人工智能 - HRTechChina.com - 向上的力量！

人工智能

观点：机器人现在将面试你-人工智能可以通过消除偏见而彻底改变招聘方式编者注：在中国偏见和歧视还不是一个重要被关注的话题，招聘广告依然可以肆无忌惮的写到仅要男性或者女性，35岁以下，985211研究生等等。在未来融入国际化的过程中，这个问题会日益突出，尤其是当你作为总部HR招聘国际化员工的时候，我想国内很多公司因为这个问题发生过各种的问题，推荐你阅读下这篇文章，介绍AI可以帮助我们什么。但是AI面试也会造成一些问题，比如之前一篇文章我们谈到：“AI面部识别会把黑人的犯罪倾向增加，而白人就会低。还有就是高质量的程序员喜欢看漫画。。。当然这个关联性是否真的，都是AI带来的问题。” 下面文章来自于英国的telegraph，作者是 Caroline Bullock 当一家制药公司的老板在他指定为他的私人助理的简历上潦草地写着“高跟鞋，红色口红，很好”的时候，这是一个让他感到困扰的总结。 Lucia Pagliarone在办公桌上发现了她的简历，当她带着她的老板去法庭以性别歧视为由，这将提供令人信服的证据。她赢得了官司，但这也清楚地提醒了我们，招聘决策可能会受到技能和资质以外的因素的影响，而这些因素会产生严重的影响。被候选人的外表所左右并不是什么新鲜事;但在温斯坦之后，对歧视的敏感程度提高了，在招聘中处理偏见已经成为一项大生意，越来越多的机器人被要求恢复一些客观性。在新型人工智能(AI)驱动的应用中，能够绕过物理属性并在没有情感或偏见的情况下快速分析候选数据的技术正在获得关注。在招聘公司Korn Ferry调查的1200名招聘专业人士中，近三分之二的人表示，人工智能已经改变了这一过程的实施方式，并相信这种技术会吸引更高水平的应聘者。在LinkedIn的2018年全球招聘趋势报告中，受访者提到了节省时间和消除对年龄、种族、宗教或性别的偏见。 “算法正变得非常有吸引力，以消除偏见的风险，并将决定从面试官手中拿出来，这并不奇怪，”总部位于曼斯特的就业律师事务所Elas的顾问Emma O 'Leary说。 “人的偏见往往是潜意识的，但潜意识的歧视仍然是歧视。”在一个理想的世界里，管理者应该有健全的平等和多元化培训来克服性别歧视或种族主义的观点，但显然这种偏见仍然普遍存在，例如Lucia Pagliarone的突出部分。如果在办公桌前接受R2D2的拷问，现实情况会有所不同。最常见的迭代是自动化工具，通常用于在招聘过程的早期阶段过滤掉无意识的偏见。通过匿名分析候选人的性别、社会和教育特征，他们帮助创建一个公平的竞争环境，而预测分析则可以评估文化或技术是否符合特定的标准，并预测他们成功的可能性，这意味着更高的效率和生产力。除了帮助清除外，人工智能还可以有效地瞄准那些通常被吓退的人。例如，英国的网络安全公司(英国网络安全公司)对其数据科学家职位空缺的反应缺乏女性的关注，转而求助于Textio的预测算法，这是一个利用机器学习识别职位描述中性别偏见语言的平台，并提出了语言上的调整。该公司首席科学家麦克·麦金太尔解释说:“它突出显示了我们工作岗位上的一些措辞，比如‘雄心勃勃’、‘解决’和‘被驱使’等，通常都与男性特征有关，而男性特征实际上是在潜意识中产生了偏见。” “推荐的方法是让描述更具包容性，并吸引女性，比如‘有意义’、‘协作’、‘支持’和‘贡献’。” 这一简单的修正案对松下公司产生了巨大的影响，它证实了女性候选人的支持率上升了60%，甚至是女性候选人名单上的女性候选人。 “我们想要依靠一个在线平台来评估技能，从一开始就消除任何偏见，但是一个人是如何被人发现是非常重要的;我们是一家小公司，我们仍然想在面对面的面试中与一个人建立融洽的关系。事实上，在最后阶段使用人工智能来完成工作之前，仍然是一个默认的方法，对于那些仍然觉得在招聘过程中有情商的人来说。不过，招聘专家Headstart的首席运营官加雷斯•琼斯(Gareth Jones)表示，这是一种妥协，意味着公司最终将面临最终的障碍。不幸的是，人类天生就有偏见。所以，不管你在招聘渠道中积累了多少技术，如果你在某个时候有了面对面的交流，偏见的危险就会蔓延。 “就像人类一样，我们现在非常可怕地阻止我们的决定受到他人的肤色、年龄、外貌、口音甚至名字的影响。” 如果答案是完全消除人类干预，似乎大多数英国企业还没有准备好迎接这种信心的飞跃。在CRM开发者Pegasystems的调查中，近三分之二的受访者预计，未来10年将使用人工智能进行面试和筛选候选人成为标准做法，但只有30%的人相信算法会做出最终的招聘决定。普遍的观点是，最终，机器不能代替人对软技能和文化适应的判断。然而，对于那些被一个活生生的人问过的人来说，五年后你会在哪里看到自己呢?一个完全自动的与机器人的交流是否会变得更加公式化? 菲利普说，技术流程转型公司的创新产品管理副总裁Sutherland Global说不。TASHA的任务是在公司领导的面试系统中进行自动对话，看起来很真实，很吸引人。他认为，求职者实际上更倾向于通过一个基于信息的聊天机器人来交谈，而不是一个糟糕的人际互动的替代品。也许这并不奇怪，这是一种与千禧一代最共鸣的方式。他说:“一般来说，这一部门正在寻找求职者经验中的一个不同之处。”而且，大多数人只知道消息传递是一种沟通的方式，就像在短时间内进行的简短交流一样，这种交流更像是一种对话。事实上，它与性别、年龄和种族保持完全的中立，这使得事情的焦点集中在重要的事情上。这是一个大胆的声明，因为一个算法是否能完全消除偏差仍然是一个争论点。对于每一个宣扬算法真实性的支持者来说，都有一个怀疑论者认为这个案例被夸大了。一个带有种族主义数据的机器人不是只会表现出与它有偏见的开发者相同的特征吗? “是的，算法是由人类提供的，所以它确实依赖于机器人背后的设计者和开发者，以确保他们注意到道德规范和招募合规规则，”他表示。 ”对我们来说是一大关注点避免文化偏见在我们设计一个聊天机器人对话之前我们离开北美泡沫和去一些偏远的地方听到各种各样的人的经历然后通知所使用的语言和内容(由chatbot)与地区差异也考虑在内。” 总部位于巴斯的人工智能初创公司Cognisess的首席科学官鲍里斯•阿尔特梅尔博士是另一位坚定的捍卫者。 “首先，与人工智能不同的是，人工智能没有固有的偏见，即使所有的数据都不是完全完美的，它所访问的信息量——在某些情况下，每10分钟就有300万个数据点——给了它比人类更大的优势。” 该公司的人工智能软件旨在模拟面试，并在早期的筛选过程和最后阶段都使用过，特别是在需要快速和大量招聘的情况下，比如在酒店行业。机器学习在多个性能领域对考生进行评估，而视频元素则对一组问题做出反应，然后由机器人进行评估，这被称为“深度学习”(DeepLearn)，它将对每一帧基础上的面部表情进行分析。如果一个公司需要热情和热情来面对客户的销售角色，那么DeepLearn将会在这个人的积极性和表现力的水平上立足。有趣的是，一个虚假的微笑不会减少它。 “这台机器可以检测微表情，”Altemeyer解释说。“这些情绪在脸上只显示了几分之一秒——它是如此之快，肉眼无法察觉，也无法伪装。” 这是一种取证的强度，为客户洲际酒店集团带来了丰厚的回报。这家酒店集团增加了招聘的多样性，并在使用该软件后，在评估过程中节省了25万英镑。 “从技术上讲，这个系统可以完全吸收，但我们不会提倡完全从流程中删除人员。”如果你思考人类回顾60以上视频采访一天,仍在绝对公正或尖锐时看到第一个对任何人来说都将是一个艰巨的任务,所以它是获得尽可能多的纯粹的数据,所以他们做出最好的决定。” 至少在目前，招聘人员还是被雇佣的。以上由有道翻译提供支持，再次表示感谢！HRTechChina 倾情奉献。

人工智能
2018年03月25日
人工智能

隐藏在人工智能AI招聘工具背后的问题，值得我们HR思考！编者注：这个主要是聊到AI招聘工具可以帮助消除偏见，但这背后并不是一蹴而就的，需要不断努力，举了两个小栗子：AI面部识别会把黑人的犯罪倾向增加，而白人就会低。还有就是高质量的程序员喜欢看漫画。。。当然这个关联性是否真的，都是AI带来的问题。推荐阅读下，蛮有意思的。作者：Ben Whitford 土耳其语没有性别代词:“o”这个词在英语中是由“他”、“她”或“它”完成的。这种语言怪癖对机器翻译工具提出了挑战:将土耳其语翻译成英语，像谷歌翻译这样的工具必须猜测其主体的性别——在这个过程中，往往会暴露出其固有的偏见。例如，谷歌将土耳其语“o bir doktor”翻译成“他是一名医生”和“o bir hem?”她是个护士。谷歌的算法同样认为，总统或企业家是男性，但保姆、教师或妓女是女性。即使是性格特征也会与假定的性别一致:一个努力工作的人被认为是男性，而懒惰的人被认为是女性。谷歌的程序员没有对这些刻板印象进行编程;该软件利用人工智能研究真实世界的文本，并创造出反映人们实际使用语言的方式的翻译。换句话说，谷歌翻译的偏见是我们自己的。“机器学习算法会发现有偏见的模式，并学会像现实世界一样有偏见，”微软研究公司的Rich Caruana说。这应该会让人力资源经理们踌躇不前，他们认为，算法是为了消除招聘过程中的偏见。2016年，CIO在一篇文章中预测，人工智能将把招聘转变为“对任何人类偏见免疫的过程”。“一个袖珍计算器不能是种族主义的，理论上是这样的，一个自动分类简历的系统应该是公正的:”简单地使用这样一个自动化的、客观的过程，就有可能大大减少人类偏见的范围。很容易明白为什么管理人员渴望解决偏差问题。自从美国的“民权法案”和英国的“种族关系法案”禁止明显的歧视以来，已有数十年的时间了，但较不明显的偏见仍然是一个主要问题。研究表明，平均而言，具有刻板印象的非洲裔美国人姓名的简历比用同样的白名单提交的简历要少36％，而且自20世纪70年代以来没有改变，社会学家林肯奎利安说。奎里安说，并不是说管理者有意识地歧视别人，他去年发表了30项涉及55,842份申请的招聘偏见研究的分析报告。相反，决策者受到无意识偏见的影响，这些偏见基于他们可能不知道的根深蒂固的偏见。“定型是一种缓慢而难以改变的弹性事物，”奎利安说。“这是令人沮丧的现实 - 超过35年，它没有改变。” 在'黑盒子'里面越来越多的无意识偏见意识促使人们对自动化招聘系统产生兴趣，但这种偏见的普遍性意味着，使用真实世界的数据进行培训的人工智能工具不是公正的。谷歌翻译的性别问题不是一个孤立的案例。在许多行业中，有无数的例子都是机器学习工具复制了他们的血肉之躯的偏见。考虑到研究人员发现该面部识别工具是准确的白人99％，但准确的黑人女性只有65％。并且Google的在线广告算法被发现更有可能向与名声不佳的人展开有关逮捕的广告。而且一名被法官广泛使用的人工智能工具被发现错误地将黑人被告标记为重新犯罪的高风险，几乎是白人被告的错误率的两倍。很容易看出这样的偏见会如何污染与申请人职位空缺相匹配的工具或者通知与奖金和晋升有关的决策。审查编程职位申请的人工授精工具可能会注意到，公司目前的程序员大多是男性，并且会对男性候选人产生相应的推动作用。Caruana说：“你最终不会招聘女性积极参与编程职位，因为来源方面的偏见是，女性总的来说不是程序员。尽管AI工具可以被命令忽略性别，种族和其他受保护特征，但消除AI系统的偏见比看起来更难。由于它们的性质，人工智能工具发现模式，许多因素 - 邮政编码，教育程度，爱好 - 可能会无意中成为诸如种族或性别等特征的代理。在最近的一个案例中，招聘服务机构Gild吹嘘自己的AI系统已经发现了如何发现高潜力的计算机工程师：事实证明，这样的候选人可能是日本漫画网站的粉丝。喜欢漫画的候选人，Gild的团队推理，将有助于识别高质量的工程师。正如数据科学家凯茜奥尼尔指出的那样，问题在于爱漫画和成为一名成功的工程师之间没有因果关系。相反，吉尔已经确定了一个与种族和性别相关的特征，有效地使用了后门的方法来清除那些不符合其成功候选人应该是什么样子的先入之见的人。奥尼尔说：“我很惊讶他们没有想到那个热爱漫画的候选人更有可能成为亚洲人。” “你通过关联和代理获得性别。” 更糟糕的是，O'Neil说，许多AI系统在“黑匣子”内执行这样的计算，使得无法弄清楚结果是如何得出的。如果你正在教计算机玩下象棋或处理图像，这可能无关紧要，但是当你做出关于人们事业的决定时，这是一件大事。“算法不仅仅是帮助自动化一个过程; 他们增加了一层不透明度，所以很难看到和解决失败，“O'Neil说。“面部识别很容易看出它是否可行; 雇用软件更棘手。“ 一个潜在问题 - 和一个监管风险消除这种偏见是一项艰巨的任务，但如果人工智能系统要演变成可信赖的招聘渠道，这一点至关重要，Pocket Recruiter的首席数据科学家Vineet Vashishta说。“在招聘和人力资源领域，你必须是透明的，”他说。“我们必须能够解释'这是我们做出我们做出的决定的确切方式'，我们必须能够证明这些数据没有一些阴险的偏见。” 不幸的是，Vashishta说，从事人工智能招聘工具的人很少愿意面对他们系统的潜在偏见。他表示，即使在学术和行业聚会上，研究人员也不愿意将注意力放在关于偏见的谈话上。“在人们开始谈论这件事之前，这是三杯酒和一些沉重的叹息，”他说。“至少公开谈论此事的人非常少，因为这真的很可怕。当涉及到机器学习时，这是可能杀死该领域的领域之一。“ Vashishta说，监管机构很可能会开始在某些司法辖区禁止机器学习工具。纽约市成立了一个工作小组来监督政府使用人工智能系统，而欧洲监管机构正在实施框架，这将大大遏制公司在未经明确许可的情况下使用个人数据的能力。“你可能会看到一些政府在未来五年内禁止机器学习，这将是因为这个问题，”他说。“这将是因为它无法解释，缺乏透明度和问责制，以及机器的偏见会让人们感到恐慌。” 但是Vashishta说，有真正的方法可以减少偏见的可能性。Pocket Recruiter使用AI来识别具有特定技能的申请人，而不仅仅是那些与当前员工相似的申请人。尽管如此，人才招聘决策最终还是由谁来提供Pocket Recruiter用来改进算法的反馈。Vashishta说：“Pocket Recruiter可以向你展示你可能因为无意识偏见而未看过的候选人。“但是当谈到人们告诉我们他们想要的候选人时，那些无意识的偏见又回来了。” 最终，为了消除AI系统的偏见，设计师必须在事情的方式和他们应该的方式之间驾驭危险的无人地带。为了消除真实世界的偏见，设计者必须要么倾斜他们的数据，要么按照他们的系统处理数据的方式，以便最终的结果反映出更理想的替代现实。但以这种或那种方式推动申请人的数据是一个充满挑战的过程。“我们一直这样做，”Vashishta说。“但这些钟形曲线的修正令我们非常惊讶。我们不知道我们是否正在受伤或帮助，直到我们看到算法运行起来，我们才会知道。“要做出可能让某人工作的成本的变化是不容易的，他说。“当你在像招聘这样的公司工作时，你会因此失去睡眠，因为你正在影响某人的生活。这是一种令人痛苦的方式。“ 没有在窗帘后面偷看人工智能招聘工具的一个教训可能来自于一种较老的，技术含量较低的补救办法，以致在招聘方面存在偏见：顶级管弦乐队决定在试演期间在音乐家面前悬挂一幕布。古典音乐过去一直以男性为主，但在20世纪70年代引入了盲目的试镜 - 确保音乐家的演奏而不是外观 - 使顶级乐团的女音乐家增加了五倍以上。然而，要达到这一点，还需要做出决定，确保音乐家的性别不会受到其他因素的影响，比如穿过窗帘的缝隙看到的鞋子，或者没有地毯的地板上的高跟鞋。更重要的是，管弦乐队不得不将盲试作为一个起点而不是一个明确的解决方案，并且接受这样一个长期以来由男性主导的机构，偏见仍然是一个问题。尽管已经证明了他们的音乐才能，但第一批通过盲目试镜入场的女性经常不得不与他们继续寻求旁观者的合作。这大致就是我们使用AI招聘工具的地方：就像管弦乐队的幕布一样，机器学习是一种范式转变，有可能消除长期存在的偏见，但它本身并不能解决几个世纪的偏见。为了有所作为，人工智能系统需要仔细设计和审查，以确保他们真正无偏见，并且他们的部署方式不允许人力决策者重新向招聘中引入偏见处理。走向这一点并不容易。“这是我们花费数百年来创造的一个问题。Vashishta说，长期的解决方案并不像我们五年后会遇到的问题。与此同时，人力资源团队需要停止假设基于计算机的招聘工具本身就是客观的。相反，决策者应该要求证据表明，机器学习系统的设计是有偏见的，并且足够透明，可以识别和纠正潜在的问题。卡鲁阿纳说，如果人工智能工具要演变成真正公正的招聘工具，人力资源团队将不得不坚持这种透明度。“如果有足够的人问，这将成为一个重要的标准，”卡鲁阿纳说。“但是如果没有人问，我们只会让偏见不断滑落。” 以上由AI翻译完成，HRTechChina倾情奉献。转载请注明。

人工智能
2018年03月18日
人工智能

人工智能正在改变人力资源工作方式新技术和人工智能可用于提高绩效评估，开放招生和员工发展。 New technologies and artificial intelligence can be used to improve performance appraisals, open enrollment and employee development. 作者：Alexander Alonso，SHRM-SCP 像“终结者”电影中看到的那些机器的兴起可能会给我们灌输对人工智能（AI）和自动化的健康恐惧，但明智的人力资源专业人员会关注当今的发展如何能够产生积极的变化 - 即更高的效率在日常运营中和更好的员工体验。现代技术（从简化流程的应用程序到改善通讯的机器人）正在改变我们的工作方式，这并不奇怪。然而，令人震惊的是，他们扩散到工作场所的速度很快。以下是三个已被企业完全接受的AI示例，它们正在改变我们实践HR的方式：众包和性能数据。为了更好地评估，商业思想领导者鼓励使用来自各种来源的及时数据。例如GloboForce这样一家员工识别软件供应商，声称众包信息比传统的评估方法能够以更定期的间隔提供更全面的性能图片。乍一看，这可能看起来很直观。但是许多人力资源专业人士对这种软件在考虑到大量信息的性能数据流方面的准确性持怀疑态度。例如，会议结束后，Karma Notes向与会者询问个人作为团队成员的有效性。令人生畏的是，应用程序在每次会议后提出了这个问题。更重要的是，这个过程引发了人们提供反馈动机的问题。有些可能是由隐藏的议程驱动的。这项技术正在得到进一步完善，以收集与截止日期和预算有关的信息。近100家财富1000强公司正在试用这种众包的表演系统。这比以往任何时候都更加重视人力资源专业人员，以更好地理解数据管理和分析，机器人和福利问题。如果你像大多数人力资源从业人员一样，只需要在开放的招生季节中生存下去，你很高兴。但那些幸运地通过人力资源信息系统（HRIS）来利用人工智能的人通常并没有那么糟糕。例如，今天的一些基于HRIS的聊天机器人可以自动回复员工的福利问题，并为您的员工量身定制解决方案。这意味着您花费更少的时间进行查询。虽然这些工具从来都不是完美的，但大多数使用的是一种AI，它使得信息交付非常可定制。要充分利用这一点，您必须建立真正动态的面向消费者的问答数据库，以反映您的员工和他们的偏好。算法和学习偏好。近年来，我们看到了无数支持学习和发展活动的技术的兴起。其中最有趣的是使用AI来创建交互式测试和评估以匹配考生的个人学习风格和参与度的应用程序。与Lumosity的互动式大脑游戏类似，这些工具可在用户学习时产生无数的数据点，包括他们的步伐和学习风格。对于人力资源部门来说，这些创新突出了对员工发展的定制学习路径和数据驱动方法的需求。很明显，人工智能在人力资源中的作用越来越大，这代表了您通过数据实现价值的机会。有些人会哭，“机器正在接管！”事实是，机器已经在这里。我们需要确定如何最好地使用它们。 SHRM-SCP的Alexander Alonso是SHRM知识发展高级副总裁。以上由AI翻译完成，仅供你参考。HRTechChina倾情奉献，转载请注明HRTechChina 以下为英文原文： The rise of machines like those seen in the “Terminator” movies may instill in us a healthy fear of artificial intelligence (AI) and automation, but wise HR professionals will focus on how today’s developments can give rise to positive changes—namely, greater efficiency in day-to-day operations and a better employee experience. It’s no surprise that modern technologies—from process-streamlining apps to communication-improving bots—are altering the way we work. What is shocking, however, is the fast pace of their diffusion into the workplace. Here are three examples of AI that have been fully accepted in businesses today and are changing the way we practice HR: Crowdsourcing and performance data. For better appraisals, business thought leaders encourage the use of timely data from a wide array of sources. Companies such as GloboForce, an employee recognition software provider, claim that crowdsourced information provides more-holistic pictures of performance at more-regular intervals than traditional appraisal methods. At first glance, that may seem intuitive. But many HR professionals are skeptical about the accuracy of such software with regard to performance data flow, which takes into account large volumes of information. For instance, after a meeting, Karma Notes asks fellow attendees about an individual’s effectiveness as a team player. What’s daunting is that the app poses this question after every meeting. What’s more, the process raises questions about people’s motivations for providing feedback. Some may be driven by a hidden agenda. The technology is being further refined to gather information related to deadlines and budgets, too. Almost 100 Fortune 1000 companies are piloting this type of crowdsourced performance system. More than ever, that puts the onus on HR professionals to better understand data management and analytics, and to account for relationship dynamics when interpreting such records. Bots and benefits questions. If you’re like most HR practitioners, you’re happy just to survive open enrollment season. But those fortunate enough to leverage AI via their HR information systems (HRIS) usually don’t have it so bad. Some of today’s HRIS-based chatbots, for example, can automatically reply to employees’ benefits questions with answers tailored to your workforce. That means you spend less time fielding inquiries. While these tools are never perfect, most use a form of AI that makes information delivery extremely customizable. To take full advantage of that, you must build truly dynamic, consumer-oriented Q&A databases that reflect your workers and their preferences. Algorithms and learning preferences. In recent years, we’ve seen the rise of countless technologies that support learning and development activities. Among the most interesting are apps that use AI to create interactive tests and assessments to match test takers’ personal learning styles and engagement levels. Similar to Lumosity’s interactive brain games, these tools generate countless data points about users as they learn, including their pace and learning style. For HR, such innovations highlight the need for customized learning paths and data-driven approaches to employee development. It’s clear that AI’s increasing role in HR represents an opportunity for you to drive value through data. Some would cry, “The machines are taking over!” The truth is that the machines are already here. It’s up to us to define how best to use them. Alexander Alonso, SHRM-SCP, is senior vice president for knowledge development at SHRM.

人工智能
2018年03月01日
人工智能

专题：人工智能招聘-- 人力资源专业人员的权威指南自ATS以来，招聘人员利用技术使他们的工作更轻松，更快速，更好。今天，人力资源技术的主要主题是招聘人工智能。人工智能用于招聘是一种新兴的人力资源技术类别，旨在减少甚至消除耗时的活动，如手动筛选简历。有效且时间有效地恢复筛选仍然是人才招聘的最大挑战：52％的人才招聘负责人表示，招聘中最困难的部分是从大型申请人群中找出合适的人选。根据对人才招聘领导者的调查，56％的人表示他们的招聘人数今年将增加，但66％的招聘团队将保持相同的规模或合同。 52%人才招聘负责人表示，招聘中最难的部分是从大型申请人群中筛选候选人这意味着招聘人员的任务是以更少的钱做更多的事情。在2017年，寻找顶尖人才将取决于招聘人员智能自动化工作流程的能力。为了帮助您更好地理解人工智能这一新招聘领域，我们为人力资源专业人员创建了这本明确的指南，介绍人工智能如何使您的工作流程自动化，以更有效地参与，筛选和评估应聘者。 AI招聘：人力资源专业人员权威指南 - 目录第1部分：什么是AI招聘？第2部分：招聘人员使用AI的好处第3部分：在招聘中应用人工智能所面临的挑战第4部分：人工智能的招聘创新第五部分：AI如何改变招聘者的角色第6部分：在招聘中使用AI的总结第1节招聘AI是什么？人工智能招募是指人工智能，例如计算机可以进行的学习或解决问题的工作，用于招聘功能。这项新技术旨在简化或自动化招聘工作流程的某些部分，特别是重复性强，量大的任务。例如，应用机器学习恢复自动筛选候选人的软件或对工作描述进行情绪分析以识别潜在偏倚语言的软件。在不同的投入和产出发生的任何招募领域 - 如筛选，采购和评估 - 都将基本实现自动化。 -Katrina Kibben，任仕达第2节将AI用于招聘人员的好处 1.通过自动执行大量任务来节省招聘人员的时间人才招聘负责人表示，明年招聘人数将增加，但他们的招聘团队将保持相同规模甚至合约。这意味着招聘人员将通过“少花钱多办事”来提高效率。手工筛选简历仍然是招聘过程中最耗时的部分，尤其是当某个角色收到的简历中有75％至88％不合格时。筛选简历和候选人进入面试估计需要23个小时的招聘人员的时间为一个单一的雇用。如果招聘人员能成功自动完成耗时的重复任务，如筛选简历或安排面试候选人，招聘人工智能对招聘人员来说是一个福音。最佳的以人工智能为动力的技术将被设计为不仅可以自动化您的工作流程的一部分，还可以与您当前的招聘系统无缝集成，因此不会中断您的工作流程。作为奖励，通过自动化加快招聘的这些部分可以缩短聘用时间，这意味着您不太可能失去对速度更快的竞争对手的最佳人才。 2.通过标准化的工作匹配来提高招聘质量由于无法关闭数据循环（即测量候选人被聘用后会发生什么情况），招聘质量曾经是招聘KPI黑盒子的一小部分。随着多年来人力资源数据的收集，访问和分析变得更加容易，招聘质量已成为招聘的首要关键绩效指标。人工智能对提高聘用质量的承诺在于它能够使用数据来标准化候选人的经验，知识和技能与工作要求之间的匹配。预计这种就业匹配的改善将导致更快乐，更富有成效的员工不易流失。早期的结果非常有希望。采用人工智能驱动的招聘软件的早期采用者公司的平均成本降低了75％，每位员工的收入提高了4％，营业额下降了35％。你的好处每租用可节省23小时不会中断您的工作流程每屏幕成本降低75％你的组织的好处营业额下降35％性能提高20％每名员工收入增加4％其中积极的一面是，我们可以将流程标准化，以更好，更客观地评估候选人的能力和技能，同时消除整个采购和选择过程中发现的内在偏见。 -Katrina Kibben，任仕达第3节 AI在招聘中的挑战 1. AI需要大量数据一般来说，人工智能需要大量的数据来学习如何准确模仿人类的智能。例如，使用机器学习的人工智能需要大量的数据来学习如何像人类招聘人员那样精确地截屏。这可能意味着几百到几千个特定角色的简历。人工智能可以学习人的偏见 AI招聘承诺通过忽略考生的年龄，性别和种族等信息来减少无意识偏见。然而，人工智能被训练去寻找先前行为中的模式。这意味着任何可能已经在招聘过程中产生的人类偏见 - 即使它是无意识的 - 都可以通过AI了解到。为避免复制已经存在的任何偏见，请确保您使用的AI软件供应商了解这些问题，并已采取措施消除潜在偏见的明确模式（例如，只雇用某个大学的毕业生）。 3.新技术的怀疑人力资源专业人员经常受到即将消失的最新和最大趋势的轰炸。可以理解的是，招聘和人才招聘领导者可能会对任何可以让他们的工作更轻松的技术持怀疑态度。他们希望确保任何可以自动执行其工作任务的软件都能够尽其所能地完成工作。第4节人工智能的招聘创新招聘人工智能有几个潜在的应用程序，用于自动执行高容量，重复性任务，例如简历筛选和预选候选人。 1.智能筛选软件智能筛选软件通过在您的现有简历数据库上使用AI（即机器学习）来自动执行简历筛选。该软件根据他们的表现，任职期限和离职率，了解哪些应聘者成为成功和失败的员工。具体来说，它会了解现有员工的经验，技能和其他素质，并将这些知识应用于新申请人，以自动对最强候选人进行排名，评分和入围。该软件还可以通过使用有关其以前雇主的公共数据源以及公共社交媒体档案来丰富候选人的简历。自动执行简历筛选的智能筛选软件对于招聘人员来说是一个巨大的机会，因为它与您现有的ATS集成在一起，这意味着它不会中断工作流程，候选工作流程，并且需要最少的IT支持。 2.招募者chatbots Recruiter chatbots目前正在测试中，通过根据工作要求提出问题并提供反馈，更新和下一步建议，为候选人提供实时交互。人工智能驱动的聊天机器人有很大的潜力来改善候选人的体验。 58％的求职者表示，如果在提交申请后没有收到公司的回复，他们会对公司产生负面印象，而如果在整个申请过程中收到持续更新，67％的求职者对公司产生了积极的印象。 3.数字化访谈在线访谈软件已经有一段时间了，但今天的技术声称使用AI来评估候选人的单词选择，言语模式和面部表情，以评估他或她适合第5节 AI如何改变招聘人员的角色行业专家认为，AI招聘的未来是Augmented Intelligence。增强智能是相信你不能通过技术完全取代人的能力。相反，增强智能表明我们应该着眼于创造技术来提高人的能力和效率。增强智能，而不是完全取代工作中的人将被用来使他们更有效。我认为这可能是人力资源人力资源的最佳使用。 - 人力资源顾问Michael Haberman 使用增强的AI来自动执行重复的管理任务的能力将非常有价值。这项技术有三种主要方式将改变招聘人员的角色：招聘人员将能够进行积极的战略招聘，而不是将大部分时间用于反应回填。招聘人员将有更多时间与候选人面对面地建立关系并帮助确定文化适合度。由于AI允许他们使用数据显示招聘KPI，包括招聘质量，招聘人员将能够与招聘经理完成合作。如果招聘人员和公司可以学会与特定的人工智能配对，他们可以通过培训来了解特定的企业使命和文化 - 这样招聘人员觉得他们可以利用这些聊天机器人和其他类似技术作为团队的延伸，而不是替代他们。 Jobvite首席执行官Dan Finnigan 第6节在招聘中使用AI的总结人工智能用于招聘是将人工智能应用于招聘功能，旨在简化或自动化招聘工作流程的某些部分，特别是重复性高批量任务。使用人工智能的主要优点包括通过自动执行大批量任务和通过标准化工作匹配来提高招聘质量，节省招聘人员的时间。使用人工智能进行招聘的主要挑战包括需要大量数据，学习人类偏见的可能性以及人力资源专业人员对新技术的怀疑。人工智能招聘的创新是智能筛选软件，可自动执行简历筛选，实时聘用候选人的招聘人员聊天机器人，以及帮助评估候选人适应性的数字化访谈。人工智能将通过扩大情报来改变招聘人员的角色，这将使招聘人员能够更加主动地聘用他们，帮助确定候选人的文化适应性，并通过使用数据来衡量招聘质量等关键绩效指标来改善他们与招聘经理的关系。以上由AI翻译完成，HRTechChina倾情奉献。转载请注明。

人工智能
2018年02月24日
人工智能

人工智能如何促进人力资源分析 How AI Can Boost HR Analytics Marianne Chrisos How AI Can Boost HR Analytics 使用AI技术改善您的人力资源报告。了解如何使用AI来更有效地衡量您的人力资源指标。随着人工智能技术的不断发展，也许你会想知道在人力资源部门是否有人工智能的地方。人工智能在人力资源分析中的作用是什么？我们花了一些时间专门研究人力资源分析的好处，以及人工智能如何帮助促进人力资源部门的报告和分析，以更多地了解组织的健康和效率。每位经理应该知道的人力资源分析类型分析可能不是HR谈到的第一件事。您的具体人力资源需求可能更多地集中于遵守规则条例或员工福利。以下是一些人力资源分析示例，有助于说明为什么报告在每个部门（包括人力资源部门）都很重要。员工流动率：人力资源部门和企业可能会有一个偶然的想法，即他们的组织内有多少员工流失 - 也就是说，人们退出的频率如何，或者公司必须重新雇佣相同职位的频率。如果一位人力资源经理不断发布需要销售人员的广告，这可能意味着销售人员正在放弃 - 或者销售额在增长，他们需要更多人来满足需求。为了真正了解其原因是由于营业额还是其他原因 - 以及衡量员工翻身的频率，这可能会告诉您关于商业或文化的一些事情 - 您需要使用分析来衡量。申请人的质量和数量：你的招聘信息有多好？你的企业声誉有多好？你可以找到这些问题的答案 - 并且如果你发现答案“不是很好”，通过分析你的工作发布的申请人数，特别是申请人的质量，可以帮助确保做出调整。使用报告软件可以衡量您的候选人是否符合质量要求，并报告申请人的属性。他们有相同行业或职位的经验吗？他们有帮助组织发展或从事大型项目的历史吗？分析可以帮助您在回答这些问题的同时节省时间。文化：虽然上述两种分析可以让您对企业文化有所了解，但具体的文化分析对于了解您的企业的健康状况非常重要。使用人力资源工具，如自我报告软件和人力资源调查，您可以编辑和分析数据，分享员工对文化态度的共同点。人工智能在人力资源分析中的作用人工智能是一种改变游戏规则的技术，因为它能够分析大量数据并找到模式，甚至做出预测。人力资源分析工具从人工智能中受益，因为人力资源部门有大量原始数据可供使用，人工智能可帮助快速有效地对这些数据进行分类。人才管理系统可以结合人工智能来分析简历关键字和其他指标，以帮助预测潜在招聘信息的最佳人选，从而为人力资源招聘人员节省大量时间。AI还与其他HR数据分析工具一起工作，以推荐培训领域或预测潜在的营业额。以上AI翻译完成。作者：Marianne Chrisos Born in Salem, Massachusetts, growing up outside of Chicago, Illinois, and currently living near Dallas, Texas, Marianne is a content writer as a company near Dallas and contributing writer around the internet. She earned her master's degree in Writing and Publishing from DePaul University in Chicago and has worked in publishing, advertising, digital marketing, and content strategy.

人工智能
2018年02月21日

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，但这意味着转向这种合作，而不是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

1... 《 29 30 31 32 333435 36 37 38 39 》 40 跳转至