“機器人考評”在一些單位正逐步被應用，卻并未考慮時間維度的考評系統(tǒng)。例如，機器人不會識別出應聘者當天狀態(tài)的短暫波動，或許會認為這是常態(tài)。這類系統(tǒng)的局限性也無法反映宏觀層面人崗市場的匹配情況。

　　薛延波認為“咬合”的匹配可描述為兩個可解方程：一是不存在A與B偏好對方卻沒有配對；二是不會出現(xiàn)A與B、C與D已經(jīng)配對，卻有更優(yōu)組合使得整個市場的情況更好。而從微觀到宏觀，通過個體或部分市場的匹配，整個職業(yè)市場將體現(xiàn)出“穩(wěn)定”狀態(tài)。而職業(yè)科學利用人工智能手段，所要實現(xiàn)的目標即是一個穩(wěn)定的市場，并且是可通過模塊拆解、算法建模等進行規(guī)劃設計的科學問題。

　　與一些問題明確的科學問題不同，招聘用人的問題還需考慮人文要素。薛延波說，傳統(tǒng)用大數(shù)據(jù)分析來解決招聘問題，主要是通過計算科學、數(shù)據(jù)挖掘等方法，將其看成工程問題。而我們認為，需要加入的參數(shù)還要包括心理學、社會學、經(jīng)濟學、勞動關系學等內容。將人文學科拆解成模塊引入AI的參數(shù)中、參與到深度學習神經(jīng)網(wǎng)絡的映射關系中，將更有可能建立“穩(wěn)定”的雙邊市場。

　　大數(shù)據(jù)為基礎，生成型機器學習為補充

　　對于人工智能來說，無論是哪個專業(yè)領域，數(shù)據(jù)始終是尋求最優(yōu)解的基礎。選取哪些數(shù)據(jù)、從什么維度選取、選取多少是第一步。

　　資料顯示，IBM的“沃森”調用的數(shù)據(jù)包括員工資料、接手的歷史項目、員工的經(jīng)驗和表現(xiàn)、內部培訓系統(tǒng)中記錄的員工培訓及學習情況等。

　　不同來源的人力資源數(shù)據(jù)積累工作始終在推進。據(jù)人社部相關負責人去年年底介紹，人社部開啟的人才素質測評服務當時已測評近50萬人次。而BOSS直聘的相關數(shù)據(jù)顯示，該平臺目前掌握的數(shù)據(jù)樣本量在4000萬左右。

　　“現(xiàn)有數(shù)據(jù)已經(jīng)足夠支撐我們去做一些啟動的科研項目。”薛延波表示，但對于一些敏感或還未獲得的數(shù)據(jù)，一些機器學習的方法可以“補缺”，例如生成型機器學習方法。他補充解釋道：如果平臺上有張三和李四，而在數(shù)據(jù)中又需要張三和李四之間的一個人物，就可以訓練一個機器學習模式，“派生”出符合張三和李四中間特征的人物，用以進行現(xiàn)實世界中的職位匹配等研究工作。

 2/5   首頁 上一頁 1 2 3 4 5 下一頁 尾頁