|
“机器人考评”在一些单位正逐步被应用，却并未考虑时间维度的考评系统。例如，机器人不会识别出应聘者当天状态的短暂波动，或许会认为这是常态。这类系统的局限性也无法反映宏观层面人岗市场的匹配情况。
薛延波认为“咬合”的匹配可描述为两个可解方程：一是不存在A与B偏好对方却没有配对；二是不会出现A与B、C与D已经配对，却有更优组合使得整个市场的情况更好。而从微观到宏观，通过个体或部分市场的匹配，整个职业市场将体现出“稳定”状态。而职业科学利用人工智能手段，所要实现的目标即是一个稳定的市场，并且是可通过模块拆解、算法建模等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，招聘用人的问题还需考虑人文要素。薛延波说，传统用大数据分析来解决招聘问题，主要是通过计算科学、数据挖掘等方法，将其看成工程问题。而我们认为，需要加入的参数还要包括心理学、社会学、经济学、劳动关系学等内容。将人文学科拆解成模块引入AI的参数中、参与到深度学习神经网络的映射关系中，将更有可能建立“稳定”的双边市场。
大数据为基础，生成型机器学习为补充
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的基础。选取哪些数据、从什么维度选取、选取多少是第一步。
资料显示，IBM的“沃森”调用的数据包括员工资料、接手的历史项目、员工的经验和表现、内部培训系统中记录的员工培训及学习情况等。
不同来源的人力资源数据积累工作始终在推进。据人社部相关负责人去年年底介绍，人社部开启的人才素质测评服务当时已测评近50万人次。而BOSS直聘的相关数据显示，该平台目前掌握的数据样本量在4000万左右。
“现有数据已经足够支撑我们去做一些启动的科研项目。”薛延波表示，但对于一些敏感或还未获得的数据，一些机器学习的方法可以“补缺”，例如生成型机器学习方法。他补充解释道：如果平台上有张三和李四，而在数据中又需要张三和李四之间的一个人物，就可以训练一个机器学习模式，“派生”出符合张三和李四中间特征的人物，用以进行现实世界中的职位匹配等研究工作。 2/5 首页 上一页 1 2 3 4 5 下一页 尾页 |
