当前位置: 网站首页 > 关于博雅
关于博雅
人工智能当HR 能帮你找工作吗
时间:2019-10-29  来源:www.oaled.com

“张三,毕业于一所着名大学,参加了一个研究项目.”毕业季充满了这样的简历。 “在类似的简历背后,他们实际上是一个生动而生动的个体。”BOSS直接招募的专业科学实验室负责人薛彦波称,这份简历中出现的求职者是“纸人”。从数据的角度来看,求职者实际上包括N维信息,如时间,性格,心理等。“薛艳波说,然而,在目前的求职过程中,求职者无法从多个方面理解。

人工智能的出现有望改变“纸人”与“N维”之间的矛盾。 7月25日,BOSS直接宣布成立科学实验室。薛艳波说,“纸人”的信息状态可以通过人工智能“找回”找工作。在“信息维度”的世界里,帖子也是从单一的职位描述和招聘通知中,“还原”是社会运作中实用的“零部件”。

巧合的是,最近一些媒体报道称,小发猫一直使用AI(Watson)来预测员工未来的潜力,动机也是传统的纸质评估方法,很难得到正确的结果匹配位置。正如小发猫薪酬和福利副总裁Nickle LaMoreaux所说:“根据历史业绩决定是否推广还是太有限了。”

人工智能“读心术”,现在想要“升级”人类配对计划。它应该如何突破并帮助人们匹配并获得最佳解决方案?

建立目标并设计一个匹配双边市场的“咬合”

“人与人之间的匹配程度低,导致人们花费大量时间在等待,不匹配和消极行动上。” BOSS直接聘请CEO赵鹏表示,目前不端行为和错位的情况实际上对人才市场来说是不必要的。 “内部消费。”

在求职过程中,“人”的简单化是形成“内部消费”的原因之一,人工智能具有立体化、历史化地呈现求职者的能力。“不仅是多维匹配,还有什么时间匹配、如何匹配最佳等等”,薛彦波举例说,今天给应聘者提供一份工作,7天后给他,结果可能会有所不同。

“机器人评价”在一些单位逐渐得到应用,但没有考虑时间维度评价体系。例如,机器人无法识别候选人当前状态的短期波动,可能会认为这是正常现象。这种制度的局限性也不能反映宏观市场的匹配性。

薛彦波认为,“咬”的匹配可以用两个可解方程来描述:一是没有A和B偏好对方,但没有配对;二是没有A和B,C和D已经配对,但有更好的组合。使整个市场的情况好转。从微观到宏观,通过个体或部分市场的匹配,整个专业市场将呈现“稳定”状态。专业科学采用人工智能,目标是稳定的市场,是一个可以通过模块分解和算法建模来规划和设计的科学问题。

与一些定义明确的科学问题不同,招人问题也需要考虑人为因素。薛彦波说,传统上利用大数据分析解决招聘问题主要是通过工程科学、数据挖掘等方法,并将其视为一个工程问题。我们认为需要增加的参数包括心理学、社会学、经济学、劳动关系学等。将人文学科分解为模块,将人工智能的参数引入到深度学习神经网络的映射关系中,将更有可能建立一个“稳定”的双边市场。

基于大数据的生成性机器学习补充

对于人工智能来说,无论是哪一个领域的专家,数据始终是找到最优解的基础。这是选择哪些数据、从哪个维度选择以及选择多少数据的第一步。

数据显示小发猫的“Watson”称数据包括员工数据,接管的历史项目,员工经验和绩效,员工培训和内部培训系统中记录的学习。

来自不同来源的人力资源数据的积累一直在增加。据人力资源和社会保障部相关负责人介绍,去年年底,人力资源和社会保障部开设的人才质量评估服务已达到近50万人次。 BOSS直接就业的相关数据显示,该平台目前的数据样本约为4000万。

“现有的数据足以支持我们做一些初创研究项目,”薛彦波说,但对于一些敏感或未被识别的数据,一些机器学习方法可以“填补空白”,如生成机器学习方法。他补充说:如果平台上有张三和李思,数据中需要张三和李斯之间的一个字符,你可以训练一个机器学习模式,这个模式是“派生”来满足张三和李思。中间字符的特征用于研究工作,例如现实世界中的工作匹配。

算法和模型仍在探索中

“机器学习有三个重要的支柱,数据,模型和计算能力。”薛艳波说,数据呈指数增长,模型的发展相对缓慢。机器学习的模型不多。专业市场是一个全新的市场可能需要一个新的模式来解决问题,最大的挑战可能是模型设计。

“目前,我们正在进行的工作是通过协同过滤来分类具有类似职业规划的人,以了解真正的求职意图;并试图通过协作方法重建三维工作场景。“薛艳波说。这将有可能解决专业科学理论中未知的偏好列表问题。

“协同过滤,也称为协同过滤,是一种常见的推荐算法。它最初出现在亚马逊上。例如,购买此项目的用户通常会买一些东西。”智能CTO莫宇解释说该算法可以购买。人群的相似性用于评估不同商品的相似性;同时,根据不同人购买的产品组之间的相似性来评估不同人之间的相似性。实现“对象聚集,人们聚集”,然后通过不同的列表进行匹配,然后在人与事之间进行。

在专业科学研究的早期阶段,薛彦波说,该算法将用于细分人和岗位。建立这样的偏好列表的原因源于微观经济学的重要假设。 “只有双方都了解彼此的偏好,他们才能形成稳定的匹配市场。例如,大公司知道知名大学毕业生愿意来,而具有创业意识的申请人更倾向于进入初创小公司,并且有明确的偏好列表将有助于创造完美的市场匹配。 “

通过深度学习,可以进一步改进偏好列表。尝试进行一些真实的匹配匹配,匹配结果将反过来影响首选项列表并进行更正。

赵鹏表示,中国有近600万人在千千万万家公司工作,但对于工作场所的成就感,幸福感和安全感,两者在人才竞争中的竞争力,洞察力和匹配力。对这类问题缺乏系统的研究,希望通过开展“专业科学研究”,从科学的角度出发,运用严谨的方法,引入人工智能等新技术手段,对“专业”进行系统研究。 “科学将被提升到行业水平。关注。

一个家庭的话

可以协助招聘,但有些责任TA负担不起

张加伦

小发猫开始使用自己的AI Watson来“决定”员工留下来。根据技术媒体的“量子比特”报告,沃森正在改变人力资源的工作状态。它将检索员工信息及其历史项目绩效,了解员工的培训和学习,并全面判断其是否适合晋升和加薪,是否有可能达到生命的高峰。

听起来不错。但是,有一点需要明确的是,从目前为止所揭示的信息来看,人工智能在整个评估过程中不会发挥决定性作用。人力资源部的那些同事仍然是你晋升的“温和杀手”。

几年前,人们开始讨论将人工智能引入人力资源的可能性。人工智能可以解决快速匹配的问题,这实际上是人力资源工作的解放。一些大公司,当学校新兵收到成千上万的简历时,必须设置关键词进行粗略筛选。粗筛后,需要进行微筛以查看申请人的能力和位置的匹配程度。 AI可以很好地完成这项工作。它甚至可以从候选人那里收集其他信息,绘制求职者的肖像,并根据他们的累积数据判断他们是否想要进入下一轮招聘。

但是,如果人工智能继续深入人力资源的其他领域,我担心这将是谨慎和谨慎的。

请记住,AI没有任何“来自数据世界的神秘力量”,它只能提供参考。如果你迷信并且被人工智能盲目地评判,那不仅是不负责任的,也不是道德的。

大多数涉及人的事情都比较复杂,没有标准答案。业界和学术界普遍认为机器学习是一个“黑匣子”。您提供人工智能数据并反复调整算法模型。你知道它的判断准确性越来越高,但你不知道为什么。

人工智能的“心脏”也是海底的针。你不知道它学到了什么。同样,您不知道公司的HR算法模型中包含多少偏差。

人工智能能够根据其拥有的员工信息评估其潜力,但它如何评估,评估过程中是否存在道德和伦理风险,以及它收集的数据的边界在哪里?社会技术专家Zeynep Tufekci发表了公开演讲。她举了一个例子:这台机器能推断出你没有公开信息。例如,它认为你患抑郁症的概率很高,或者认为你在三个月内怀孕的概率很高。所以,它以一种“亲密”的方式提前切断了你的路径,直到这时,你仍然处于黑暗之中,不知道为什么你被机器分配到了“待处理区域”。

那么,这是一个精确的预测还是赤裸裸的偏见?偏见可能无处不在,当偏见以机器的名义强加给一个群体时,它就会变得更加微妙。

无论人工智能发展到什么程度,人们都必须敞开胸怀,坚定地承担起自己的责任。人力资源部应在一轮员工评价中了解并审视其偏见,反思自身的企业文化。

这涉及到复杂的判断,人们不能“涮”,也不能缺席。