人工智能如何助力人岗匹配获得最优解？

“张三，某名牌大学毕业，参与某课题研究……”毕业季满是这样的简历。“干涩雷同的简历背后，其实是一个个鲜活生动的个体。”BOSS直聘职业科学实验室负责人薛延波将这种简历呈现出的求职者形象地称为“纸片人”，“从数据角度看，求职者其实包括N维信息，如时间、性格、心理等。”薛延波说，然而现有的求职过程中，求职者无法从多个维度被了解到。

人工智能的出现，有望改变“纸片人”与“N维”之间的矛盾。7月25日，BOSS直聘宣布成立科学实验室，薛延波表示，找工作时“纸片人”的信息状态可被人工智能最大限度“还原”，在“信息维”的世界中，岗位也将从单一的职位描述、招聘启事“还原”为社会运转中切实的“零部件”。

无独有偶，日前有媒体报道，IBM已在利用AI(沃森)预测员工未来的工作潜力，其动机同样是认为传统纸片式的评估方法，难以得到与岗位匹配的正确结果。正如IBM薪酬和福利副总裁Nickle LaMoreaux所说：“只依据历史表现决定能否晋升，太局限了。”

人工智能“读心术”，如今要“升级”人岗匹配方案。它该如何突破，助力人岗匹配获得最优解？

确立目标，设计“咬合”匹配的双边市场

“人岗匹配度低，导致了大量人类时间消耗在待岗、错配以及消极行动中。”BOSS直聘CEO赵鹏表示，目前存在的才不对岗、人不对位情况其实是人才市场不必要的“内耗”。

在求职过程中，“人”被单一化是形成“内耗”的原因之一。AI有能力将求职者立体、历史地呈现。“不仅是多维度匹配，还包括什么时间匹配，如何匹配最优等问题。”薛延波解释道，例如一个工作岗位今天提供给某个应聘者和7天后提供给他，得到的结果可能不同。

“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。

算法和模型仍在探索中

“机器学习有三个重要支柱，数据、模型和算力。”薛延波说，数据正在以指数级别增加，模型的发展相对来说比较缓慢，现在机器学习可用到的模型也不多，职业市场是一个全新的市场，可能需要全新的模型来解决问题，最大挑战可能是模型设计。

“目前我们正在进行的工作是，通过协同滤波的方式将有相似职业生涯规划的人归类，从而理解真正的求职意图;并通过协同的方法尝试重构三维的工作场景。”薛延波说，这将有可能解决职业科学的理论中偏好列表未知的问题。

“协同滤波又称协同过滤，是一种常见的推荐算法。最初在亚马逊上出现，比如，买了这件商品的用户一般还买了什么。”智能一点CTO莫瑜解释，该算法可通过购买人群的相似度去评估不同商品的相似度;同时根据不同人购买的商品集合之间的相似度去评估不同人之间的相似度。做到“物以类聚、人以群分”，随后通过不同的列表进行匹配，再进行人与物之间的推荐。

在职业科学研究初期，薛延波表示，将利用该算法进行人与岗位的列表细分。之所以要建立这样的偏好列表，源于微观经济学的一个重要假设。“只有双方都清楚对方的偏好是什么，才能形成稳定匹配的市场。比如说大公司知道知名大学毕业生愿意来，而有创业意识的应聘者更倾向于进初创的小公司，有一个清晰的偏好列表，将有助于形成完美市场匹配。”

通过深度学习，偏好列表可以进一步完善，尝试做一些现实中的人岗匹配，匹配结果反过来再来影响偏好列表，进行修正等工作。

赵鹏说，中国有近6亿人在数千万家企业工作，但对于职场人在工作中的成就感、幸福感、安全感，企业在人才竞争中的竞争力、洞察力及双方的匹配等问题缺乏系统性研究，希望通过开启“职业科学研究”，从科学的角度，用严谨的方式以及引入人工智能等新的技术手段，对“职业”这门科学进行系统研究，并引起行业层面的关注。

一家之言

可辅助招聘，但有些责任TA承担不起。张盖伦

IBM开始用自家AI沃森来“决定”员工去留了。据科技媒体“量子位”报道，沃森正在改变HR的工作状态。它会调取员工资料和他们的历史项目表现，了解员工的培训和学习情况，综合判断其适不适合升职加薪，有没有可能走向人生巅峰。

听起来很棒。不过有一点要明晰，从目前透露出的信息看，AI并不会在这一整套评估流程中发挥决定性作用。那些人力资源部的同事，依然是你升迁路上的“温柔杀手”。

几年前，人们便开始讨论将AI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，校招时收到的简历动辄上万份，必须设置关键词进行粗筛。而在粗筛之后，则要细筛，看申请人能力和岗位的匹配度。AI在这方面能做到得心应手，它甚至可以收集候选人的其他资料，画出求职者画像，根据自己积累的数据，判断出要不要放其进入招聘的下一轮。

不过，要把AI继续深入应用到人力资源的其他领域，恐怕还需慎重再慎重。

得牢记一点，AI并不具有什么“来自数据世界的神秘力量”，它能给出的仅仅是参考。如果迷信并盲从AI的判断，不仅不负责任，甚至并不道德。

涉及到人的事，大多比较复杂，它没有标准答案。而业界和学界普遍认同，机器学习就是一个“黑箱”。你投喂给人工智能数据，一再调整算法模型，你知道它做出判断的准确率越来越高，但你不知道为什么。

人工智能的“心”，也是海底的针，你不知道它学到了什么。同样，你也不知道一家公司的人力资源算法模型里包含了多少偏见。

AI能够根据它掌握到的员工信息对其进行潜力评估，但它究竟如何评估，在评估过程中有没有伦理和道德的风险，它收集数据的边界在哪里？社会技术学家Zeynep Tufekci做过一次公开演讲，她举了一个例子：机器能推断出你没有公开的事情——比如，它认为你有很高概率会换上抑郁症，或者，它认为你有很高概率三个月内会怀孕。于是，它“贴心”地提前斩断了你的路，而直到此时，你还蒙在鼓里，不知道自己为何被机器划到了“待定区”。

那么，这究竟是精准的预言，还是赤裸裸的偏见？偏见可能无处不在，当偏见以机器之名施加于群体之上时，会变得更为隐蔽。

无论人工智能发展到什么程度，人，都要坦荡并坚决地承担自己的责任。HR要在对员工的一轮轮评估中去了解和审视自己的偏见，去反思自家的企业文化。

这其中涉及复杂的判断，人无法“甩锅”，更不能缺席。