25호_머신러닝을 활용한 인사 선발: 기술 혁신이 불러온 변화 / 래곤

기술은 우리 삶의 많은 부분을 변화시키고 있으며, 그 중에서도 인공지능(AI)과 머신러닝(ML)은 특히 놀라운 혁신을 보여주고 있습니다. 이제 채용 과정에서도 이 기술들이 점점 더 많이 활용되면서, 기업들은 단순히 사람을 뽑는 것을 넘어 데이터를 활용해 더욱 효율적이고 공정한 결정을 내릴 수 있게 되었어요.

이번 글에서는 2023년의 Michael A. Campion과 Emily D. Campion의 연구를 바탕으로 인공지능과 머신러닝이 어떻게 채용 과정에 적용되고 있는지, 그리고 이로 인해 기업들이 어떤 변화를 경험하고 있는지 함께 살펴보고자 합니다. 

이번 글에서는 이러한 연구 내용을 바탕으로, 기술이 우리의 일하는 방식에 어떤 긍정, 혹은 부정적인 영향을 미치는지, 그리고 앞으로 이 분야에서 어떤 가능성이 열려 있는지에 대한 이야기 해보고자 합니다.

 

머신러닝의 인사 선발 적용 사례

머신러닝은 여러 가지 방식으로 인사 선발 과정에서 활용되고 있습니다. 이 연구에서는 특히 다양한 실무 사례를 통해 머신러닝이 어떻게 실제 채용 현장에서 쓰이고 있는지를 설명합니다. 이와 관련된 7가지 적용 예시들이 있는데, 제가 조금 더 쉽게 바꾸어서 국내 사례와 함께 설명해 볼게요! 

[논문에서의 Figure1]

1. 이력서 및 지원서 평가
Scoring resumes and employment applications

이력서나 지원서를 평가할 때, 예전에는 사람이 직접 하나씩 읽고 판단했어야 했는데, 이제는 머신러닝이 이런 작업을 도와줄 수 있어요. 예를 들어, 이력서에 있는 텍스트를 분석해서 지원자가 얼마나 적합한지 점수를 매기고, 그 점수를 다른 숫자 데이터와 결합해서 최종 평가를 도출하는 거예요. 이러한 사용의 장점은 특히 많은 지원자가 있을 때 큰 도움이 된다는 것이에요. 사람이 일일이 검토하는 데 걸리는 시간을 크게 줄여주고, 비용도 절감할 수 있죠! 하지만 단점으로는 머신러닝도 완벽하지는 않다는 것이에요. 예를 들어, 데이터를 잘못 사용하면 결과가 왜곡될 수 있습니다. 그리고 때로는 알고리즘이 어떻게 결정을 내리는지 명확하지 않아서, '블랙박스' 문제라고 불리는 해석의 어려움이 발생할 수 있어요.

국내 사례) 삼성의 AI 서류 전형
삼성그룹은 대규모 채용에서 발생하는 인사 선발의 복잡성을 해결하기 위해 AI 기술을 도입했습니다. 특히 삼성은 AI를 활용해 서류 전형 과정을 자동화했어요. AI 시스템은 지원자가 제출한 이력서를 분석하여, 맞춤법 오류나 문장 중복 여부, 그리고 표절률까지 확인하는 과정을 자동으로 수행합니다.

이 기술의 도입은 서류 평가에서 지원자를 더욱 공정하게 선별할 수 있게 했어요. AI는 이전에 사람이 놓쳤을 수 있는 작은 실수나 서류의 신뢰도를 빠르고 정확하게 평가할 수 있죠. 또, 수천 명의 지원자가 몰리는 공채 시즌에 소요되던 막대한 시간과 비용을 절감하는 효과도 가져왔습니다.

또한, 삼성의 AI 서류 전형 시스템은 서류 평가에 그치지 않고 면접에서도 유용하게 활용돼요. AI가 분석한 데이터를 바탕으로 면접관들이 더 심도 있는 질문을 준비할 수 있어, 지원자 개개인의 강점과 약점을 보다 구체적으로 파악할 수 있습니다.


2. 서술형 응답 평가
Scoring constructed responses to assessments (e.g., interviews, write-in test answers)

머신러닝을 활용한 면접 및 서술형 평가를 쉽게 설명하자면, 컴퓨터가 사람 대신 답변을 분석하고 점수를 매기는 방식이에요. 사람이 직접 일일이 답변을 읽고 평가하는 대신, 자연어 처리(NLP) 기술을 사용해 면접 답변이나 서술형 시험 답변에서 중요한 단어와 문장 패턴을 찾아 점수를 내죠. 이 방법의 장점은 빠르고 공정하다는 거예요. 사람은 피곤하거나 편견이 개입될 수 있지만, 컴퓨터는 그런 걱정이 없으니까요. 예를 들어, 많은 지원자를 짧은 시간에 공정하게 평가할 수 있어요. 하지만 단점으로는 머신러닝도 처음에 데이터를 많이 제공해야 정확하게 작동한다는 점입니다. 또한 결과를 해석하는 데도 추가적인 노력이 필요할 수 있어요. 그래도 빠르고 일관성 있는 평가가 가능하다는 점에서 매우 유용해요.

국내 사례) LG AI 면접 사례
국내에서 LG전자는 AI 면접을 도입하여 채용 과정을 혁신했습니다. LG전자는 제네시스랩의 '뷰인터HR 솔루션'을 활용하여, 지원자의 표정, 목소리, 제스처 등을 분석하는 감정 인식 기술을 채용 과정에 적용했습니다. 이를 통해 면접 시간과 비용을 절감하고, 더 공정한 평가를 할 수 있게 되었어요.

 

3. 예측 정확성 향상을 위한 점수 결합
Combining scores to increase prediction

머신러닝을 사용하면 다양한 데이터를 결합하여 더 정확한 예측을 할 수 있어요. 예시로, 지원자의 이력서 점수, 면접 점수, 필기 시험 결과 등 여러 데이터를 하나로 합쳐서, 그 사람이 실제로 일을 얼마나 잘할지를 예측하는 거죠. 기존에는 데이터 하나하나를 따로 분석했지만, 머신러닝은 여러 데이터를 동시에 분석할 수 있어요. 이 과정에서 지원자가 일할 때 보여줄 성과나 적합성을 더 잘 예측할 수 있답니다. 머신러닝 사용의 장점에 대해서는, 데이터가 ‘특히’ 적을 때도 높은 예측 정확도를 보여줄 수 있어요. 예를 들어, 지원자 수가 적을 때나 특정한 데이터를 충분히 모으기 힘든 상황에서도 머신러닝은 기존 방식보다 예측력을 높일 수 있죠. 하지만 데이터가 너무 많으면 오히려 복잡해져서 예측 성능이 많이 좋아지지 않을 수도 있습니다. 특히, 너무 많은 변수를 다룰 때는 해석이 어려워질 수 있죠.

국내 사례) 원티드랩의 인재 매칭 플랫폼
국내에서 머신러닝을 활용한 예측 기반 HR 사례로는 원티드랩의 인재 매칭 플랫폼이 있습니다. 원티드랩은 AI를 활용해 구직자의 이력서와 기업의 채용 공고를 분석하고, 이를 바탕으로 합격률을 예측하는 시스템을 운영하고 있어요. 이 플랫폼은 머신러닝 알고리즘을 사용해 이력서의 텍스트와 채용 공고의 문구 사이의 상관관계를 분석하고, 특정 어휘가 채용 결과에 미치는 영향을 평가합니다. 이를 통해 구직자가 특정 기업에 합격할 가능성을 예측하고, 더 나은 매칭을 돕는 기능을 제공하죠.

또한, 머신러닝은 학습을 통해 점점 더 높은 예측 정확도를 보여줍니다. 원티드랩은 수백만 건의 데이터를 바탕으로, 구직자가 지원한 후부터 최종 합격까지의 과정을 학습하며, 새로운 이력서가 등록될 때마다 빠르게 합격률을 예측하는 시스템을 완성했습니다. 이러한 시스템 덕분에 기업들은 더 적합한 인재를 효율적으로 찾을 수 있고, 구직자들도 자신에게 맞는 기회를 찾는 데 도움을 받을 수 있죠​


4. 소집단 간 차이를 줄이기 위한 점수 결합
Combining scores to reduce subgroup differences

회사에서 채용할 때, 성별이나 인종, 나이와 같은 이유로 지원자 간에 차별이 생길 수 있어요. 예를 들어, 특정 그룹이 불리한 평가를 받을 때, 이를 줄이는 것이 중요한 과제가 됩니다. 그런데 머신러닝을 활용하면 이런 문제를 해결하는 데 도움을 줄 수 있어요. 머신러닝은 데이터를 분석해, 어떤 그룹이 왜 더 불리하게 평가되는지를 찾아내고, 그 차이를 줄일 수 있는 방법을 제시하거든요. 작동방법에 관해서는, 먼저 머신러닝은 많은 데이터를 처리할 수 있는 능력이 있어요. 예를 들어, 지원자의 성별, 나이, 이력서 정보 등 다양한 데이터를 분석해서, 성별이나 인종 차별을 줄일 수 있는 방법을 찾아줍니다. 이때 사용하는 방법 중 하나가 Pareto 최적화라는 방식이에요. 이 방법은 채용 과정에서 중요한 여러 요소들(예를 들어, 능력 평가와 다양성 확보)을 동시에 개선하려고 해요. 즉, 지원자의 능력을 평가하면서도 다양성을 해치지 않도록 데이터를 조정하는 거죠. 

이 방식의 장점은 특정 집단이 불리하게 평가받지 않도록 하면서도, 평가의 신뢰성을 크게 잃지 않는다는 거예요. 예를 들어, 여성 지원자가 남성보다 불리하게 평가되는 상황이 생기면, 머신러닝이 이를 자동으로 조정해 공정성을 높일 수 있죠. 이렇게 하면 불필요한 차별을 줄일 수 있어요. 하지만, 단점으로는 이 과정에서 예측의 타당성이 약간 손상될 수 있어요. 예시로, 성별에 대한 편향을 줄이기 위해 평가 기준을 조정하면, 결과적으로 평가의 정확도가 떨어질 가능성도 있습니다. 또, 편향된 데이터를 수정하려고 할 때 새로운 문제가 생길 수 있어요. 예를 들어, 지원자의 실제 능력을 평가하는 과정에서 예측에 편향이 생길 수도 있죠.

국내 사례) 리멤버
리멤버는 350만 직장인의 데이터를 활용해 기업들이 적합한 인재를 빠르게 찾을 수 있도록 도와주는 경력직 스카우트 서비스를 운영하고 있어요. 여기서 머신러닝은 인재와 기업을 매칭하는 데 중요한 역할을 합니다. 특히, 인재 풀 내의 다양한 배경과 스킬을 가진 지원자들이 공정하게 평가될 수 있도록 도와줘요. 머신러닝 알고리즘이 데이터를 분석해 적합한 인재를 추천하는 시스템이기 때문에, 기존의 채용 방식에서 발생할 수 있는 편향성을 줄이는 데 기여하고 있습니다.

5. 시험 문제 생성
Creating test questions

기존에는 시험 문제를 만드는 데 많은 시간과 노력이 필요했어요. 사람들은 새로운 문제를 직접 작성해야 했고, 다양한 유형의 문제를 만들어 내기 위해 여러 번 고민해야 했죠. 그런데 머신러닝, 특히 딥러닝(NLP) 기술을 활용하면, 컴퓨터가 기존의 문제 패턴을 학습해서 자동으로 새로운 시험 문제를 만들어낼 수 있어요. 머신러닝은 기존에 있는 문제들의 단어와 문장 구조를 학습해요. 예를 들어, 이전에 작성된 시험 문제들이 있으면, 이를 바탕으로 새로운 문제를 자동으로 생성할 수 있는 모델을 만드는 거예요. 이 과정에서는 딥러닝 기술, 특히 트랜스포머(Transformer) 같은 신경망을 이용해요. 이 기술은 기존의 문제들 속에서 반복되는 패턴이나 규칙을 학습하고, 이를 기반으로 새로운 문제를 만들어냅니다.

이렇게 하면 장점으로 사람들은 문제를 일일이 만들 필요 없이 빠르고 다양한 문제를 얻을 수 있어요. 하지만 이 기술이 잘 작동하려면 많은 데이터가 필요하고, 제대로 튜닝하지 않으면 비슷한 문제만 반복될 수 있다는 단점도 있어요.

 

6. 직무 분석을 통한 요구 사항 도출
Analyzing jobs to determine requirements

회사가 새로운 직원을 뽑을 때, 먼저 직무 분석을 통해 그 일에 필요한 기술과 능력을 알아내야 해요. 과거에는 사람이 직접 이 작업을 했는데, 시간이 많이 걸리고 모든 요소를 꼼꼼히 찾기 어려웠어요. 하지만, 머신러닝을 사용하면, 이런 과정을 훨씬 빠르고 효율적으로 할 수 있어요. 머신러닝의 자연어 처리(NLP) 기술을 사용하면, 컴퓨터가 직무 설명서나 직무 분석 데이터를 읽고 분석할 수 있어요. 예를 들어, 직무 설명서에 "팀 관리", "프로젝트 기획" 같은 키워드가 들어 있으면, 머신러닝이 이 정보를 분석해 그 직무에 필요한 주요 능력을 자동으로 추출해 줍니다. 이에 대한 장점으로는 시간 절약과 효율성을 들 수 있습니다. 사람이 일일이 분석하지 않아도 되니까, 시간이 크게 절약돼요. 특히, 작은 규모의 기업이나 채용이 빈번하지 않은 경우에 매우 유용해요. 또한 기존 데이터에서 빠르고 정확하게 필요한 정보를 추출할 수 있기 때문에, 사람이 실수하거나 놓칠 수 있는 부분까지 잡아낼 수 있어요. 반대로 단점으로는, 데이터와 한정된 분석을 들 수 있어요. 머신러닝이 잘 작동하려면, 직무 설명서나 기존 데이터가 정확하고 충분해야 하거든요. 데이터가 부정확하거나 불충분하면 결과도 부정확할 수 있죠. 또한 머신러닝이 분석할 수 있는 직무는 대부분 분명한 요구 사항을 가진 경우에 한정될 수 있어요. 직무가 모호하거나 복잡한 경우에는 충분한 정보를 제공하지 못할 수 있어요.

 

7. 서술형 지원서 정보를 바탕으로 한 기술 및 성격 추론
Inferring skills and personality from narrative application information

회사에서는 지원자가 작성한 자기소개서나 인터뷰 답변 같은 서술형 정보를 통해 그 사람의 기술이나 성격을 파악하려고 합니다. 예전에는 면접관이 이런 서류를 직접 읽고 판단했는데, 이제는 머신러닝이 이 과정을 도와줍니다. 특히 자연어 처리(NLP)라는 기술을 통해 텍스트를 분석해서 지원자의 성향이나 기술을 자동으로 평가할 수 있어요. 자연어 처리(NLP)나 단어 사전을 사용해 텍스트 속에 어떤 내용이 있는지를 점수화합니다. 예를 들어, 지원자가 자기소개서에서 '팀워크', '리더십', '효율적 문제 해결' 같은 단어를 많이 사용했다면, 이 사람이 이런 능력을 갖추고 있을 가능성이 높다고 판단하는 거예요. 머신러닝은 이러한 단어와 문장 구조를 분석해 지원자의 기술적 역량이나 성격적 특성을 평가하는 점수를 내는 거죠. 이 방식의 장점은 사용하기 쉽다는 거예요. 이미 많이 연구되고 사용된 사전과 알고리즘을 이용해 빠르게 텍스트를 분석할 수 있어요. 기업에서는 많은 지원자를 짧은 시간 내에 효율적으로 분석하고 비교할 수 있기 때문에, 면접관의 시간과 노력을 아낄 수 있죠. 특히 심리학에서도 오랫동안 사용되면서 신뢰할 수 있는 방식으로 자리 잡았습니다. 하지만 이 방법이 완벽하지는 않아요. 지원자의 성격이나 기술을 정확하게 측정하려면 여러 가지 측면을 고려해야 하는데, 단순히 텍스트 분석만으로는 그 사람의 실제 성격이나 능력을 완벽하게 파악하기 어려울 수 있어요. 예를 들어, 지원자가 어떤 단어를 많이 썼다고 해서 실제로 그 성향을 가지고 있다고 단정하기는 힘들죠. 그래서 추가적인 검증이 필요하고, 더 많은 데이터와 증거가 필요할 수 있습니다.

국내 사례) 제 인턴 경험..! 때의 A회사
제가 인턴할 때 기획을 담당했지만 이 작업을 하였습니다! 회사에서 저의 업무는 외주 회사의 문화 및 HR제도에 기반한 키워드를 바탕으로 사전을 만드는 일이었어요. 그 사전을 통해서 외주 회사에서 제공받은 몇 만 건의 분기별 보고서 데이터를 분석했고, 각 부서별로, 각 직급별로 어떠한 특징을 띄고 있는지 정리 후 어떤 특징을 살려야하는지 제안서를 적어야 했습니다. 생각보다 사람이 하는 일(A.K.A. 노가다)이 많았지만, 그래도 AI가 분명히 우리 주변에 있는 것은 사실이에요!

 

결론
머신러닝은 인사 선발에서 시간과 비용을 절약하며 공정하고 일관된 평가를 가능하게 해주는 강력한 도구입니다. 대규모 데이터를 빠르게 분석하고, 편향을 줄이며, 채용 과정의 효율성을 크게 높여주죠. 하지만 이 기술이 완벽하지는 않아요. 데이터가 편향되어 있다면 머신러닝도 편향된 결정을 내릴 수 있고, 예측 모델이 항상 안정적인 성과를 내는 것도 아닙니다.

논문에서는 이 문제를 해결하기 위해 데이터의 품질 관리와 설명 가능 AI(Explainable AI) 도입이 중요하다고 해요. 이는 AI의 결과를 이해하고 설명할 수 있게 해, 더욱 공정한 결정을 내리도록 돕습니다. 또한, 꾸준한 모니터링과 개선을 통해 알고리즘의 정확성을 유지하고 윤리적 문제를 해결하려는 노력이 필요합니다.

결국, 머신러닝은 인재 선발의 정확성과 효율성을 높이며 기업의 경쟁력을 강화하는 데 기여할 것입니다. 다만 기술과 인간의 균형을 잘 맞춰야 해요. 이렇게 하면, 기술의 장점을 최대한 살리면서도 책임 있고 공정한 채용 문화를 유지할 수 있을 거예요.

 

---

참고문헌
한국경제. (2022년 10월 24일). 삼성, AI로 채용 공정성·효율성 잡는다. 한국경제신문.
한국경제. (2019년 11월 12일). LG전자, AI 면접 도입. 한국경제신문.
한경매거진. (2022년 8월 18일). 머신러닝과 AI를 통한 인사 채용 혁신. 한경비즈니스.