“张三，名牌大学毕业，参加过某科研项目……”毕业季充斥着这样的简历。 “枯燥相似的简历背后，其实有一个个鲜活的个体。” BOSS直接就业职业科学实验室负责人薛彦波将这种简历呈现的求职者称为“纸片人”。
从数据角度看，求职者其实包含了N维信息，比如时间、性格、心理等。”薛彦博表示，但在现有的求职流程中，无法从多个维度了解求职者。 人工智能的出现有望改变“纸片人”与“N次元”的矛盾。
7月25日，BOSS直聘宣布成立科学实验室。薛彦博表示，找工作时，信息状况“纸质人”的特征可以被人工智能最大限度地“还原”，在“信息维度”的世界里，职位也将从单一的职位描述、招聘启事“还原”为有形的“零件”。 无独有偶，最近有媒体报道IBM正在利用AI（Watson）来预测员工未来的工作潜力，其动机也是因为传统的纸质评估方法难以获得与位置匹配的正确结果。
正如 IBM 薪酬与福利副总裁 Nickle LaMoreaux 所说：“仅根据历史表现来决定是否晋升的局限性太大。” 人工智能会“读心”，现在需要对岗位匹配程序进行“升级”。如何突破并帮助人职匹配获得最优解？ 设立目标，设计“占领”匹配的双面市场 “人与工作的匹配程度低，导致人类大量的时间消耗在等待工作上，不匹配和我们是BOSS直聘CEO赵鹏表示，目前人才错配、人不匹配的情况，其实是人才市场不必要的“内耗”。 在求职过程中，简单化的求职流程“人”是形成“内耗”的原因之一，AI有能力将求职者立体化、历史化地呈现出来，“不仅仅是多维度的匹配，还有什么时候去”等问题。
薛彦波解释道，比如今天给应聘者提供一份工作，7天后给他提供一份工作，结果可能会不一样。 “机器人测评”正在逐渐应用于有的单位，但考核体系没有考虑时间维度。例如，机器人不会识别候选人全天状态的短暂波动，并可能认为这是常态。
这些制度的局限性也无法反映宏观层面就业市场的匹配情况。 薛彦博认为，“遮挡”匹配可以描述为两个可解方程：一是不存在彼此偏好但不配对的A和B；另一种是A和B、C和D不配对，但有更好的组合使整体市场更好。
从微观到宏观，通过个体或部分市场的匹配，整个专业市场将体现出一种“稳定”的状态。利用人工智能手段的职业科学的目标是稳定的市场，是一个可以通过模块拆解、算法建模等方式进行规划设计的科学问题。
与一些问题明确的科学问题不同，招聘用人时还需要考虑人文因素。薛彦波表示，传统利用大数据分析解决招聘问题主要是通过计算科学、数据挖掘等方法，将其视为工程问题。我们认为需要加入的参数包括心理学、社会学、经济学、劳动关系等，将人文学科拆解成模块，引入到AI的参数中，参与到深度学习神经网络的映射关系中，会使其更加可能建立一个“稳定”的双边市场。 以大数据为基础，生成式机器学习为辅 对于人工智能来说，无论是哪个专业领域，数据始终是寻求最优解决方案的基础。
选择哪些数据、从哪些维度、选择多少是第一步。 资料显示，IBM“沃森”调用的数据包括员工信息、接手的历史项目、员工经历和绩效、内部培训系统记录的员工培训和学习状况等。 人力资源的积累来自不同来源的数据总是在进步。据人力资源社会保障部相关负责人介绍，去年底，人力资源社会保障部推出的人才素质评估服务已评估近50万人。
BOSS直聘相关数据显示，目前平台持有的数据样本数量在4000万左右。 “现有的数据足以支持我们启动一些科研项目。”薛彦博表示，但对于一些敏感或未获得的数据，一些机器学习方法可以“填补空白”，比如生成式机器学习方法。
他补充说，如果平台上有张三和李四，并且数据中需要张三和李四之间的角色，则可以训练机器学习模型来“推导出”匹配张三和李四的模型。具有中间特征的角色用于研究工作，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支柱，数据、模型和计算能力。”薛彦博表示，数据呈指数级增长，模型的发展相对缓慢。现在可用于机器学习的模型并不多。专业市场是一个全新的市场，可能需要新的模式来解决问题。
最大的挑战可能是模型设计。 “我们目前正致力于通过协同过滤的方式对职业规划相似的人进行分类，以了解真实的求职意图；并尝试通过协作的方式重建三维工作场景。”薛彦博表示，这可能会解决休闲科学理论中未知偏好列表的问题。
“协同过滤，又称协同过滤，是一种常见的推荐算法。它首先出现在亚马逊上。
例如，购买了该产品的用户一般还购买了其他什么。”智慧CTO莫宇解释道，该算法可以根据购买群体的相似度评估不同产品的相似度；同时可以根据不同人群购买的产品组之间的相似度来评估不同人之间的相似度。实现这种“物以类聚，人以群分”，然后通过不同的列表进行匹配，进而在人与物之间进行推荐。 在职业科学研究的早期阶段，薛彦博表示，这个算法将用于对人员和职位进行细分。
之所以建立这样的偏好列表，源于微观经济学中的一个重要假设，“只有当双方都知道对方的偏好是什么时，才能形成稳定的匹配市场”。比如，大公司知道知名大学的毕业生愿意来，而有创业意识的候选人则更倾向于加入小型初创公司。拥有清晰的偏好列表将有助于形成完美的市场匹配。
” 通过深度学习，可以进一步完善偏好列表。尝试做一些现实生活中的工作匹配。匹配结果将反过来影响偏好列表并做出修正。
赵鹏表示，中国有近6亿人口，在数千万企业工作，但对人们工作中的成就感、幸福感、安全感、竞争力等问题缺乏系统研究。企业的竞争在于人才的竞争、洞察力、双方的匹配度。
我们希望通过启动“职业科学研究”，用严谨的方法和引入人工智能等新技术手段，从科学的角度对“职业”的科学进行系统研究，并引起行业层面的关注。 一家人的话 可以辅助招聘，但有一些责任是TA无法承担的 Galen Zhang IBM开始用自己的AI Watson来“决定”员工留还是走。据科技媒体《Qubit》报道，Watson 正在改变 HR 工作方式的现状。
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状况，综合判断其是否适合晋升和加薪，是否有可能达到人生巅峰。 听起来很棒。但有一件事需要明确。从目前披露的信息来看，AI在这整个评估过程中不会起到决定性作用。
人力资源部的那些同事，依然是你升职路上的“温柔杀手”。 几年前，人们开始讨论将人工智能引入人力资源的可能性。 AI可以解决快速匹配的问题，这确实是对HR工作的解放。
一些大公司在校招时往往会收到数万份简历。必须设置关键词进行粗略筛选。
粗略筛选后，还需要仔细筛选，看看应聘者的能力与职位的匹配程度。 AI在这方面非常擅长。它甚至可以收集有关候选人的其他信息，并根据积累的数据，对求职者进行概要分析，并决定是否让他们进入下一轮招聘。 不过，如果你想继续将AI深入应用到人力资源的其他领域，你可能需要更加谨慎。
需要记住的一点是，人工智能没有任何“来自数据世界的神秘力量”，它只是提供参考。迷信、盲目听从人工智能的判断不仅是不负责任的，甚至是不道德的。
涉及人的事情大多都很复杂，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”。
你输入人工智能数据并反复调整算法模型。你知道它的判断准确度越来越高，但你不知道为什么。 人工智能的“心脏”也是海底的一根针。你不知道它学到了什么。
同样，你也不知道公司的人力资源算法模型中存在多少偏见。 AI可以根据掌握的信息评估员工的潜力，但它到底是如何评估的呢？评估过程中是否存在伦理道德风险？它收集的数据的边界是什么？社会技术学家 Zeynep Tufekci 在一次公开演讲中，她举了一个例子：机器可以推断出你没有透露的事情——例如，它认为你有很大概率患有抑郁症，或者它认为你有很大概率患有抑郁症。患有抑郁症三个月了。
会怀孕的。因此，它提前“体贴”地切断了你的去路，但直到现在，你仍然蒙在鼓里，不知道为什么自己会被机器放在“待处理区域”。 那么，这是准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于群体时，它会变得更加微妙。
无论人工智能发展到什么程度，人们都必须坦荡、坚决地承担起自己的责任。 HR需要了解和审视自己的偏见，并在一轮又一轮的员工评估中反思自己的企业文化。
这涉及复杂的判断，人们不能“推卸责任”，更不能缺席。