Χρήση AI και μηχανικής μάθησης για την παρακολούθηση των εργαζομένων

Το 2022, η IBM ανέφερε ότι περίπου 35% των εταιρειών had adopted AI, and another 42% were "exploring" it. The word "exploring" has an important connotation here.

Συχνά, οι επιχειρήσεις έχουν πολλά να σκεφτούν όταν πρόκειται να αναθεωρήσουν τα συστήματα και τις διαδικασίες τους. Ως εκ τούτου, εκτεταμένες λειτουργίες όπως η παρακολούθηση των εργαζομένων συχνά μένουν πίσω και συνεχίζουν να βασίζονται στην παλαιά υποδομή.

Αλλά τα πράγματα έχουν αλλάξει πολύ τον τελευταίο περίπου χρόνο. Πολλά μπορούν να αποδοθούν στην ανάπτυξη των λύσεων γεννητικής τεχνητής νοημοσύνης (gen AI). McKinsey calls 2023 as "Generative AI's breakout year." The consulting giant says that companies using gen AI for performance management and organisation design are already ahead of their competitors.

Όταν μιλάμε για την επιρροή της ΤΝ στη διαχείριση των επιδόσεων του εργατικού δυναμικού, μια επιχειρηματική λειτουργία που επωφελείται πάρα πολύ είναι η παρακολούθηση των εργαζομένων.

Για πολύ καιρό, οι λειτουργίες παρακολούθησης των εργαζομένων περιορίζονταν στην καταγραφή μάλλον ψυχρών δεδομένων που θα μπορούσαν να εξυπηρετήσουν ορισμένες μετρήσεις (όπως ο αριθμός των ωρών εργασίας). Αυτά τα δεδομένα δεν έχουν το πλαίσιο για το πώς και το γιατί της δέσμευσης και της απόδοσης των εργαζομένων.

In other words, there's no qualitative aspect that could unearth the root causes for the drop in productivity or other anomalous work patterns. AI helps solve this problem by helping move from "cold data" to "insights." With AI, the employee monitoring function becomes more oriented towards deciphering work habits, productivity, strengths, weaknesses, etc.

Για παράδειγμα, αναλογιστείτε την περίπτωση μιας ομάδας ανάπτυξης λογισμικού που χρησιμοποιεί μια παραδοσιακή λύση παρακολούθησης εργαζομένων για τη βελτιστοποίηση της απόδοσης. Το εργαλείο παρέχει τα δεδομένα για τον αριθμό των δεσμεύσεων κώδικα ή τις ώρες καταγραφής. Όμως, αυτό δεν αποδίδει την πολυπλοκότητα του συγκεκριμένου έργου, το επίπεδο συνεργασίας που θα ήταν απαραίτητο, τις παρατυπίες που θα μπορούσαν να έχουν εμφανιστεί.

Τώρα, ας υποθέσουμε το ίδιο σενάριο, αλλά η ομάδα χρησιμοποιεί μια λύση παρακολούθησης εργαζομένων με τεχνητή νοημοσύνη. Η πλατφόρμα κάνει ό,τι θα έκανε μια παραδοσιακή λύση, αλλά παρέχει επίσης πληροφορίες σχετικά με τα πρότυπα επικοινωνίας, το επίπεδο συνεργασίας, την αποτελεσματικότητα επίλυσης προβλημάτων, τον μηχανισμό ανατροφοδότησης κ.λπ.

Πώς; Παρατηρώντας κάθε μικρή λεπτομέρεια σχετικά με την εργασία και αποκαλύπτοντας πρότυπα που θα μπορούσαν να βοηθήσουν περαιτέρω στη διαμόρφωση βέλτιστων πρακτικών για βελτίωση. Για παράδειγμα, ένα σύστημα τεχνητής νοημοσύνης μπορεί να αναμεταδώσει εάν οι δεσμεύσεις κώδικα ενός συγκεκριμένου προγραμματιστή δεν συνεπάγονται επακόλουθες διορθώσεις σφαλμάτων. Η διαδικασία του προγραμματιστή μπορεί να καθιερωθεί ως βέλτιστη πρακτική.

Ομοίως, το σύστημα μπορεί να βοηθήσει στην κατανόηση του αν η παραγωγικότητα του προγραμματιστή είναι μειωμένη κατά τη διάρκεια μιας συγκεκριμένης ώρας της ημέρας. Με αυτόν τον τρόπο, η ομάδα μπορεί να ανακατανείμει την εργασία και να κατανοήσει καλύτερα τα πρότυπα εργασίας.

Γίνεται πολύς λόγος για τις επιπτώσεις στην ασφάλεια με τις λύσεις παρακολούθησης των εργαζομένων, και αυτό είναι κατανοητό. Μιλάμε για την παρακολούθηση των ανθρώπων και των καθημερινών εργασιακών δραστηριοτήτων τους. Επομένως, είναι βέβαιο ότι υπάρχουν ανησυχίες - ακριβώς γι' αυτό έχουν δημιουργηθεί κανονισμοί όπως ο Γενικός Κανονισμός για την Προστασία Δεδομένων (GDPR) της Ευρώπης.

Φυσικά, υπάρχει και η συναινετική πλευρά αυτής της ιστορίας. Αλλά προς το παρόν επικεντρωνόμαστε μόνο στο μέτωπο της τεχνολογίας. Για το σκοπό αυτό, η ενσωμάτωση της ΤΝ προσφέρει πολλά πλεονεκτήματα στους οργανισμούς όσον αφορά:

• Εκμάθηση της τυπικής συμπεριφοράς των χρηστών και εντοπισμός οτιδήποτε είναι ανώμαλο σε σχέση με αυτή.
• Κατανόηση των προτύπων πρόσβασης σε ευαίσθητα δεδομένα και επισήμανση τυχόν δραστηριοτήτων που φαίνονται ασυνήθιστες
• Ρύθμιση αυτοματοποιημένων ειδοποιήσεων για ύποπτα περιστατικά ασφαλείας και παροχή στις ομάδες ασφαλείας της δυνατότητας να αναλάβουν προληπτική δράση αντί να καταφεύγουν σε εκ των υστέρων ανάλυση
• Ανίχνευση τυχόν δραστηριοτήτων εσωτερικής απειλής, διασφαλίζοντας ότι οτιδήποτε υπερβαίνει το κανονικό πρότυπο συμπεριφοράς στην εργασία γίνεται αμέσως αντιληπτό.
• Αποκλεισμός της μεταφοράς οποιασδήποτε ευαίσθητης πληροφορίας εντός και εκτός του δικτύου της εταιρείας

Ας ποσοτικοποιήσουμε αυτές τις δυνατότητες για να κατανοήσουμε την απτή αξία τους. Κατά τη διάρκεια των πρώτων ημερών του αποκλεισμού του COVID-19 το 2020, οι απομακρυσμένοι εργαζόμενοι δέχονταν συνεχώς επιθέσεις από κακόβουλους χρήστες. Deloitte ανέφεραν πενταπλασιασμό, από 12% σε 60%, των επιθέσεων σε απομακρυσμένους εργαζόμενους κατά τη διάρκεια αυτής της περιόδου.

Αλλού, το κόστος των απειλών εκ των έσω έφθασε τις 15,38 εκατομμύρια δολάρια το 2022. Μια ειδική έκθεση για τις ΗΠΑ έδειξε ότι οι επιχειρήσεις αντιμετωπίζουν περίπου 2.200 επιθέσεις εσωτερικής ασφάλειας σε καθημερινή βάση.

So, what would be the ideal AI-employee monitoring solution in the wake of looming cyber threats? By keeping "security" at the forefront. CleverControl's Face Recognition feature is one such AI-powered surveillance solution that makes for better data and employee security.

Ερευνήσαμε αρκετά στελέχη και καταλάβαμε ότι αγωνίζονταν να:

• Αποτρέψτε τους ανθρώπους από το να επιτρέπουν σε ένα εξωτερικό πρόσωπο να καλύψει την εργασία τους
• Βεβαιωθείτε ότι οι εργαζόμενοι δεν εξαπατούσαν ανοίγοντας εφαρμογές παραγωγικότητας και ότι όντως παρακολουθούσαν το γραφείο εργασίας τους όταν εργάζονταν εξ αποστάσεως.

Ως εκ τούτου, φέραμε το Αναγνώριση προσώπου χαρακτηριστικό στη λύση παρακολούθησης, η οποία θα μπορούσε να καταγράφει τους υπαλλήλους (τραβώντας μια φωτογραφία κάθε πέντε δευτερόλεπτα) και να διασφαλίζει ότι καμία μη εξουσιοδοτημένη οντότητα δεν θα διασκεδάζει την εργασία ενός υπαλλήλου. Αυτό αποδείχθηκε βιώσιμη λύση για πολλούς οργανισμούς, ιδίως για εκείνους που ανήκουν σε σχετικά αυστηρά ρυθμιζόμενους κλάδους, όπως ο χρηματοπιστωτικός.

Οι επιχειρήσεις τονίζουν ότι οι εργαζόμενοι είναι το πολυτιμότερο περιουσιακό τους στοιχείο, αλλά αυτό δεν αντικατοπτρίζεται, μερικές φορές, στην πράξη. Οι λόγοι μπορεί να είναι πολλαπλοί, συμπεριλαμβανομένων εκείνων που δεν έχουν καμία σχέση με τα συστήματα και την τεχνολογία. Για χάρη αυτής της συζήτησης, θα τις αποφύγουμε. Ας επικεντρωθούμε στις λειτουργικές και τεχνολογικές αναστολές.

Συχνά, οι λειτουργικές εμπλοκές μπορεί να οδηγήσουν σε εξουθένωση των εργαζομένων, άδικες αξιολογήσεις της απόδοσης και πολλά άλλα. Όμως η τεχνητή νοημοσύνη έρχεται να σώσει την κατάσταση με πλήθος πλεονεκτημάτων. Για παράδειγμα, η παρακολούθηση με τεχνητή νοημοσύνη μπορεί να βοηθήσει:

• Κατανομή του φόρτου εργασίας ανάλογα με την εργασιακή επάρκεια μιας ομάδας ή ενός ατόμου. Οι ομάδες μπορούν να κατανοήσουν τα πρότυπα εργασίας και να ζητήσουν προτάσεις από την ΤΝ σχετικά με τη στρατηγική ανακατανομή της εργασίας.
• Παρέχετε εξατομικευμένη ανατροφοδότηση με βάση την παραγωγικότητα και τα πρότυπα δέσμευσης των εργαζομένων. Αυτό μπορεί να είναι τόσο απλό όσο η παροχή μιας παρότρυνσης για τη βελτίωση της δέσμευσης σε ορισμένα κανάλια ή η σύσταση ολόκληρης σειράς μαθημάτων για επαγγελματική ανάπτυξη.
• Μετρήστε τα συναισθήματα των εργαζομένων μέσω των προτύπων επικοινωνίας τους σε εσωτερικά ή κοινωνικά κανάλια που παρακολουθούνται. Τα μεγάλα γλωσσικά μοντέλα (LLM) που τροφοδοτούν τις λύσεις γεννητικής τεχνητής νοημοσύνης μπορούν σίγουρα να αποτελέσουν ευλογία για τις εταιρείες που θέλουν να κατανοήσουν λεπτομερώς τι αρέσει και τι δεν αρέσει στους υπαλλήλους. Αυτό μπορεί να βοηθήσει τους διευθυντές να ειδοποιήσουν για πιθανές αναποδιές στην παραγωγικότητα και να αναλάβουν προληπτικές ενέργειες για να αλληλεπιδράσουν προσωπικά με τους εργαζόμενους ή ίσως ακόμη και να τροποποιήσουν τις συνθήκες εργασίας για το γενικότερο καλό.

Αν και αυτό δεν ταιριάζει στη συνήθη περίπτωση χρήσης SaaS, η παρακολούθηση των εργαζομένων με βάση την τεχνητή νοημοσύνη κάνει θραύση και στις βιομηχανικές ρυθμίσεις. Πάρτε το παράδειγμα της οπτικής ανάλυσης που τροφοδοτείται από την όραση υπολογιστή μέσα σε ένα εργοστάσιο, όπου οι εργαζόμενοι θα μπορούσαν να ειδοποιούνται αμέσως για πιθανές καταστροφές ή να εμποδίζονται από την είσοδο σε ορισμένες εγκαταστάσεις.

Θα ήταν άδικο να μην περιγράψουμε το δημόσιο αίσθημα που συνδέεται με την αυξανόμενη χρήση της τεχνητής νοημοσύνης για την επιτήρηση των εργαζομένων. Και υπάρχουν λόγοι γι' αυτό.

Σύμφωνα με μια Έρευνα του Pew Research Center , το 81% των ερωτηθέντων δήλωσε ότι οι εργαζόμενοι δεν θα αισθάνονταν καλά αν παρακολουθούνταν ή αξιολογούνταν με ακατάλληλο τρόπο με τη χρήση ΤΝ.

Reuters also raises questions about excessive AI-based employee monitoring, citing that "Many employees and privacy rights advocates see this as an unreasonable incursion into an employee's home, long considered to be their private sphere."

Εκτός από αυτό, υπάρχει μια ανησυχία σχετικά με τη μεροληψία και την προστασία της ιδιωτικής ζωής με τις γεννητικές λύσεις τεχνητής νοημοσύνης. Αυτά τα LLM που αναφέραμε παραπάνω εκπαιδεύονται σε δεδομένα, τα οποία μπορεί να είναι σκόπιμα προκατειλημμένα. Η ΤΝ δεν θα είναι σε θέση να το φιλτράρει αυτό και μπορεί να παραπέμπει σε μεροληπτικές απαντήσεις και εκτιμήσεις. Έτσι, αυτό είναι επίσης κάτι που πρέπει να εξετάσουν οι οργανισμοί όταν προχωρούν σε πιο προηγμένη ενσωμάτωση της ΤΝ.

Μέσα σε αυτό το πλαίσιο, είναι λογικό να περιμένουμε ότι θα υπάρξει αντίσταση των εργαζομένων στη χρήση λύσεων παρακολούθησης των εργαζομένων που υποστηρίζονται από προηγμένη τεχνητή νοημοσύνη. Θα αμφισβητήσουν την πιθανή μεροληψία στα δεδομένα αξιολόγησης, την ασφάλεια των ευαίσθητων πληροφοριών τους και την πιθανή κατάχρηση αυτών από την πλευρά του οργανισμού. Και όλες αυτές είναι τουλάχιστον βάσιμες ανησυχίες.

Οι επιπτώσεις της παρακολούθησης με βάση την τεχνητή νοημοσύνη στο πλαίσιο της εξ αποστάσεως εργασίας και του μεταβαλλόμενου τοπίου των εργασιακών ρυθμίσεων είναι βαθιές. Αυτό που πρέπει να κάνουν οι οργανισμοί είναι να βρουν μια ισορροπία μεταξύ της παρακολούθησης για την παραγωγικότητα και της διατήρησης της ασφάλειας των δεδομένων των εργαζομένων.

To establish this, they need to understand that the adoption of AI should not be driven by "desire" but the "need" to have technology in place to power performance improvements. It's easy to get caught in the hype cycle of AI and difficult to evaluate how it actually benefits the business use case.

Η σύστασή μας θα ήταν να αξιολογήσετε αυστηρά τις ανάγκες της ροής εργασιών σας, να τεκμηριώσετε τις αποκλίσεις και να δείτε αν μια σταδιακή προσέγγιση για την παρακολούθηση των εργαζομένων με τεχνητή νοημοσύνη έχει οφέλη. Για παράδειγμα, εάν ανησυχείτε για την πτώση της παραγωγικότητας σε απομακρυσμένες ρυθμίσεις, η επιλογή του CleverControl με αναγνώριση προσώπου μπορεί να αποδειχθεί εξαιρετικά βιώσιμη.

Βέβαια, θα υπήρχε κάποιος πειραματισμός στα αρχικά στάδια. Αλλά δεν απαιτείται ένα μεγάλο άλμα αν η επιχείρηση δεν το απαιτεί.