Análisis Comparativo de algoritmos de Inteligencia Artificial para procesos de selección de personal Comparative Analysis of Artificial Intelligence algorithms for personnel selection processes

Resumen

La Inteligencia Artificial (IA) se ha convertido en una herramienta estratégica para optimizar la selección de personal, al mejorar la precisión en la identificación de candidatos y reducir los tiempos de contratación. Este estudio tuvo como objetivo comparar el desempeño de tres algoritmos de clasificación: Random Forest (RF), Máquinas de Soporte Vectorial (SVM) y Redes Neuronales Profundas (DNN), evaluados mediante métricas como accuracy, recall, F1-score, tiempos de ejecución, gap de generalización y Área Bajo la Curva ROC (AUC). El conjunto de datos utilizado proviene de Kaggle (Predicting Hiring Decisions in Recruitment Data), con 1.500 registros, 10 variables predictoras y la variable objetivo HiringDecision, incluye datos demográficos, historial laboral y evaluaciones del proceso de selección. Se diseñó una metodología propia ajustada a las necesidades de selección de personal, con fases para la preparación de datos, balanceo de clases con SMOTE, entrenamiento de modelos, ajuste de hiperparámetros y análisis de métricas en dos escenarios: sin balanceo y con SMOTE, empleando Python y bibliotecas como Scikit-learn y TensorFlow. Los hallazgos muestran que RF sin balanceo alcanzó el mayor AUC (0.94) y la mejor combinación de accuracy (91%), recall (82%) y F1-score (84%). SVM destacó por su rapidez y bajo gap de generalización (3.2%), y DNN obtuvo un AUC adecuado (0.92), aunque con mayor costo computacional. RF se posiciona como el modelo más apropiado para la selección de personal por su equilibrio entre rendimiento y capacidad predictiva, mientras que SVM se presenta como una alternativa eficaz en escenarios donde la velocidad es prioritaria.