“人工智能当HR 能帮你找到好从业吗”

本篇文章3173字，读完约8分钟

“张三，毕业于某名牌大学，参与某课题研究……”。 毕业季满是这样的简历。 “在涩雷的简历后面，其实有一个栩栩如生的个人。 ”。 boss直聘职业科学实验室负责人雪波将该简历展现出的求职者形象称为“纸片人”，“从数据的角度看，求职者包括时间、性格、心理等n维新闻。 ”。 薛波说，但是，在目前的求职过程中，求职者无法从多个维度了解。

人工智能的出现，有望改变“纸片人”和“n维”之间的矛盾。 7月25日，boss直聘宣布成立科学实验室，薛波宣布，利用人工智能可以最大限度地“还原”就业时“纸片人”的新闻状态，在“新闻维度”的世界中，职场也从单一职位变为“还原”社会运行中切实的“零部件”

并不独特，日前有媒体报道称，ibm利用ai (沃森)预测员工未来的潜力。 其动机是，以前传来了纸一样的判断方法，我认为很难得到符合职场的正确结果。 正如ibm薪酬和福利副总裁nickle lamoreaux所说，“仅根据历史表现做出决定是否能够晋升，很有限”。

人工智能“读心术”，现在必须“升级”人岗匹配方案。 它应该如何突破，帮助人冈匹配得到最佳解？

确立目标，设计“咬合”匹配的双边市场

“由于人岗一致度低，很多人的时间都被等待、不匹配、消极的行动所消耗。 ”。 boss直聘首席执行官赵鹏表示，目前存在的不适合职场、人无位置的情况其实是人才市场不需要的“内耗”。

在就业活动过程中，“人”单一化是形成“内耗”的原因之一。 ai有立体、历史地表达求职者的能力。 “不仅涉及多维匹配，还涉及何时匹配、如何最佳匹配等问题。 ”薛波解释说，例如某个岗位今天提供给某个应聘者和7天后提供，得到的结果可能不同。

“机器人评价”以1分为单位逐渐应用，但没有考虑时间维度评价系统。 例如，机器人可能不知道应聘者当天状态的暂时变动，认为这是常态。 这种系统的局限性也没有反映宏观层面的人岗市场匹配情况。

薛波认为“咬合”的匹配可以描述为两个解方程式:一是没有a和b喜欢的对象，但没有配对。 第二，虽然a和b、c和d没有配对，但是为了市场整体的状况更好，有更好的组合。 从微观到宏观，通过个人或部分市场的匹配，整个职业市场呈现出“稳定”的状态。 职业科学是利用人工智能手段实现的目标是稳定的市场，同时可以通过模块分解、算法建模等进行规划设计的科学问题。

与稍微确定了问题的科学问题不同，招聘者的问题还需要考虑人文因素。 薛波说，以前通过大数据观察处理招聘问题，第一是计算科学、数据挖掘等方法，将其视为工程问题。 我认为需要参加的参数还包括心理学、社会学、经济学、劳动关系学等的复印件。 将人文学科分解为模块引入ai参数，参与深度学习神经互联网的测绘关系，很可能建立“稳定”的双边市场。

以大数据为基础，补充生成型机器学习

对人工智能来说，无论在哪个专业行业，数据始终是寻求最优解的基础。 第一步是选择这些数据，从哪个维中选择，以及选择多少。

资料显示，ibm“沃森”调出的数据包括员工资料、交接历史项目、员工经验和表现、内部培训系统中记录的员工培训和学习情况等。

不同来源的人力资源数据积累工作一直在推进。 据人社部相关负责人介绍，去年年底，人社部开办的人才素质测评服务当时评价了近50万人。 根据直任boss的相关数据，该平台目前掌握的数据样本量为4000万左右。

“现有的数据足以让我们开始一点科研项目。 ”薛波说，对于有点敏感或尚未得到的数据，一点机器学习的做法是“弥补不足”，如生成型机器学习的方法。 他补充道，如果平台上有张三和李四，数据需要张三和李四之间的一个物体，可以训练机器学习模式，“衍生”出符合张三和李四中间特征的人物，进行现实世界中的职位匹配等研究工作。

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。 ”薛波表示，数据呈指数增长，模型发展相对缓慢。 现在，可以用于机器学习的模型也不多。 职业市场是新市场，新模式可能需要处理问题。 最大的挑战可能是模型设计。

“我们现在所做的工作是通过协作过滤的方法对与职业规划相似的人进行分类，了解他们真正的求职意图。 尝试合作重建三维商业场景。 ”。 薛波说，根据职业科学的理论，择优名单有可能处理未知的问题。

“协同过滤也称为协同过滤，是常用的推荐算法。 最先出现在亚马逊上的是，例如，购买这个商品的客户通常买了什么？ ”。 一些智能cto莫瑜解释说，该算法可以根据购买者的相似度判断不同商品的相似度。 然后，根据不同人购买的商品集合之间的相似度判断不同人的相似度。 “物以类聚，人以群分”，然后在不同的列表中进行匹配，进行人与物之间的推荐。

职业科学研究初期，薛波表示，将利用该算法细分人员和岗位名单。 制定这样的偏好清单，来源于微观经济学的重要假设。 “双方都需要知道对方的喜好是什么，才能形成稳定的匹配市场。 例如，大公司都知道知名大学的毕业生会来，但有创业意识的应聘者更倾向于进入初创中小企业，有明确的偏好名单，有助于形成完美的市场匹配。 ”。

经过深入学习，偏好列表变得更加完整，尝试现实的人岗匹配，匹配结果反而会影响偏好列表，可以进行修改等事业。

赵鹏表示，中国有近6亿人在数千万家公司工作，但对职场人士的业绩、幸福感、安全感、公司在人才竞争中的竞争力、内在力量和双方匹配等问题缺乏系统的研究，通过开展“职业科学研究”，从科学角度出发，严格

一家之言

可以辅助录用，但有些责任ta无法承担

张盖伦

ibm在家中的ai华生来到“决策”，员工离开。 据科技媒体“量子比特”报道，沃森正在改变hr的事业状态。 拿出员工的资料和他们历史项目的表现，了解员工的培训和学习情况，综合评价是否适合升职加薪，有可能走向人生巅峰吗？

听起来很棒。 但是，有几点需要澄清。 从目前已知的新闻来看，ai在这一系列的判断过程中没有起决定性的作用。 人事部的同事依然是你晋升途中的“温柔杀手”。

几年前，人们开始讨论将ai引入人才的可能性。 ai可以处理快速匹配的问题。 这确实是hr事业的解放。 在大企业，校招时收到的简历上万份不动，必须设定关键字进行粗筛。 然后，在粗筛之后，进行细筛，看看申请人的能力和岗位的匹配度。 ai在这方面有信心，可以收集候选人的其他资料，画求职者的画像，也可以根据自己积累的数据评价是否进入招聘的下一轮。

但是，要想将ai继续深入应用于人力资源的其他行业，可能需要慎重。

必须记住，ai没有“来自数据世界的神秘力量”。 那个只是参考。 迷信如果盲从ai的评价，不仅不负责任，也不道德。

涉及人的事，多而杂，没有标准答案。 在业界和学术界，机器学习普遍被认为是“黑匣子”。 给了人工智能的数据，不断调整算法模型，我知道评价的精度越来越高，但不知道为什么。

人工智能的“心”也是海底的针，不知道学到了什么。 同样，我不知道一家企业的人事算法模型中包含了多少偏见。

ai可以根据掌握的员工新闻判断其潜力，但如何判断，在判断过程中是否存在伦理道德风险，数据收集的边界在哪里？ 社会工程师zeynep tufekci发表了公开演讲。 她举了一个例子。 机器可以推断出你没有公开的事件。 例如，我觉得得抑郁症的概率很高。 或者，我觉得三个月内怀孕的概率很高。 于是，它“亲密地斩断了你的道路，但直到这时，你还在鼓里，不知道自己为什么被机器划分为“保留区”。

那么，这是准确的预言还是赤裸裸的偏见？ 偏见可能无处不在，但如果偏见以机器的名义加入集体，就会更加隐蔽。

无论人工智能发展到什么程度，人都必须平坦坚决地承担自己的责任。 hr必须通过对员工的一次性判断来理解、审视自己的偏见，反思自己的公司文化。

其中包含许多复杂的评价，人不能“甩锅”，也不能缺席。 (记者张佳星)

来源：人民视窗网