำไปสู่ความแม่นยำของแบบจำลองที่ลดลงเมื่อเวลาผ่านไปอย่างไร ในปรากฏการณ์ “การเลื่อนลอยของแบบจำลอง” ความแม่นยำในการคาดการณ์ของเครื่องมือ AI จะลดลงเมื่อตัวแปรพื้นฐานที่แจ้งการเปลี่ยนแปลงของแบบจำลอง สัญญาณและแหล่งข้อมูลที่เคยเชื่อถือได้จะไม่น่าเชื่อถือ การทำงานผิดพลาดที่ไม่คาดคิดในเครือข่ายอาจนำไปสู่การเปลี่ยนแปลงในกระแสข้อมูล

AI ที่เล่นหมากรุกมักจะแข็งแกร่งเมื่อเวลาผ่านไป เนื่องจากกฎของหมากรุกและการเคลื่อนไหวที่ AI จะเผชิญนั้นคาดเดาได้และคงที่ ในทางกลับกัน แชทบอทสำหรับการประมวลผลภาษาธรรมชาติ (NLP) จะทำงานในลักษณะที่ลื่นไหลของรูปแบบคำพูด ภาษาที่ใช้พูด ไวยากรณ์และไวยากรณ์ที่ไม่ถูกต้อง และปัจจัยที่เปลี่ยนแปลงหลายอย่าง ด้วยแมชชีนเลิร์นนิง ข้อมูลที่ไม่คาดคิดหรือการคำนวณที่ไม่ถูกต้องอาจทำให้แบบจำลองหลงทาง และสิ่งที่เริ่มต้นเมื่อเครื่องมือที่มีประสิทธิภาพจะเสื่อมโทรมลงจนเปราะบาง เว้นแต่จะใช้กลยุทธ์การแก้ไข

การพัฒนา AI . ที่เชื่อถือได้

ศูนย์วิจัยร่วมของคณะกรรมาธิการยุโรปตั้งข้อสังเกตว่าการประเมินความน่าเชื่อถือ จำเป็น ต้องพิจารณาประสิทธิภาพและความเปราะบาง AI ที่เชื่อถือได้ทำงานตามที่คาดไว้แม้จะได้รับอินพุตที่ไม่รวมอยู่ในข้อมูลการฝึกอบรม สิ่งที่เรียกว่าอินพุตที่ไม่อยู่ในการกระจาย (OOD) สิ่งเหล่านี้คือจุดข้อมูลที่แตกต่างจากชุดการฝึก และ AI ที่เชื่อถือได้จะต้องสามารถตรวจจับได้ว่าข้อมูลเป็น OOD หรือไม่ ความท้าทายประการหนึ่งคือสำหรับบางรุ่น อินพุต OOD สามารถจัดประเภทด้วยความมั่นใจสูง ซึ่งหมายความว่าเครื่องมือ AI นั้นมีความน่าเชื่อถืออย่างเห็นได้ชัด ทั้งที่ความจริงแล้วไม่เป็นเช่นนั้น

ใช้หุ่นยนต์ส่งของอัตโนมัติ ระบบนำทาง AI ได้รับการปรับให้เหมาะสมเพื่อค้นหาเส้นทางที่ตรงที่สุดไปยังปลายทาง ชุดข้อมูลการฝึกอบรมมีข้อมูลตัวอย่างทั้งหมดที่ AI จำเป็นต้องจดจำทางเท้า ถนน ทางม้าลาย ทางม้าลาย ทางเท้า คนเดินถนน และตัวแปรอื่นๆ ทั้งหมด ยกเว้นรางรถไฟที่ตัดกับทางเดิน ในการทำงาน หุ่นยนต์จะระบุรางรถไฟในเส้นทางของมัน และในขณะที่พวกมันเป็น OOD นั้น AI จะคำนวณความมั่นใจอย่างสูงว่ารางเป็นเพียงทางเท้ารูปแบบใหม่ ซึ่งจะตามมาเพื่อเร่งการส่งมอบ เห็นได้ชัดว่า AI หลงทางเนื่องจากอินพุต OOD หากไม่ได้ถูกรถไฟชน มันจะตรวจสอบหุ่นยนต์ส่งของ “นี่คือเส้นทางที่ใช้งานได้” และอาจมองหารางรถไฟอื่นๆ ที่จะใช้ และผู้ดำเนินการอาจไม่มีใครฉลาดกว่า – จนกว่ารถไฟจะเข้ามา

AI ที่เชื่อถือได้นั้นแม่นยำเมื่อเผชิญกับอินพุตใหม่ ซึ่งแตกต่างจากประสิทธิภาพโดยเฉลี่ย แบบจำลองที่ให้ประสิทธิภาพโดยเฉลี่ยที่ดีอาจยังคงให้ผลลัพธ์เป็นครั้งคราวโดยมีผลกระทบที่สำคัญ ซึ่งขัดขวางความน่าเชื่อถือ หากเครื่องมือ AI มีความแม่นยำถึง 80% จะเป็นโมเดลที่น่าเชื่อถือหรือไม่? เรื่องที่เกี่ยวข้องกันคือความยืดหยุ่นต่อจุดอ่อน ไม่ว่าจะเป็นผลตามธรรมชาติจากการดำเนินงานหรือผลของการหาประโยชน์จากฝ่ายตรงข้าม

บทเรียนเรื่องความน่าเชื่อถือของข้อมูล

คุณภาพของแบบจำลองนั้นดีเท่ากับข้อมูลการฝึกอบรมและการทดสอบที่ใช้ในการพัฒนาเท่านั้น หากไม่มั่นใจในคุณภาพของข้อมูลเมื่อเทียบกับการเป็นตัวแทนของโลกแห่งความเป็นจริง เอาต์พุตของโมเดลอาจไม่ให้เอาต์พุตที่ถูกต้องแม่นยำในสภาพแวดล้อมการปฏิบัติงานได้อย่างน่าเชื่อถือ สำหรับสำนักงานความรับผิดชอบของรัฐบาลสหรัฐฯ ความน่าเชื่อถือของข้อมูลขึ้นอยู่กับ:

  • การบังคับใช้ – ข้อมูลมีการวัดคุณภาพที่เกี่ยวข้องหรือไม่?
  • ความสมบูรณ์ – ชุดข้อมูลถูกเติมลงในแอตทริบิวต์ทั้งหมดในระดับใด
  • ความแม่นยำ – ข้อมูลสะท้อนถึงโลกแห่งความเป็นจริงที่ชุดข้อมูลถูกรวบรวมหรือไม่?

สิ่งเหล่านี้เป็นองค์ประกอบที่ตัดขวางของข้อมูลที่น่าเชื่อถือ เช่นเดียวกับ AI ชุดข้อมูลจำเป็นต้องได้รับการดูแลจัดการอย่างเพียงพอ และในบางกรณี มีการติดป้ายกำกับหรือเสริมด้วยข้อมูลสังเคราะห์ ซึ่งสามารถชดเชยจุดข้อมูลที่ขาดหายไปหรือกรอกข้อมูลที่ได้รับการป้องกันที่ไม่สามารถ (หรือไม่ควร) ใช้ในการฝึกอบรมได้ ข้อมูลจะต้องถูกขัดเกลาสำหรับอคติแฝง ซึ่งบิดเบือนการฝึกแบบจำลองและนำไปสู่ผลลัพธ์ที่ไม่พึงประสงค์หรือการคาดคะเน

เช่นเดียวกับเครื่องมือ AI ข้อมูลการดำเนินงานในโลกแห่งความเป็นจริงจำเป็นต้องได้รับการตรวจสอบสำหรับแนวโน้มที่เปลี่ยนแปลงและความต้องการด้านวิทยาศาสตร์ข้อมูลที่เกิดขึ้นใหม่ ตัวอย่างเช่น แบบจำลองที่ทำการวิเคราะห์ความรู้สึกอาจได้รับการฝึกอบรมเพื่อให้คะแนนความรู้สึกผ่านตัวแปรหลายสิบตัว แต่หลังจากการปรับใช้ ทีม AI จะระบุตัวแปรอื่นๆ ที่จำเป็นต้องนำมาพิจารณาในการเลื่อนลอยของแบบจำลองและการฝึกใหม่

เช่นเดียวกับความน่าเชื่อถือ การบังคับใช้ข้อมูลไม่คงที่ ในทำนองเดียวกัน ความถูกต้องของข้อมูลอาจผันผวนตามประสิทธิภาพของเซ็นเซอร์ ไม่ว่าจะมีปัญหาด้านเวลาแฝงหรือความพร้อมใช้งาน หรือปัจจัยที่ทราบแล้วใดๆ ที่อาจขัดขวางความน่าเชื่อถือของข้อมูล

แนวปฏิบัติชั้นนำในการสร้าง AI ที่แข็งแกร่งและเชื่อถือได้

ไม่ว่าโมเดลจะถูกขัดขวางโดยข้อมูลที่ไม่คุ้นเคย ถูกรบกวนโดยผู้ประสงค์ร้าย หรือความผิดพลาดจากความแม่นยำ องค์กรควรฝังความสามารถในการประเมินความเสี่ยงของการปรับใช้ AI ไว้ในโครงการริเริ่ม ติดตามประสิทธิภาพตามข้อกำหนดที่กำหนด การวัด (หากไม่ได้วัด) ความทนทาน และ มีกระบวนการในการแก้ไขแบบจำลองที่ล้มเหลวหรือการดริฟท์เมื่อความน่าเชื่อถือลดลง เนื่องจากความน่าเชื่อถือมาจากความแข็งแกร่ง กิจกรรมบางอย่างที่สามารถนำไปสู่ความน่าเชื่อถือของ AI ได้แก่:

เกณฑ์มาตรฐานสำหรับความน่าเชื่อถือ

แม้ว่าการฝึกโมเดลจะดำเนินต่อไป ให้ระบุและกำหนดว่าการวัดประสิทธิภาพใดมีค่ามากที่สุดสำหรับการติดตามและการวัดความเชื่อถือได้ เกณฑ์มาตรฐานอาจรวมถึงวิธีการทำงานของระบบ AI เทียบกับประสิทธิภาพของมนุษย์ ซึ่งเหมาะสมอย่างยิ่งเนื่องจากโมเดลการเรียนรู้เชิงลึกพยายามเลียนแบบการรับรู้ของมนุษย์

ดำเนินการตรวจสอบข้อมูล

ในฐานะองค์ประกอบของการทดสอบ ให้ทบทวนการประเมินความน่าเชื่อถือของข้อมูล การดำเนินการแก้ไข และตัวอย่างข้อมูลจากการฝึกอบรม ดึงดูดผู้มีส่วนได้ส่วนเสียด้านข้อมูล (เช่น ผู้นำด้านไอที ผู้เชี่ยวชาญด้านกฎหมาย นักจริยธรรม) เพื่อสำรวจคุณภาพของข้อมูลและความน่าเชื่อถือ โมเดล AI ต้องการชุดข้อมูลที่สะท้อนถึงโลกแห่งความเป็นจริง ดังนั้นในฐานะองค์ประกอบของการตรวจสอบข้อมูล ให้ตรวจสอบระดับว่าชุดข้อมูลใดมีความสมดุล ไม่เอนเอียง นำไปใช้ได้ และสมบูรณ์

ตรวจสอบความน่าเชื่อถือเมื่อเวลาผ่านไป

ความน่าเชื่อถือพัฒนาไปตลอดวงจรชีวิตของ AI เมื่อผลลัพธ์ของแบบจำลองหรือการคาดการณ์แตกต่างไปจากที่คาดไว้ ให้จัดหมวดหมู่ข้อมูลสำหรับการวิเคราะห์และการตรวจสอบ ประเภทของข้อมูลที่มักใช้ในการวิเคราะห์นี้ ได้แก่ เวลาต่อเหตุการณ์ (นานแค่ไหนจนกว่าแบบจำลองจะแยกจากกัน) ข้อมูลการเสื่อมคุณภาพ (ข้อมูลโดยรอบว่าแบบจำลองลดลงอย่างไร) และ ข้อมูลเหตุการณ์ที่เกิดซ้ำ (ข้อผิดพลาดที่เกิดขึ้นมากกว่าหนึ่งครั้ง)

ค่าประมาณความไม่แน่นอน

ความฉลาดสร้างความมั่นใจ เพื่อให้มองเห็นได้ลึกซึ้งยิ่งขึ้นว่า AI ทำงานอย่างไร มีเครื่องมือที่อนุญาตให้โมเดลรายงานระดับของความไม่แน่นอนควบคู่ไปกับการคาดการณ์หรือผลลัพธ์ สิ่งนี้นำไปสู่ความไว้วางใจในระบบที่แข็งแกร่ง หากแบบจำลองรายงานความไม่แน่นอนสูง นั่นเป็นความเข้าใจอันมีค่าสำหรับผู้ปฏิบัติงานที่เป็นมนุษย์หรือ AI เครือข่ายอื่น การประมาณความไม่แน่นอนสามารถตั้งค่าสถานะโมเดลการเคลื่อนตัว เน้นการเปลี่ยนแปลงในข้อมูล หรือสร้างความตระหนักรู้ว่าตัวอย่างที่เป็นปฏิปักษ์เข้าสู่สตรีมข้อมูล

การจัดการดริฟท์

ผู้ปฏิบัติงานสามารถประเมินการเคลื่อนตัวโดยการเปรียบเทียบอินพุตและเอาต์พุตของโมเดลระหว่างการปรับใช้จริงกับอินพุตและเอาต์พุตในชุดอ้างอิง ความคล้ายคลึงกันถูกวัดเป็นคู่ระหว่างการป้อนข้อมูลการทดสอบและการฝึกอบรม โดยแบ่งส่วนผลลัพธ์ออก โดยการรักษาความเข้าใจอย่างใกล้ชิดว่าอินพุตและเอาต์พุตเปลี่ยนแปลงอย่างไรเมื่อเทียบกับชุดอ้างอิง ผู้ปฏิบัติงานที่เป็นมนุษย์จึงอยู่ในตำแหน่งที่จะดำเนินการแก้ไข (เช่น ฝึกแบบจำลองใหม่)

การเรียนรู้อย่างต่อเนื่อง

สร้างเวิร์กโฟลว์การเรียนรู้อย่างต่อเนื่องเพื่อตรวจสอบประสิทธิภาพของโมเดลเทียบกับเกณฑ์ที่ยอมรับได้ที่กำหนดไว้ล่วงหน้า เกณฑ์เหล่านี้อาจรวมถึงการวัดความยืดหยุ่นของระบบที่ยังคงอยู่เมื่อเผชิญกับการรบกวนเล็กน้อย ตลอดจนข้อจำกัดด้านความปลอดภัยสำหรับระบบและสภาพแวดล้อมในการทำงาน ส่วนหนึ่งของสิ่งนี้ ให้คงรักษาเฟรมเวิร์กการควบคุมเวอร์ชันข้อมูลเพื่อให้สามารถตรวจสอบได้ ความโปร่งใส และความสามารถในการทำซ้ำของโมเดล AI

อยู่ระหว่างการทดสอบ

พัฒนาระบอบการทดสอบที่มีความแปรปรวน (เช่น การเปลี่ยนแปลงในระบบหรือข้อมูลการฝึกอบรม) เพื่อประเมินว่า AI แข็งแกร่งพอที่จะทำงานตามที่ตั้งใจหรือไม่ ความถี่ที่โมเดลได้รับการตรวจสอบความทนทานและความถูกต้องควรขึ้นอยู่กับลำดับความสำคัญของโมเดลและความถี่ที่โมเดลได้รับการอัปเดต อาจมีการตรวจสอบแบบจำลองที่มีความเสี่ยงสูงและอัปเดตเป็นประจำทุกวัน (ด้วยผลลัพธ์ที่ตรวจสอบโดยเจ้าหน้าที่) สามารถตรวจสอบโมเดลที่มีลำดับความสำคัญต่ำที่เปลี่ยนแปลงช้ากว่าได้บนไทม์ไลน์ที่ยาวขึ้น ในบางกรณีโดยใช้ API สำหรับการประเมินการทำงานอัตโนมัติ ผลของการตรวจสอบเหล่านี้ควรกระตุ้นให้มีการสอบสวนและแก้ไขข้อยกเว้น ความคลาดเคลื่อน และผลลัพธ์ที่ไม่ตั้งใจ

สำรวจแนวทางทางเลือก

เนื่องจากความทนทานและความสามารถในการสรุปรวมเป็นพื้นที่ของการวิจัยเชิงรุก เครื่องมือ การออกแบบ และยุทธวิธีใหม่ ๆ จะยังคงปรากฏให้เห็นและก้าวหน้าในสนามต่อไป สิ่งเหล่านี้น่าจะเป็นแนวทางทางเทคนิค และผู้เชี่ยวชาญด้านวิทยาศาสตร์ข้อมูลขององค์กรอยู่ในตำแหน่งที่จะสำรวจว่าแนวคิดใหม่ๆ สามารถสนับสนุน AI ที่ปรับใช้ ตลอดจนการพัฒนาแบบจำลองได้อย่างไร ตัวอย่างเช่น “แบบจำลองที่มีข้อจำกัด Lipschitz” มีอนุพันธ์แบบผูกมัดที่สามารถช่วยให้โครงข่ายประสาทเทียม แข็งแกร่งขึ้นเมื่อเปรียบเทียบกับตัวอย่างที่เป็น ปฏิปักษ์ อย่างง่ายที่สุด พวกเขาส่งเสริมและสามารถรับรองว่าการรบกวนเล็กน้อยในการป้อนข้อมูลทำให้เกิดการเปลี่ยนแปลงเพียงเล็กน้อยในผลลัพธ์

โพสต์ 7 เทคนิคสำหรับการสร้างแบบจำลอง AI ที่เชื่อถือได้ ปรากฏตัวครั้งแรกใน อนาคต

การสร้างความไว้วางใจและการประเมินความซื่อสัตย์ในขณะที่คุณสัมภาษณ์

การสร้างความน่าเชื่อถือตั้งแต่เนิ่นๆ ถือเป็นส่วนสำคัญของกระบวนการสัมภาษณ์ ไม่มีอะไรสำคัญไปกว่าถ้าคุณไม่คิดว่าคุณสามารถไว้ใจใครซักคนได้ หวังว่าคุณจะสร้างความไว้วางใจด้วยวิธีการสัมภาษณ์ การอ้างอิง เซสชันการทำงาน ฯลฯ หลายๆ ครั้ง – แต่คุณจะรู้สึกสบายใจกับคนที่คุณพบเป็นครั้งแรกในกระบวนการสัมภาษณ์ได้อย่างไร และในทางกลับกัน

ด้วยเหตุนี้ ข้อผิดพลาดพื้นฐานประการหนึ่งที่ผู้จัดการจ้างงานทำคือการมุ่งเน้นที่การประเมินทักษะของผู้สมัครจนลืมความสำคัญของการสร้างความไว้วางใจตั้งแต่เนิ่นๆ ในการประชุมครั้งแรก บ่อยครั้งการตอบกลับคือ “ฉันจะสร้างความไว้วางใจเมื่อฉันรู้ว่าฉันต้องการใครสักคนสำหรับบทบาทนี้” ข้อเสนอแนะของฉันคือทำสิ่งที่ตรงกันข้าม: สร้างความไว้วางใจไม่ว่าคุณจะเห็นผู้สมัครคนนั้นในบทบาทหรือไม่

ฉันแนะนำให้สร้างความไว้วางใจตั้งแต่เนิ่นๆ ด้วยเหตุผลหลายประการ:

  • การสร้างระดับความไว้วางใจพื้นฐานตั้งแต่เนิ่นๆ จะช่วยให้คุณ สนทนากับผู้สมัครได้ครอบคลุมและตรงไปตรงมา มากขึ้น สิ่งนี้จะช่วยให้ประเมินพวกเขาได้ดีขึ้นและเข้าใจดีขึ้นว่าพวกเขาจะเข้ากับองค์กรและทีมของคุณได้อย่างไร
  • เราอาศัยอยู่ในโลกที่เชื่อมต่อกันและผู้คนชอบพูดคุย เมื่อผู้สมัครที่ไม่ได้เสนอข้อเสนอยังคงได้รับความไว้วางใจและความสะดวกสบายในกระบวนการของพวกเขากับคุณ เรื่องราวที่พวกเขาบอกเกี่ยวกับคุณและบริษัทของคุณจะเสริมสร้างชื่อเสียงของคุณในตลาด
  • ผู้สมัครบางคนจะหยุดหรือทำให้กระบวนการช้าลงหากพวกเขาไม่ได้ออกจากการประชุมครั้งแรกด้วยความรู้สึกไว้วางใจหรือเปิดใจ เมื่อผู้สมัครประเมินว่าพวกเขาต้องการทำงานร่วมกับคุณหรือไม่ คำถามพื้นฐานที่สำคัญคือ พวกเขาคิดว่าคุณจะกลับมาเป็นผู้จัดการของพวกเขา หรือไม่ พวกเขาต้องการรู้ว่านอกจากการมุ่งเน้นไปที่การแสดงของพวกเขาแล้ว คุณจะต้องการช่วยให้พวกเขาประสบความสำเร็จ ให้การสนับสนุนพวกเขา ให้ประโยชน์จากข้อสงสัย ยุติธรรม และอื่นๆ แก่พวกเขา ควรมีสัญญาณเพียงพอในการประชุมครั้งแรกเพื่อช่วยให้ผู้สมัครเริ่มตอบคำถามเหล่านี้ หากคุณได้รับการปกป้องมากเกินไปและไม่สร้างความเชื่อถือในระดับพื้นฐานนี้ในฐานะผู้สัมภาษณ์ คุณอาจเสี่ยงที่จะสูญเสียพรสวรรค์ที่ยอดเยี่ยมก่อนที่คุณจะมีโอกาสประเมินพวกเขาอย่างแท้จริง
  • หากคุณเป็น CEO ผู้สมัครมักจะตั้งสมมติฐานเกี่ยวกับวัฒนธรรมของบริษัทและรูปแบบความเป็นผู้นำของคุณตามการประชุมครั้งแรกกับคุณ ดังนั้น ในฐานะ CEO สิ่งสำคัญยิ่งกว่าสำหรับคุณคือการสร้างความรู้สึกไว้วางใจ การสนับสนุน และความสบายใจในการพบปะครั้งแรกกับผู้สมัคร จำไว้ว่า คุณไม่ได้เป็นเพียงตัวแทนของตัวคุณเอง แต่ยังรวมถึงวิสัยทัศน์และค่านิยมของบริษัทที่คุณเป็นผู้นำ ด้วย

วิธีสร้างความไว้วางใจในการสัมภาษณ์เบื้องต้น

ประการแรก สิ่งสำคัญคือต้องรู้ว่าความไว้วางใจเป็น ปรากฏการณ์ เชิงสัมพันธ์ (อ่าน: “ถนนสองทาง”) ซึ่งหมายความว่าทั้งคุณและผู้สมัครต้องใช้ความพยายามเพื่อสร้างบทสนทนาที่เปิดกว้างและไว้วางใจได้ เป็นงานของคุณในฐานะผู้สัมภาษณ์ที่จะเปิดประตูนั้นและสร้างเงื่อนไขที่จะอนุญาตให้มีการเจรจาดังกล่าว เมื่อคุณเปิดประตูแล้ว คุณจะเห็นว่าผู้คนต่างตอบสนองต่อการเปิดกว้างนั้นอย่างไร จุดประสงค์คือเพื่อให้พื้นที่สำหรับผู้สมัครเปิดกว้างมากขึ้นและเพื่อแบ่งปันข้อมูลเชิงลึกเกี่ยวกับประสบการณ์ของพวกเขา ซึ่งจะช่วยให้คุณเข้าใจคุณสมบัติของพวกเขาสำหรับบทบาทได้ดีขึ้น

สิ่งที่ควรทราบอีกประการหนึ่งคือ นี่ ไม่ใช่ วิธีประเมินเข็มทิศทางศีลธรรมหรือความซื่อสัตย์ของผู้สมัคร ซึ่งเป็นงานที่แตกต่างไปจากเดิมอย่างสิ้นเชิง การสร้างความไว้วางใจนั้นเป็นเรื่องของสภาพแวดล้อมที่คุณสร้างขึ้นในระหว่างการสัมภาษณ์ หากคุณกังวลเกี่ยวกับระดับความซื่อสัตย์ของผู้สมัครหรือแนวโน้มที่จะฉ้อโกง การสร้างบทสนทนาที่สะดวกสบายกับพวกเขามีความสำคัญมากขึ้นเรื่อยๆ: เมื่อพวกเขารู้สึกสบายใจและเปิดกว้าง คุณสามารถถามคำถามที่ตรงไปตรงมามากขึ้นและอ่านผู้สมัครได้ดีขึ้น

ต่อไปนี้คือคำแนะนำบางประการในการสัมภาษณ์ที่ควรทราบ:

  • การพบกันครั้งแรกควรเป็นการทำความรู้จักกับใครสักคน สัญญาณที่ดีคือพวกเขาปล่อยวางและเปิดใจบ้างหรือไม่ ความสัมพันธ์และความไว้วางใจเกิดขึ้นระหว่างบุคคลสองคนหรือไม่ หากผู้สมัครไม่เปิดใจ พวกเขาอาจจะปกป้องคุณเกินกว่าจะแจ้งให้คุณทราบถึงบุคลิกที่แท้จริงของพวกเขา คนส่วนใหญ่ต้องใช้เวลาในการแสดงตัวตนในการสัมภาษณ์ที่เตรียมไว้และแสดงตัวตนของพวกเขาให้มากขึ้น แต่ฉันจะพิจารณายอมแพ้หากไม่เกิดขึ้นหลังจากการสัมภาษณ์ 1 ชั่วโมงสองครั้งสองครั้ง
  • ในการประชุมครั้งแรก ให้ถามคำถามที่พวกเขาไม่ได้เตรียมไว้และดูว่าพวกเขาจะตอบสนองอย่างไรเมื่อถูกโยนทิ้ง พวกเขาถูกปิดมากขึ้นหรือเปิดขึ้นง่าย ๆ ?
  • ที่สำคัญที่สุด ใช้ทุกโอกาสเพื่อ แบ่งปันประสบการณ์และความคิดของคุณเองในหัวข้อเหล่านี้ จุดประสงค์คือเพื่อสร้างความสามัคคีในขณะที่เรียนรู้เกี่ยวกับพวกเขา การอ่อนแอในตัวเองจะช่วยสร้างพื้นที่ปลอดภัย

อีกสิ่งหนึ่งที่ควรคำนึงถึง: สำหรับพวกเราบางคน ความไว้วางใจจำเป็นต้องได้รับก่อนที่จะได้รับ สำหรับคนอื่น ๆ ความไว้วางใจจะได้รับจนกว่าจะถูกทำลาย ให้ความคิดบางอย่างเกี่ยวกับมุมมองที่คุณมีต่อเรื่องนี้ เพราะความเชื่อใจใช้ได้ผลสำหรับคุณเป็นการส่วนตัว สำหรับพวกเราที่ต้องการความไว้เนื้อเชื่อใจ เราควรถามคำถามที่จะให้คำตอบสำหรับคำถามนี้ว่า “ฉันจะสร้างความไว้วางใจด้วยและในตัวบุคคลนี้ได้อย่างไร” ในขณะที่สำหรับพวกเราที่อาจสูญเสียความไว้วางใจ คำถามคือ “บุคคลนี้หรือบุคคลใด ๆ ต้องทำอย่างไรจึงจะสูญเสียความไว้วางใจของฉัน” ด้วยคำถามภายในเหล่านี้ คุณจะสามารถกำหนดสิ่งที่ถูกต้องเพื่อหารือในการสัมภาษณ์ครั้งนั้นได้*

ต่อไปนี้เป็นตัวอย่างคำถามสัมภาษณ์ที่สามารถเปิดประตูสู่การทำความเข้าใจผู้สมัคร :

  • บอกฉันเกี่ยวกับวัยเด็กของคุณ คุณมีค่าอะไรจากพ่อแม่/ครอบครัวหรือพี่เลี้ยงของคุณ (โค้ชและครู)?
  • คุณพยายามปลูกฝังค่านิยมอะไรในทีมของคุณ?
  • ทีมชั้นนำสามารถเป็นการเมืองได้ – ทำไมไม่อยู่บนพื้นฐานของคุณธรรม? คุณพบหนทางสู่ความสำเร็จได้อย่างไร? Playbook ของคุณคืออะไร?
  • คุณรู้ได้อย่างไรว่าใครควรไว้วางใจและใครไม่ควรไว้วางใจ? คุณเคยถูกเผาไหม? คุณเรียนอะไร? (ดูตัวอย่าง คนที่ให้ความสำคัญกับความสัมพันธ์ที่เชื่อถือได้ควรมีคำตอบที่นี่)
  • คุณชอบวัฒนธรรมองค์กรใดและไม่ชอบวัฒนธรรมใด และเพราะเหตุใด
  • ใครคือเจ้านายที่แย่ที่สุดของคุณและทำไม?
  • บอกฉันเกี่ยวกับความล้มเหลวของคุณ
  • ประสบการณ์ชีวิตใดที่ส่งผลกระทบมากที่สุดต่อตัวคุณในวันนี้?
  • บอกฉันเกี่ยวกับสถานการณ์ระหว่างบุคคลที่ยากลำบากและวิธีที่คุณตอบสนองต่อสถานการณ์นั้น
  • บอกฉันว่าคุณมีปัญหาด้านจริยธรรมเมื่อใดและจัดการอย่างไร
  • คุณมักจะเข้าใจผิดได้อย่างไร?

ตามหลักการแล้ว คุณจะได้รับผู้สมัครเพื่อบอกเล่าเรื่องราวเกี่ยวกับคำถามเหล่านี้ ฟังสำหรับรูปแบบ เพื่อให้ลักษณะบุคลิกภาพได้รับการพิจารณาว่าเป็นปัญหา จะต้องปรากฏขึ้นหลายครั้งในชีวิตของบุคคล ฉันชอบถามเกี่ยวกับทั้งประสบการณ์การทำงานและชีวิตส่วนตัว และฉันก็มองหาเรื่องราวประเภทเดียวกันที่ปรากฏขึ้นซ้ำแล้วซ้ำเล่า ซึ่งมักจะเกี่ยวข้องกับการรบกวนในความสัมพันธ์ระหว่างบุคคล

ในตอนท้ายของการดำน้ำลึกนี้ คุณควรมีความรู้สึกที่ดีว่ามีคนให้ความสำคัญกับความน่าไว้วางใจในความสัมพันธ์อย่างไร โดยทั่วไป การประเมินผ่านตัวอย่างจะดีกว่าการถามคำถาม

วิธีประเมินความซื่อสัตย์ในตัวผู้สมัคร

การสัมภาษณ์เพื่อความไว้วางใจนั้นแตกต่างจากการสัมภาษณ์เพื่อความซื่อสัตย์ เหตุผลก็คือการสร้างความไว้วางใจเป็น ปรากฏการณ์ เชิงสัมพันธ์ ที่เกิดขึ้นเมื่อพบปะ/โต้ตอบกับใครบางคน ในขณะที่การประเมินความซื่อตรงของตนเป็น ปรากฏการณ์ ส่วนบุคคล ไม่ว่าฉันจะรู้สึกว่าฉันสามารถเชื่อใจคุณได้หรือไม่ก็ตาม ในระหว่างการประชุมนั้นขึ้นอยู่กับชุดของสิ่งที่เกิดขึ้นระหว่างเราที่มีความเฉพาะเจาะจงมากสำหรับการโต้ตอบนั้น การที่ใครสักคนมีความซื่อตรงไม่ใช่ ความรู้สึก แต่เป็น ลักษณะบุคลิกภาพ ที่ผู้สัมภาษณ์จำเป็นต้องประเมิน

แต่ ความซื่อสัตย์ คือ อะไร? เมื่อเสี่ยงต่อการทำให้เข้าใจง่ายเกินไป ความซื่อตรงคือทั้งหมดที่เกี่ยวกับการรักษาคำพูดของ คุณ คุณทำในสิ่งที่คุณบอกว่าคุณกำลังจะทำ เมื่อทีมทำงานด้วยความซื่อสัตย์ พวกเขาจะมีพลังมากขึ้น หากทีมมุ่งมั่นที่จะมีเจตนาร่วมกันและมุมมองร่วมกันเพราะพวกเขาทำตามคำมั่นสัญญา

เมื่อหลายปีก่อน ฉันโชคดีที่ได้รู้จัก Chris McGoff ผู้เขียน The Primes ซึ่งเป็นหนังสือที่ยอดเยี่ยมที่ฉันพูดถึงบ่อยๆ เขาเขียนว่า

“คุณธรรมไม่ได้ขึ้นอยู่กับคุณค่าหรือศีลธรรม มันขึ้นอยู่กับการให้เกียรติและรักษาคำพูดของคุณ เมื่อผู้คนเลือกที่จะทำงานด้วยความซื่อสัตย์ คำพูดของพวกเขาเกี่ยวกับอนาคตทำให้เกิดอนาคต ผู้คนไว้วางใจพวกเขา พวกเขาไปถึงระดับของประสิทธิภาพที่ไม่เช่นนั้นจะไม่สามารถบรรลุได้”

ยิ่งไปกว่านั้น คริสยังใช้แนวทางที่แน่วแน่ต่อความซื่อสัตย์สุจริตโดยระบุว่าทั้งหมดหรือไม่มีเลย: “กฎคือไม่มีสัญญาเล็กหรือใหญ่ มีเพียงคำสัญญา และจะรักษาสัญญา”

ฉันมักจะเห็นด้วยกับคริส ยกเว้นอย่างหนึ่งคือการรับรู้ว่าคนๆ นั้นทำงานหนักเพียงใดหรือพยายามรักษาสัญญา หากทีมมุ่งมั่นซึ่งกันและกันเพื่อชนะเกมและทุกคนแข่งขันกันจนหมดแรงและ “ทิ้งทุกอย่างไว้ในสนาม” พวกเขาไม่ได้รักษาสัญญาที่ให้กันหากพวกเขาแพ้ในเกมหรือไม่? คุณประเมินเฉพาะผลลัพธ์และเพิกเฉยต่อการกระทำที่พยายามรักษาสัญญาเพื่อจุดประสงค์ใด

เมื่อทำความรู้จักกับใครบางคนที่อาจเข้าร่วมองค์กรของคุณ ฉันขอแนะนำให้สัมภาษณ์พวกเขาเกี่ยวกับพฤติกรรมที่แสดงความซื่อสัตย์สุจริต ความซื่อสัตย์ภายใต้คำจำกัดความอื่นๆ อาจเป็นเรื่องยากที่จะสัมภาษณ์ แต่ในบริบทของการรักษาคำมั่นสัญญาจะง่ายกว่าเล็กน้อย คำถามที่ดีบางข้อเพื่อวัดว่าพวกเขาเข้าใจและชื่นชมความหมายของคำพูดหรือไม่ ได้แก่

  • เมื่อไหร่ที่พวกเขา ปฏิเสธ หรือผลักดันอะไรบางอย่าง? พวกเขาเคยบอกเจ้านายหรือไม่ว่า “ฉันทำไม่ได้เพราะฉันไม่เห็นเส้นทางที่จะทำมันให้สำเร็จ”? บางคนอาจมองว่านี่เป็นแง่ลบ แต่ฉันมองว่าเป็นคนที่ใช้คำพูดอย่างจริงจัง
  • ถามพวกเขาเมื่อพวกเขาสัญญาว่าพวกเขาไม่สามารถรักษาได้ พวกเขาดำเนินการนี้อย่างไร พวกเขามีอารมณ์หรือหงุดหงิดอย่างอื่นที่พวกเขาไม่สามารถรักษาสัญญาได้ และพวกเขาจัดการมันอย่างไร?
  • ขอให้พวกเขาติดตามผลเกี่ยวกับสิ่งที่พูดคุยในการสัมภาษณ์และกำหนดพารามิเตอร์บางอย่างโดยรอบ ตรวจสอบให้แน่ใจว่าพวกเขาเข้าใจว่าพวกเขากำลังสัญญาว่าจะปฏิบัติตาม คุณจะได้รับความกระจ่างว่าพวกเขาให้คุณค่ากับสัญญาอย่างไรขึ้นอยู่กับผลลัพธ์

ฉันมีโอกาสได้ร่วมงานกับคนที่น่าทึ่งตลอดหลายปีที่ผ่านมา รวมถึงทีมผู้มีความสามารถที่น่าทึ่งที่ a16z ด้วย ทีมที่มีประสิทธิภาพสูงสุดรู้ดีว่า การ ตกลงในบางสิ่งหมายความว่าอย่างไร . . เพื่อให้คำมั่นสัญญา ลองนึกภาพถ้าคุณเป็นส่วนหนึ่งของทีมที่ลงชื่อสมัครใช้คำจำกัดความของความซื่อสัตย์นี้ ฉันคิดว่ามันเป็นความมุ่งมั่นที่ยิ่งใหญ่ที่สุดที่คุณสามารถทำกับเพื่อนร่วมทีมของคุณ

* ขอบคุณ Jerry Colonna สำหรับมุมมองของเขาเกี่ยวกับคำถามภายในเหล่านี้

โพสต์ การ สร้างความน่าเชื่อถือและการประเมินความซื่อสัตย์ในขณะที่คุณสัมภาษณ์ ปรากฏตัวครั้งแรกใน อนาคต