• 人工智能
    人力资源和人工智能:完美协作? --HR & AI : THE PERFECT COLLABORATION? 针对人力资源的技术解决方案变得更加智能,需要雇主采取更具创新性和敏捷性的方法来有效应对几乎不变的变化。埃森哲的新研究表明,企业的成功将取决于人与技术之间的持续合作,以提高效率和创新。   报告指出: 四分之三的组织认为智能技术对于提高竞争力至关重要。 如果企业在AI和人机合作投资水平上效仿顶尖机构,到2022年其总人数将增长10%。 三分之二的英国企业认为,人工智能将在未来三年内实现净工作收益。 超过一半的人认为人机协作对战略至关重要。 自动化和人工智能的好处还没有完全被人力资源所接受。近三分之二的企业只打算有时使用数据收集人才。一致地使用招聘分析提供的见解可能会导致更好的招聘结果,在采购合格的候选人仍然是一个挑战。 AI需要人力资源 如果有效使用,人力资源和人工智能之间的合作将创造一个简化的招聘流程。在招聘中,采取ATS的形式提供: 更“人性”的候选人体验 自动化繁琐的流程可以“人性化”候选人体验。个性化的求职申请 自动更新您在招聘过程中期待的内容和高效的工作申请只是起点。候选人并不期望有一个无技术的招聘流程 - 但他们期望一个人是最终的 聘用方面多样化 AI多样性预计将成为2018年的主要招聘趋势.AI可以帮助改善多样性,但也可以将您的历史偏见解释为候选人选择的标准。对您的筛选标准进行持续监控,并对您的新员工进行分析是人力资源的关键。这不像删除筛选过滤器那样简单。例如,吸引女性进入科技行业,成功的雇主推动积极的榜样,提供职业发展机会,利用网络更多地了解在科技行业工作的女性面临的问题。利用ATS自动完成繁琐的任务,人力资源部门可以快速完成这一任务。 透明的招聘流程 GDPR意味着招聘人员和招聘专业人员在聘用决策和分享在招聘过程中收集的数据时,必须保持透明。还必须获得候选人同意使用自动化流程和机器学习。提供集中式候选人管理系统的ATS将有助于促进这一进程。 建立人才关系 自动化取代了候选人筛选中重复耗时的任务,使人力资源部门能够专注于直接与合格的候选人和员工转介。在入职培训中,您的ATS在强制检查和引用的自动化请求方面具有无可估量的价值,因此HR可为您的新员工开发个性化的入职培训体验。直接接触在工作接受和开始日期之间是至关重要的。 与AI合作 对于雇主在招聘过程中与AI进行合作的方式,以下几点可以帮助: 获取您的数据的所有权。数据不佳会导致质量差的结果。之前人们对雇佣团队的自满情绪的态度与之前的数据有关,但是距离GDPR只有4个月的时间,人力资源部门必须掌握其数据的所有权。首先是通过ATS提供的分析和报告。 具体与你的工作岗位。如果你不了解你的新雇员所需要的关键技能或沟通,你将无法吸引合适的人选。检查在过去一年中收集到的新员工的数据,以评估最成功的员工。考虑大量或关键职位的候选人。 创建一个无偏见的面试过程,并通过招聘软件收集的数据来支持。面试是一项技巧,对于招聘经理来说,并不一定是自然而然的,确认偏见可能会影响您的招聘决策。 与人工智能和利益相关者合作,在您的最终候选人选择,并与所有有关各方分享数据。CIPD指出,在使用招聘分析的情况下,四分之一的企业领导者没有获得这些数据,阻碍了他们做出有效决策的能力。 如果您的招聘流程中有多个领域需要关注,请从一个开始,例如聘请时间。REC负责人警告说,企业在找到“ 具有适当技能填补现有工作的人 ”方面面临困难。减少招聘时间,人力资源部门可以在招聘渠道中保留合格人选的注意力。   根据埃森哲的研究,对人工智能和人机合作的投资可能会在2022年前将业务收入提高三分之一以上。变化是不可避免的,但这意味着$L̪ԌE$L̪Ԍߘ偶尔在招聘中使用数据。   Posted by Kate Smedley 以上由AI自动翻译。  
    人工智能
    2018年02月12日
  • 人工智能
    《2018 HR 人工智能大数据使用调研报告》 大数据和人工智能是否改变了您所在组织的招聘方式? 64%受访者表示同意。 你认为人工智能会取代你的工作吗? 每十位受访者中只有一位认为他们的工作将会被人工智能取代。 78%受访者表示,他们乐于在将来与人工智能,有更加密切的合作。 大数据和人工智能使工作变得更困难的主要原因是什么? 14%受访者表示,人工智能加大了其工作难度,数据过于庞杂令他们不知所措。 组织将人工智能运用于以下哪些方面? 人才搜索  33% 追踪招聘流程  23% 在职培训及发展、背景调查、聘用候选人跟进  10% 大数据和人工智能让您的工作更轻松的主要原因是什么? 专家认为是提供有价值的见解  40% 认为人工智能为其节省了大量时间  34% 团队得以将更多的人力/创意专注于招聘  21% 51%  大数据和人工智能使得他们的工作变轻松 76%受访者认为人工智能已经成为搜寻高素质人才的工具。 数据来源:《光辉睿程2018年 HR 人工智能大数据使用调研报告》 2017年末,光辉睿程对全球范围内800位HR从业人员进行调研
    人工智能
    2018年02月11日
  • 人工智能
    Josh Bersin:2018年人力资源技术:比以往更加智能化 HR Technology for 2018 - More Intelligent than Ever 几乎每一位与我交谈的人力资源供应商都声称拥有基于人工智能(AI)的解决方案,预测分析,聊天机器人或其他形式的算法解决方案,以使HR更好。 正如我所了解的所有这些产品,并开始看到他们的行动,让我给你什么寻找提示。 在招聘市场上,数据确实在推动我们的未来。由于社交网络的无处不在以及数十种智能采购和评估工具,我们的研究表明,人工智能正在创造巨大的价值。在您寻找新的招聘工具(采购,候选人评估,智能聊天机器人和移动招聘平台)时,请供应商向您展示其AI如何工作。询问如何作出决定,以及它可能适用于您的例子。这些供应商远远领先于学习曲线,价值将变得清晰。 在面试管理中,也越来愈多的工具开始提供候选人与面试官的协调沟通,自助服务等,比如优面宝,通过自动化的协调沟通机制安排好候选人的面试时间等。 在学习和发展市场上,现在很多学习管理系统(LMS)平台,学习体验平台和微型学习平台都使用人工智能和算法解决方案来推荐内容,策划内容,并通过最合适的内容来指导学习者学习。这些供应商中的许多都有丰富的经验分析通过内容的最佳路径,正确的时间来查看下一个内容,甚至正确的学习模块来查看您的信心,你的理解的主题。学习活动数据现在可以通过体验API或xAPI(一种记录和跟踪学习过程中点击的所有内容的方式)获得,因此所有这些供应商都变得“聪明”。 在员工敬业度和调查市场,同样的AI波即将到来。一系列供应商的产品开始作为参与和脉搏调查工具,现在提供文本分析,情感分析,词云和员工情绪的智能评估。他们中的一些人可以测量信任网络,并使用组织网络分析来识别网络中的可信任人员,甚至指出可能存在欺诈或不良行为的领域。虽然这些软件都不是完美的,但它比单独阅读每条评论要好,可以让管理者更好地了解他们如何与同行进行对比。 在绩效管理市场中,持续绩效管理软件现在通过查看您在工作中获得的反馈模式,提供活动流,公共和私人评论以及组织网络分析。到时候,这些平台会向管理人员推荐学习和辅导,有些已经这样做了。 在员工自助服务和案例管理方面,平台也变得更加智能。您现在不仅可以在线(或通过您的消息系统)与您的员工系统进行聊天,还可以发送消息(“星期五预订我的休假日”),系统将执行交易。很快,它会向你推荐什么课程,如何放慢和放松以及其他员工福利。 我可以继续下去。市场上大多数人力资源工具都包含“人工智能”和“智能”这两个词,越来越多的人开始工作。 虽然这一切都是积极的,而且肯定会让我们的工作更轻松,但是让我也给你一个警告:AI不是魔法; 它只是高度精炼的统计和数学模型,试图根据大量数据预测和推荐行动。如果你没有足够的数据,AI可能没有那么有用。所以听起来很令人兴奋,我建议你让供应商给你一个真实世界的演示,并尽可能多的参考。 在我看来,AI,预测分析,情感分析,视觉识别和自然语言界面的成熟速度比我们预期的要快得多。所有这些都将影响我们的人力资源技术。只要确保你买的东西确实符合你的需求,并且你所实施的“智能”在你的组织需要的领域是聪明的。  Josh Bersin是德勤咨询(Deloitte Consulting LLP)Bersin™的负责人和创始人。本文件中使用的“Deloitte”是Deloitte LLP的子公司Deloitte Consulting LLP。请参阅www.deloitte.com/us/about,了解我们法律结构的详细说明。根据公共会计规则和条例,某些服务可能无法向证明客户提供。    以上由AI翻译,下面是英文原文: Almost every HR vendor I talk with claims to have artificial intelligence (AI)-based solutions, predictive analytics, chatbots or some other form of algorithmic solution to make HR better. As I've learned about all these products and started to see them in action, let me give you tips on what to look for. In the recruitment market, data is really driving our future. Thanks to the ubiquitous nature of social networks and dozens of intelligent sourcing and assessment tools, our research shows, AI is creating significant value. As you search for new recruiting tools (sourcing, candidate assessment, intelligent chatbots and mobile recruiting platforms), ask the vendor to show you how its AI works. Ask to see how decisions are made and for examples of where it might apply to you. These vendors are well ahead of the learning curve, and the value will become clear to you. In the learning and development market, many learning management system (LMS) platforms, learning experience platforms, and micro-learning platforms now use AI and an algorithmic solution to recommend content, curate content and guide learners through the most appropriate content to learn.  Many of these vendors have extensive experience analyzing the best path through content, the right time to view the next content and even the right learning module to view based on your confidence in your understanding of the subject matter. Learning activity data is now available through the Experience API, or xAPI (a way to record and track everything you click on while learning), so all these vendors are becoming "intelligent." In the employee engagement and survey market, the same AI wave is coming. A flurry of vendors whose products started as engagement and pulse survey tools now provide text analytics, sentiment analysis, word clouds and intelligent assessment of employee sentiment. Several of them can measure trust networks and use organizational network analysis to identify trusted people in your network and even point out areas of potential fraud or bad behavior. While none of this software is perfect, it's better than trying to read every comment individually and can certainly give managers a better idea of how they stack up against their peers. In the performance management market, software for continuous performance management now provides activity streams, public and private comments, and organizational network analysis by looking at the patterns of feedback you get on the job. In time, these platforms will recommend learning and coaching to managers, and some do this already. In the area of employee self-service and case management, the platforms are also getting smarter. Not only can you now chat with your employee system online (or through your messaging system), you can send it messages ("Book my vacation day on Friday") and the system will perform a transaction. Soon, it will actually make recommendations to you on what courses to take, how to slow down and relax, and other employee benefits. I could go on and on. It feels like the words "AI" and "intelligent" have been included on most HR tools in the market, and more and more of this is starting to work. While all this is positive and definitely making our work lives easier, let me also give you a warning: AI is not magic; it is simply highly refined statistics and mathematical models that try to predict and recommend action based on a mass amount of data. If you don't have enough data, the AI may not be as useful. So as exciting as it sounds, I recommend you ask the vendor to give you a real-world demo and talk with as many references as you can. There's no question in my mind that AI, predictive analytics, sentiment analytics, visual recognition and natural language interfaces are maturing far faster than we expected. All of this will impact our HR technologies. Just make sure that whatever you buy really fits your needs and that the "intelligence" you implement is intelligent in the areas of need for your organization.  Josh Bersin is principal and founder, Bersin™, Deloitte Consulting LLP.  As used in this document, "Deloitte" means Deloitte Consulting LLP, a subsidiary of Deloitte LLP. Please see www.deloitte.com/us/about for a detailed description of our legal structure. Certain services may not be available to attest clients under the rules and regulations of public accounting.
    人工智能
    2018年02月11日
  • 人工智能
    人工智能+零售升级,「深兰科技」完成亿元级A轮融资 36氪获悉,人工智能企业「深兰科技」今日宣布完成亿元级A轮融资,华映资本领投,德商资本跟投。 「深兰科技」方面表示,本轮融资将加速公司在零售升级、自动驾驶、智能机器人等领域的产品研发与市场拓展,加速团队扩建,推动基于人工智能技术的新生态系统建设。 36氪曾多次报道过「深兰科技」,此前公司曾获得云锋基金投资的数千万人民币Pre-A轮融资,以及DNA基金领投、蓝海基金跟投的千万级人民币天使轮融资。 「深兰科技」2015年推出了第一家无人值守门店,2016年发布「quiXmart快猫智能零售系统」,2017年2月联合蚂蚁金服推出「takego结算系统」,2017年6月发布「AI自贩柜」,2018年初推出办公室货架的升级产品「小兰系列」。 作为To B的技术服务提供商,从底层技术和算法,到中层的软件,再到上层的硬件,深兰科技提供一系列完整的解决方案。总结来看,深兰科技的产品架构主要应用于以下场景: 便利店存量升级场景:quiXmart快猫智能零售系统/takego结算系统 在技术路径的选择上,深兰科技应用的核心技术是——机器视觉、深度学习及生物识别,这和Amazon Go是一致的。 quiXmart快猫系统实现了便利店的无人化,而takego结算系统实现了“拿完即走”的便利性。反映在购买流程上,第一次注册的用户需录入手脉信息,并同意支付宝代扣款协议;完成注册后,可以通过“扫手”的动作开门,挑选商品,“拿完即走”,由支付系统完成代扣款。 值得一提的是,如果说“无人便利店”形态瞄准的是增量市场,「深兰科技」更多地是对存量市场的改造。“我们对无人零售店的真实需求,是存疑的。” 深兰科技创始人陈海波表示,公司倾向于做赋能型的存量改造。 自动贩卖机场景:「AI自贩柜」产品 同样的升级改造,也适用于自动贩卖机。 陈海波表示,相较于市面上的自贩机,深兰的「AI自贩柜」提供了和便利店一样的购物体验,扫手开门-选择商品-关门扣款。 此外,将自贩机的投资回报周期从6年缩短到1年——这意味着需要提高商品的客单价和消费频次。客单价的提高,需要添加便当、酸奶等鲜食产品,反推到技术解决方案上,需要可识别的商品形状不受限制。而消费频次的提高需要强化便利性,“拿完即走”,是深兰在便利性上的解决方案。 近场零售场景:办公室货架升级产品「小兰系列」 关于近场零售,办公室货架曾在两个月内30个项目入局,但由于货损率问题,似乎有渐凉之意。 因此,货损问题,是小兰系列产品解决的第一个痛点。「小兰系列」包括小兰冰箱、小兰货柜、小兰货架、小兰风幕柜。其中,小兰冰箱推出首周,接到订单过万台。未来深兰科技还将联合国内知名自贩机企业打造千元级开门式自贩机,实现扫手(脸/二维码)开门,拿完即走。 便利店增量场景:「大兰超级便利」双开门冰柜 冰柜产品可多柜自由组合,为便利店探索更多的增量。 根据公司提供的数据,目前已落地数百台设备,30-40个B端客户(包括娃哈哈、伊利、来伊份等),积累了十多万C端用户数据。 陈海波透露,2018年深兰科技的重点有三个,一是办公室货架企业的升级;二是自贩机领域的升级,三是将零售移动化。 本轮领投方华映资本表示,深兰科技作为人工智能无人零售解决方案提供商,拥有一套专为零售场景打造的AI识别算法,这是深兰科技的核心价值。 “作为To B的企业,深兰科技拥有将技术落地的实力——能够将算法、技术变成适配不同场景、不同需求的产品和解决方案,并进行规模量产。”华映资本投资总监姜志峰表示,在底层架构的基础之上,深兰科技未来可将其技术及算法,应用在更多的领域之中。
    人工智能
    2018年02月05日
  • 人工智能
    微信的机器学习与人工智能应用实践 编者按:本文来自InfoQ(ID:infoqchina),作者:张重阳,编辑:小智。2018 年 1 月 13-14 日,AICon 全球人工智能与机器学习技术大会在北京召开,微信小程序商业技术负责人张重阳应邀担任本次大会的联席主席,发表演讲介绍了人工智能应用落地过程中的 4 个"in",并结合在微信的实践案例做了深入的讲解。以下为演讲全文。 图为张重阳AICon演讲现场 写在前面 大家好,我是来自微信的张重阳,很荣幸有这个机会和大家一起交流一下机器学习和人工智能技术在微信的应用实践。谈起人工智能,大家首先想到的是图像识别、语音识别、机器翻译、机器人这些技术,然而人工智能所涉及的应用场景和商业价值却远不止此。在日常的经营和管理中,任何一个企业都会维护客户关系,都有销售数据需要分析,都会在生产,销售和运营的各个环节中面对不同的决策问题,新一代的商业智能技术就是利用现在飞速发展的机器学习和数据分析技术对企业商业化过程中面临的各种问题给出自动化的智能解决方案,从而驱动业务快速增长。 我们来看一下智能技术在商业过程中解决问题的 4 个重要环节,我这里总结了 4 个“in”,首先我们叫 integration,就是针对需要解决的问题收集和整合已有的数据。这里所面临的挑战主要有两个,首先是如何在计算机中表示数据以便于存储和计算,另一个是在我们实际应用中如何处理保密数据,比如财务数据,或是当我们处理用户数据的时候如何保护用户隐私,有没有什么方法对数据进行处理后既起到保密的作用又不影响计算机使用? 有数据后就是用统计和机器学习的方法去解决问题得出问题的最优解,这步我们叫 inference,不同于学术研究,在实际应用中我们会将多个模型进行组合使用取长补短从而得到更好的效果,稍后我会结合实例说明, 在有了 inference 结果之后,实际应用中不能只给一个预测结果,而是要结合数据对模型的预测结果进行更深入的分析和解释也就是 interpretation,这也是最近两年在深度学习之后比较热门的方向,因为深度学习虽然在整体的数据结果上取得了很不错的效果,但偶尔会在个别样本上给出令人难以理解的结果,有没有什么方法对深度学习这样的复杂模型进行解释,我将在后面介绍一种对黑盒模型进行解释的方法。 解释之后,该发现的问题找到原因,那么我们就要结合人工的知识和实际环境制定策略,并用自动化测试的方法去验证效果,这步我们叫 investigation,这一步其实最复杂,因为要结合人工知识而且在各个业务场景中验证方法都不一样,由于时间关系我这里介绍一种通用的方法 ABtest,ABtest 无论是在传统行业还是在互联网公司都已经被使用了很多年了,是一个非常有效的产品测试方法,但是即便是这种被广泛使用的方法,也需要根据实际应用场景进行设计,比如我们在微信上使用的很多产品是社交化的不能完全独立的分成 AB 两个集合,有时在小样本测试下有效不能保障放量后继续有效,后面我会给大家介绍一种我们改进的方法 Ntest。 好,说了这么多,我们先来宏观的看一下,在微信平台上我们正在做哪些尝试,这个图我 2015 年的时候就在 InfoQ 上分享过,当时我们的工作重点是在精准拉新这部分,因为当时在做朋友圈广告,但是拉新只是商业化的第一步,有了用户后,如何通过数据分析和自动化的方法做精细化运营降低用户流失率并提供个性化的服务提高产品体验才是企业成功的关键。 大家都知道小程序是微信生态的重要一环,因为它的便携性商家可以在微信小程序上以极低的成本获取用户,下一步我们还会依靠微信的大数据处理和机器学习的能力结合我们丰富的用户画像体系逐渐提供相关的分析工具和自动化测试工具帮助商家做好精细化运营提高用户体验。比如现在很多商家的促销展示对每个用户都是一样的,如果平台可以分析出当前用户里面哪些是最有价值的用户哪些是即将流失的用户,并提供一些自动化的测试工具验证运营效果,相信可以帮助商家大幅度的降低运营成本提高运营效果。今天我将结合其中的用户画像,流失预测,流失分析和 ABtest 相关技术和大家一起探讨一下微信在商业智能技术 4 个“in”上的技术实践。 整合 Integration 先看数据整合 integration,这里我介绍一下实际应用中最常用到的用户画像技术,对一个企业来说最重要的资源无疑是它的用户,提供个性化和自动化的服务和产品必然需要足够的了解用户,那么用户画像就是用户在计算机中的表示形式。这里的挑战首先就是表示的方法,将用户表示成什么样的结构才方便计算机使用,另一个挑战是如何保护用户隐私,虽然我们对用户的敏感数据进行了脱敏,但用户的特征越多越容易反推回单个用户,有没有什么方法既能保护用户隐私又不影响计算机的使用? 先看用户画像的表示方法,用户画像的目的是为了在不同任务中度量用户和用户之间的相似度,那么通用的做法是将每个用户在数据库中表示成一个向量,向量和向量之间的距离有很多种数学方法计算比如常用的欧式距离和余弦,但实际使用中会根据不同应用场景定义相似度函数,或是在实际的数据上用机器学习的方法去拟合这个函数,有了这种对不同用户相似度度量的方法我们就可以做用户分类和聚类,或是提供对相似的用户推荐相同的商品这样的服务。 但是这个将用户转成向量的过程,在实际中却是非常复杂的,如果都是简单的标签那么常用的 onehot 编码就可以搞定,但很多数据是有结构的,例如微信中社交关系是一个网络结构,用户和公众号的关注关系是一个二部图的结构,用户的兴趣是一个随时间变化的序列结构。 我们在实践中社交关系这种网络结构使用了 node2vec 的方法转换成向量,使用的时候有些提高效果的小技巧比如好友关系其实是有权重的,好友和好友之间相互点赞和评论的越多权重就越大。 公众号的关注关系其实是一个稀疏矩阵,我们把每个用户关注的公众号作为一个词,把一个用户作为一个文档看待,这样就可以使用通用的主题模型给每个用户打上主题标签,推荐大家使用袁老师的 lightlda,非常适合大规模数据的训练,还有短期兴趣这种序列结构,文本,图像这些数据都可以用深度学习的方法 embedding 成向量,那么最终把这些向量拼接到一起就是计算机可以使用的用户特征向量。 上面的方法编码后,每个用户特征的维度是很高的,这意味着实际使用中需要足够多的训练样本否则就容易过拟合,但实际使用中用来训练的用户集大多数时候是非常有限的,要让算法支持较低的样本输入,必须要对初步编码后的用户特征向量做降维,现在有基于深度学习的 auto-encoder 的方法,在实际使用中我们发现它的效果比传统的 PCA 好很多,降维的另一个好处是对传统的标签进行了压缩和隐藏,压缩完成的向量不影响用户相似度的计算,但维度上比原始的向量小了很多,每一维的数值并没有实际的物理含义从而保护了用户隐私,便于在公司内进行共享使用。 关于用户隐私保护的问题这是公司内在处理用户数据时遵守的原则,文字比较多我就不念了。 推断 Inference 对数据整合和编码后,下一步我们要使用统计和机器学习的方法去求解问题也就是 inference,这里我们来说 lookalike 这个模型。 lookalike 在商业化方向上有很多的应用场景,lookalike 最早是用在社交广告上的,通过商家上传的种子用户包扩展更多的相似用户用于做广告受众,广告投放中它的效果远好于标签筛选出来的用户,但是 lookalike 的本质是通过已知的一堆样本在另一个集合上去找相似的样本,同样的也可以用在流失预测上,我们知道上个月到现在已经流失的用户,在现有的用户群上做 lookalike 相似性扩展就可以找到正在流失或下一步可能流失的用户,lookalike 对线下店铺的智能运营也很有作用,我们通过已有用户在大盘全量用户上做 lookalike 就可以算出各个地方潜在的客户群体有多大,lookalike 不光用来找人还可以用在商品上,我们可以通过热门商品去商品库里面扩展找类似的商品,这就是智能选品的问题。 这是 lookalike 人群定向系统的大致流程,我们从种子包里过滤出我们自己系统里面的重合用户也就是这里的目标用户,同时从全量用户的其他用户中采样出一些用户作为对比用户,再从用户画像系统里提取出用户特征,这样我们有了一个 label 的正样本数据和一个 unlabel 的数据,可以用 PU learning 或是二分类的机器学习方法训练出模型,模型上线使用后,会有实时的反馈数据,我们会利用这部分实时数据再训练一个综合打分的算法,对线上的模型结果做出实时的调整。最终用这个最终打分对全量用户排序选出最相似的用户。 这里我们看一下 lookalike 打分算法的模型训练部分,前面说了不同于学术研究实际应用中很少使用一个模型,我多年的体会训模型和画画很像,你很难用一个笔刷完成整幅画作,刚开始的时候需要用粗的笔刷完成大的布局最后再用细的笔刷去勾勒细节。 在机器学习中常用的模型整合方法有 ensemble 和 jointtrain,lookalike 中比较通用的方法是左图这种先用 gbdt 学习特征再传给 LR,FM 或 DNN 的方法,之后 google 用了这种对 LR 和 DNN 进行联合训练的 wide&deep 模型。如果人工特征设计得好是可以结合两者优点取得非常好的效果的。我们系统实际使用的是右图这种 ensemble 的方法,因为 gbdt 是一种基于 boosting 的学习框架,那么理论上它可以 boost 任何模型,当然包括 dnn,这样就可以将这两种模型的优点结合起来了,他的训练方法是先训一个 dnn,这里不需要用太多的层数相当于用粗的笔刷去完成大致的轮廓,然后用 gbdt 进行 boosting,这相当于用更细的笔刷去刻画细节。 我们看一下 lookalike 应用的一个具体实例,lookalike 被广泛的应用于精准拉新,但我觉得相对于拉新降低用户流失率更重要,因为新用户可以通过广告或地推等方式花钱买到,但已有用户一旦流失就很难挽回,所以必须在流失之前采取措施。常用的激活策略有很多,比如促销商品,发优惠券或发红包等,假如有商家要拿出一笔钱给用户发红包,那么怎么花这笔钱呢?显然不是等用户已经流失了再发给他,因为这时用户已经不再打开应用了,等同的给每个用户发也不合理,因为预算有限。那么常用的方法是发给对平台有最有价值的用户和有可能要流失的用户,所以要做用户价值分析和流失预测。 这张图是流失预测和流失分析的流程图,我们使用刚流失的用户在当前的用户上面做 lookalike 就可以得到正在流失或即将流失的用户,在流失预测之后的流失分析是很必要的。因为流失有很多种情况,不同情况采取的策略是不同的。那么怎么做这个流失分析呢?这就是我们下面要讨论的问题。 解释 Interpretation 我们继续上一节的话题以流失分析为例看一下第三个“in” interpretation。 模型的可解释性和精度同等重要,这是机器学习在实际使用和学术研究的一个重要区别,因为我们可以从解释的结果中发现模型本身是不是靠谱,这样的解释结果更容易说服模型的反馈对象有助于模型的推广。另外模型的使用者可以从这个结果中发现问题从而针对性的制定策略比如我们刚说的流失分析,其实在某些领域比如医疗和金融,不可解释的模型是无法推广的。 那么有没有一种方法可以同时得到比较高的精确度和可解释性呢?这其实是个鱼和熊掌的问题,因为模型的能力越强就越复杂越不容易解释,右上这个图说明了这种情况,横轴是模型的精确度,纵轴是模型的可解释性,可以看到可解释性很好的线性模型和决策树模型精度并不高,精确度很高的神经网络和深度学习解释性最差。 KDD2016 的一篇文章给出一个很新颖的方法,既然鱼和熊掌不可兼得,能不能用高精度的模型去解决问题,再用一个可解释的模型去解释这个高精度的模型?那么问题来了,可解释的模型一般非常简单比如线性模型,它无法去拟合像 DNN 这样一个非线性模型,例如右上图的这个分类结果,这篇论文给出了一个很新颖的算法 lime,因为无论模型多么复杂,每次也只需解释一个样本的预测结果,而非线性模型在单个的样本的局部是可以用线性模型近似的。 但是这样就有另外一个问题,要在这个样本局部进行拟合必须在这个样本周围有足够多的训练样本,lime 的做法是对样本的某些特征进行一些扰动产生一些新的样本,再用之前的高精度模型对这些样本进行预测。这样就产生了很多由高精度模型标注的样本,而且我们可以计算出每个生成样本和我们要解释的样本之间的距离,这时就可以用可解释的线性模型比如 lasso 对这个样本的局部进行拟合和解释了。 这是用户流失分析系统的框架,通过前面说的模型进行用户流失预测后得到了正在流失的用户和忠实用户,这里需要注意的是我们对用户特征做了 encoder,所以在解释的时候需要映射回之前可解释的特征表示并和编码器一起传给 lime,就可以对每个用户的流失预测结果进行解释了。我们会对全量用户的解释结果再用算法进行一次聚合,分析出正在流失用户和忠实用户整体的特征并将这个结果可视化的展示出来。 这是我们对一款游戏类小程序的用户流失分析结果的可视化展示,可以看出主要是学生用户正在流失可能是由于最近快期末考试了,我们还可以对这些用户进行聚类,右上角是在二维平面上的可视化聚类结果,使用者还可以再次下钻到各个子类中针对各个类的特点制定相应的运营策略。 调查 Investigation 有了分析结果后就是要结合人工知识制定策略并用自动化的方法在实际环境中验证结果我们叫 investigation,这里介绍一种 ABtest 的改进方法。 ABtest 源于医学的双盲实验,在互联网时代,它被广泛的应用于网站改版和产品升级后的效果测试。相对于观察上线前后的数据,abtest 可以有效的排除季节因素、市场环境因素的影响,现在 ABtest 也被用来分析不同广告或运营策略的效果。比如刚说的流失问题,我们分析问题后设计了一个降低流失的策略,要看这个策略有没有效果就要放到线上的真实环境中去测试,这是传统的 ABtest 的流程。 之所以叫 ABtest 是因为在实验时会将实验的用户分流成不使用策略的 control 和使用策略的 treatment 两组用户进行对比观察,这里有很多技术细节比如在多个实验并行进行时的正交分层模型,对 control 和 treatment 的同质校验,结果的显著性分析等,有很多论文讨论这些问题。我这里重点和大家一起交流一下在社交网络中的一些问题和改进方法。 在社交网络上要将用户分成两组完全独立的 control 和 treatment 是很困难的,因为用户和用户之间相互影响,比如我们微信上可以分享给好友的立减金,微信电商类小程序采用的拼单和组团的这种促销模式,这些红包和促销商品会在好友和好友之间传播,最终可能导致 control 和 treatment 都变好了或是都变差了。另外一个问题就是灰度实验的时候,在一个小的用户量下实验有效,在放量后会不会继续有效,因为放量后投放的密度变大了用户和用户之间的影响更大。这种影响可能导致之前的策略不起作用也可能导致之前的策略的效果成指数的放大。那么这个问题就变成了如何测试投放密度和实验效果的关系。 我们针对社交网络的特点设计了一种改进的策略 Ntest,和传统 ABtest 不同,Ntest 不是以单个用户作为测试单位而是以几十人到几百人的子网络作为测试单元,每次实验选择 N 个子网络作为实验组,并在各个实验组上采用不同的密度投放实验策略。最终对每个子网络计算实验指标,我们将这 N 个子网络的指标和密度的关系绘制在坐标系上,就可以分析出指标随密度变化的趋势,右图是常见的三种情况,横轴是策略在子网络上投放的密度,纵轴是当前指标的效果,上面这个图随着密度增大效果整体呈上升趋势,说明策略和当前指标是正相关的。同理这下面是负相关和不相关的大致情况。 写在最后 最后我们总结一下机器学习方法落地实践的心得。 首先是我们要针对问题对数据进行整合和编码使其易于计算,数据整合后用多个模型组合使用可以取得更好的效果,对模型结果的分析和解释在模型推广时非常重要,最后任何结论都要回到实际业务场景中验证效果。 作者介绍 张重阳,微信小程序 商业技术负责人。2014 年加入微信,先后负责用户画像建设,lookalike 人群定向,微信斑马系统,小程序广告系统,小程序商业化技术,专注于自然语言处理,计算广告,机器学习,数据变现等技术方向,加入微信前曾就职于微软、科大讯飞从事自然语言处理、语音、搜索推荐、计算广告等技术研究。
    人工智能
    2018年01月22日
  • 人工智能
    推荐一篇文章英文:为什么人工智能可能成为你的人力资源团队聘用和保留最优秀人才的工具 人工智能(AI)将以某种方式很快影响几乎所有的行业,但是2018年这项技术将会在一个行业中大放异彩:人力资源。 根据最近的Glassdoor报告,特别是在竞争激烈的领域,例如科技行业,人力资源部门越来越多的供应商正在提供AI解决方案,以帮助人力资源专业人员找到并留住顶尖人才。在美国这些供应商包括Entelo,Textio,Textkernal,HiringSolved和x.ai提供AI解决方案,帮助招聘人员整理简历,使用数据在求职者和职位之间进行预测性匹配,纠正工作描述中使用的语言偏差,并使用机器人计划候选人面试。在中国优面宝(umb.ai)作为面试管理的领导者,也开始布局相关的应用和服务,特别是在候选人面试安排以及面试管理上。 这个方面中美起点都差不多。 来自HRTechChina 专栏 的内容: 详细阅读这里:http://new.hrtechchina.com/Column/blog/blog_detail/home_uid/2/b_id/4.html
    人工智能
    2018年01月04日
  • 人工智能
    卖引擎而非整车,「麦穗」想用人工智能、大数据帮招聘网站提高效率,英格玛HRTECH基金投资 在麦穗联合创始人王露颐看来,招聘主要有3个步骤,其一是为企业找到足够数量的候选人,因为基数大了,才能确保质量;其二是找准人,最后才是人岗匹配合不合适的问题。 按照王露颐的说法,麦穗并不是卖整车,而是给一些大型招聘网站、企业开发引擎,目前主要提供3大产品。其一是帮助招聘网站快速定位候选人,公司合作客户均具有较大体量,一般在内部都有着丰富简历。通过匹配求职人员简历和职位描述为企业找人。如果客户简历数量不够,公司也会从外部为其定制一定数量的简历。 首先会分析企业的基本情况、发展阶段、过往入职人选等特征来对需求方用人偏好形成一个完整画像。还会精细化分析和标注处理整段职位描述,并分析所处行业特征和标的企业的用人状况。麦穗会运用智能语义解析,切分并提取候选人简历的核心内容,形成150多个维度,来匹配企业的用人画像。这150多个维度包括候选人的期望薪资、期望的工作地点、到岗时间、简历新鲜度(候选人更新简历的频繁程度是和换工作的意愿成正比的)、学历状况、专业技能、工作经历等。 人才库盘活是近年来一个活跃话题,理想场景是当 HR 向外发布职位时,系统可以自动提示她自有人才库里已经有很多合适的候选人了。但是据欧美市场最大的求职网站 Indeed.com 的总裁 Chris Hyams 介绍,由于不同行业、不同工种之前存在许多“潜规则”,且很多职位的 JD 还是不能标准化、模型化,该技术的实际应用还是存在一定问题。 仅仅通过职位 JD 和候选人简历去匹配供需双方,这个显然是不够的,因为很多时候职位与职位间的描述是比较相似的,并不能精确匹配,利用简历数据所做的只能是一个“冷启动模型”,后续还要通过不断添加数据维度来精细化该模型。麦穗的第二个业务是为该模型添加了类似电商的用户行为数据分析。 具体来说,麦穗会分析企业的职位发布者在招聘网站上的历史行为数据,比如关注了哪些候选人、拉黑了哪些候选人、搜索查看过哪些候选人,付费买过哪些候选人的联系方式。通过在推荐模型中添加用户行为数据,匹配的维度自然会更多。使用越多,产生的数据越多,匹配自然也就更加精准。 以上两款产品均是重大数据,轻 AI 的产品。麦穗在今年试点性地推出了一款视频面试类产品,据王露颐介绍,该款产品集成了机器学习和深度探测模型来探测候选人的软性素质,方法是通过探测候选人在面试时的肢体动作和面部表情,来对候选人打分。比方说团队会通过一套数据模型,从中产生6000多个维度,来定义什么是“领导能力”。在匹配候选人面试时的表现,挑选出“领导力”强的候选人。 据悉麦穗是由英格玛HRTECH基金投资。 来源:36氪,作者:徐宇。
    人工智能
    2017年12月29日
  • 人工智能
    职场报告:现在还没必要担忧AI完全取代你的工作 编者按:本文来自网易智能,选自:cnet编译,网易见外智能编译平台,审校:nariiy。 人工智能是一种稳定的潜流,但它不会是未来一年影响求职者的唯一因素。 员工需求和真正的智能技术可能会改变公司在2018年招聘和留住人才的方式——甚至可能改变你的工作方式。根据求职平台Glassdoor周三发布的一份报告,人工智能和自动化等技术将影响到劳动力的方方面面。这并不奇怪,因为人工智能正在影响各种领域,从网络搜索结果到手机安全,甚至是我们对气候变化的反应。Glassdoor称,真正驾驭人工智能浪潮的行业是人际关系,这一事实对所有求职者都有影响。 人工智能可以帮助招聘者筛选成堆的简历 人力资源部门经常被叫去筛选成百上千份简历,像HiringSolved、Entelo和Textio这样的平台则提供人工智能工具去帮助用户完成这一过程。人工智能还被用于编写不带有偏见的工作描述,并且被要求处理重复性的任务,比如安排候选人面试。Glassdoor预计,在明年及以后的招聘中,人工智能应用将得到更大的普及。 另一个受人工智能影响而发生巨大变化的领域是金融服务,像开发对冲和执行交易这样的常规任务可以用机器学习软件完成。这为更高级别的财务咨询和销售角色留下了空间,这些角色需要判断力、信誉和长期的人际关系——这些都是与生俱来的“人性”。 这些趋势将会从2017年开始,这一年是招聘的好年头。据Glassdoor网站称,截至去年11月,今年新增了190万个工作岗位。失业率处于4.1%的17年低点,这意味着,科技、医疗、电子商务和专业服务领域的人才争夺战,让雇主们争相填补610万个空缺职位。 与这些积极的信号相抗衡的是,人们担心人工智能会破坏经济,迫使人们失业。但是,在Glassdoor的首席经济学家Andrew Chamberlain看来,这些担忧都是不存在的。 “人工智能很少能完全取代一份工作,”Glassdoor报告的作者Chamberlain认为。“它通常会取代一部分工作,然后把其他部分留在后面。” 人力资源和金融领域之外的行业也会感受到人工智能的影响,包括医疗保健。人工智能技术正在帮助放射科医生更准确地检测病人成像扫描中的癌症;在零售领域,它通过亚马逊的Alexa等语音服务创造出家庭购物体验;在交通运输领域,人工智能辅助的卡车运输和包裹递送意味着更安全、更便宜的配送。 更好的透明度 你有没有想过,为什么追踪你订购的一双鞋很容易,但很难得知道工作申请的每一步进展?随着越来越多的雇主将提高透明度作为一种差异化的方式并吸引顶级人才,这种情况在2018年也可能发生变化。求职者想知道招聘过程需要多长时间,他们的简历是否经过审核,以及为什么要做出此种决定。 “对于求职者来说,这是一个主要的痛点。” Chamberlain说。“雇主只会在有压力的情况下才会投资。” 人们申请工作的方式也在转变,向移动端倾斜。Glassdoor网站称,其4800万月独立访客中,超过一半的用户使用移动设备访问该网站。尽管移动求职很方便,但实际上在小屏幕上求职的过程可能会很麻烦。Chamberlain说,这是因为许多公司用来管理在线招聘的软件已经过时了。随着越来越多的求职者在移动设备上寻找工作,企业将会感受到增长的压力,因而开始简化这一流程,并投资更好的软件和功能。 与此同时,在接下来的一年里,寻找帮助促进横向职业发展的“角色试验”项目将会变化。Chamberlain说:“在如今非常紧张的劳动力市场中,对很多争抢技术人才的公司来说,这是一个很好的解决方案,因为你可以更好地利用已有的内部资源。” 当就业增长遇上技术 Glassdoor的预测显示,医疗保健行业在2018年的增长可能最为明显。2016年至2026年期间,家庭保健助理的新工作岗位需求将会超过110万个,因为婴儿潮一代正在步入老年。美国劳工统计局的数据显示,预计未来十年,增长最多的15个工作岗位中,注册护士、医疗助理和护理助理将会是其中之一。 科技公司在世界各地将保有持续的知名度。这对软件开发者来说是个好消息,他们可能会被雇佣到零售、金融、制造业、咨询和生物技术领域,以及硅谷以外的地方。 “如果你今天从事的是技术工作,你可能并不一定要在科技行业工作,”Chamberlain说。“今天,各种行业都在招聘技术从业者——从媒体公司到咨询公司,从政府到金融业。他们都在招聘软件工程师和数据科学家,以及类似的人,因为他们想要更有效地使用自己的数据。” 服务员、清洁工、客户服务代表、建筑工人和卡车司机等传统职位预计也将位列增长最多的15个岗位中。这是因为它们涉及的是一种劳动密集型的、难以实现规模化自动化的工作。人工智能和技术可以将这些工作的部分自动化,但其他需要人类判断或移情的部分无法被取代。 尽管公司为吸引顶级科技人才而提供更多的福利和灵活的工作环境,但鉴于传统求职者在劳动力市场中的重要性,公司可能需要匀出部分福利给传统求职者。与技术人才一起工作的人也能享受到特殊的“照顾”。例如,如果一家公司推出免费的零食和餐食,以吸引那些备受追捧的软件开发者,他们很可能会为所有部门的员工提供这些福利。
    人工智能
    2017年12月22日
  • 人工智能
    为企业提供基于人工智能的客户服务解决方案,伦敦创企DigitalGenius获1475万美元A轮融资 据外媒消息,总部位于英国伦敦的人工智能客户服务解决方案DigitalGenius宣布获得了一笔1475万美元的A轮融资,领投方为Global Founders Capital,参投方包括MMC Ventures,Paua Ventures,Salesforce Ventures, Runa Capital, RRE Ventures, Lumia Capital, Compound 和Lerer Hippeau Ventures。截至目前,该公司的融资总金额达到了2600万美元。 记者还了解到,由于人工智能技术还没有发展到能够与人类顺畅交流的阶段,很多部署了智能聊天机器人的企业在提供客户服务的时候往往无法提供准确的解释、支持和帮助,导致客户体验极差,甚至造成客户流失。为了解决这个问题,DigitalGenius采用了一种“机器学习*人工干预”的整体解决方案,用机器学习和自然语言处理技术分析社交媒体、文本和电子邮件内容,然后把信息分为不同等级推送给客户,一旦解答信息等级变得越来越低,那么就会有人工客服参与进来。目前,该公司的客户包括荷兰皇家航空、联合利华、欧洲之星、以及Soylent等。   本文作者:Farmer 来源:鸵鸟创投媒体(微信:wechuangye)
    人工智能
    2017年12月20日
  • 人工智能
    2017年度人工智能报告:7大行业应用,100个初创企业 来源:公众号“龟兔赛跑” 2017年,中美两地人工智能投资大热。中国出台《新一代人工智能发展规划》,首次将人工智能发展提高到国家战略层面; 美国发布《人工智能:自动化和经济》,敦促政府确保美国AI领先地位; 中国,百度在国内首届人工智能开发者大会提出“All in AI”愿景,美国,谷歌在I/O大会上提出“AI First”的新方向。 年末,分析了2017全年对于人工智能的投资趋势,总结了七大行业应用。 正文如下 -END- 撰写团队:王子, 王宇辰,马雅伦,陈宏伟
    人工智能
    2017年12月11日
 Hotline: 021-31266618   Email:hi@hrtechchina.com