“張三，某名牌大學畢業，參與某課題研究……”畢業季滿是這樣的簡歷。“干澀雷同的簡歷背后，其實是一個個鮮活生動的個體。”BOSS直聘職業科學實驗室負責人薛延波將這種簡歷呈現出的求職者形象地稱為“紙片人”，“從數據角度看，求職者其實包括N維信息，如時間、性格、心理等。”薛延波說，然而現有的求職過程中，求職者無法從多個維度被了解到。

人工智能的出現，有望改變“紙片人”與“N維”之間的矛盾。7月25日，BOSS直聘宣布成立科學實驗室，薛延波表示，找工作時“紙片人”的信息狀態可被人工智能最大限度“還原”，在“信息維”的世界中，崗位也將從單一的職位描述、招聘啟事“還原”為社會運轉中切實的“零部件”。

無獨有偶，日前有媒體報道，IBM已在利用AI(沃森)預測員工未來的工作潛力，其動機同樣是認為傳統紙片式的評估方法，難以得到與崗位匹配的正確結果。正如IBM薪酬和福利副總裁Nickle LaMoreaux所說：“只依據歷史表現決定能否晉升，太局限了。”

人工智能“讀心術”，如今要“升級”人崗匹配方案。它該如何突破，助力人崗匹配獲得最優解？

確立目標，設計“咬合”匹配的雙邊市場

“人崗匹配度低，導致了大量人類時間消耗在待崗、錯配以及消極行動中。”BOSS直聘CEO趙鵬表示，目前存在的才不對崗、人不對位情況其實是人才市場不必要的“內耗”。

在求職過程中，“人”被單一化是形成“內耗”的原因之一。AI有能力將求職者立體、歷史地呈現。“不僅是多維度匹配，還包括什么時間匹配，如何匹配最優等問題。”薛延波解釋道，例如一個工作崗位今天提供給某個應聘者和7天后提供給他，得到的結果可能不同。

“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。例如，機器人不會識別出應聘者當天狀態的短暫波動，或許會認為這是常態。這類系統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A與B、C與D已經配對，卻有更優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，整個職業市場將體現出“穩定”狀態。而職業科學利用人工智能手段，所要實現的目標即是一個穩定的市場，并且是可通過模塊拆解、算法建模等進行規劃設計的科學問題。

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，傳統用大數據分析來解決招聘問題，主要是通過計算科學、數據挖掘等方法，將其看成工程問題。而我們認為，需要加入的參數還要包括心理學、社會學、經濟學、勞動關系學等內容。將人文學科拆解成模塊引入AI的參數中、參與到深度學習神經網絡的映射關系中，將更有可能建立“穩定”的雙邊市場。

大數據為基礎，生成型機器學習為補充

對于人工智能來說，無論是哪個專業領域，數據始終是尋求最優解的基礎。選取哪些數據、從什么維度選取、選取多少是第一步。

資料顯示，IBM的“沃森”調用的數據包括員工資料、接手的歷史項目、員工的經驗和表現、內部培訓系統中記錄的員工培訓及學習情況等。

不同來源的人力資源數據積累工作始終在推進。據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直聘的相關數據顯示，該平臺目前掌握的數據樣本量在4000萬左右。

“現有數據已經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據，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，而在數據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，用以進行現實世界中的職位匹配等研究工作。

算法和模型仍在探索中

“機器學習有三個重要支柱，數據、模型和算力。”薛延波說，數據正在以指數級別增加，模型的發展相對來說比較緩慢，現在機器學習可用到的模型也不多，職業市場是一個全新的市場，可能需要全新的模型來解決問題，最大挑戰可能是模型設計。

“目前我們正在進行的工作是，通過協同濾波的方式將有相似職業生涯規劃的人歸類，從而理解真正的求職意圖;并通過協同的方法嘗試重構三維的工作場景。”薛延波說，這將有可能解決職業科學的理論中偏好列表未知的問題。

“協同濾波又稱協同過濾，是一種常見的推薦算法。最初在亞馬遜上出現，比如，買了這件商品的用戶一般還買了什么。”智能一點CTO莫瑜解釋，該算法可通過購買人群的相似度去評估不同商品的相似度;同時根據不同人購買的商品集合之間的相似度去評估不同人之間的相似度。做到“物以類聚、人以群分”，隨后通過不同的列表進行匹配，再進行人與物之間的推薦。

在職業科學研究初期，薛延波表示，將利用該算法進行人與崗位的列表細分。之所以要建立這樣的偏好列表，源于微觀經濟學的一個重要假設。“只有雙方都清楚對方的偏好是什么，才能形成穩定匹配的市場。比如說大公司知道知名大學畢業生愿意來，而有創業意識的應聘者更傾向于進初創的小公司，有一個清晰的偏好列表，將有助于形成完美市場匹配。”

通過深度學習，偏好列表可以進一步完善，嘗試做一些現實中的人崗匹配，匹配結果反過來再來影響偏好列表，進行修正等工作。

趙鵬說，中國有近6億人在數千萬家企業工作，但對于職場人在工作中的成就感、幸福感、安全感，企業在人才競爭中的競爭力、洞察力及雙方的匹配等問題缺乏系統性研究，希望通過開啟“職業科學研究”，從科學的角度，用嚴謹的方式以及引入人工智能等新的技術手段，對“職業”這門科學進行系統研究，并引起行業層面的關注。

一家之言

可輔助招聘，但有些責任TA承擔不起。張蓋倫

IBM開始用自家AI沃森來“決定”員工去留了。據科技媒體“量子位”報道，沃森正在改變HR的工作狀態。它會調取員工資料和他們的歷史項目表現，了解員工的培訓和學習情況，綜合判斷其適不適合升職加薪，有沒有可能走向人生巔峰。

聽起來很棒。不過有一點要明晰，從目前透露出的信息看，AI并不會在這一整套評估流程中發揮決定性作用。那些人力資源部的同事，依然是你升遷路上的“溫柔殺手”。

幾年前，人們便開始討論將AI引入人力資源的可能性。AI可以解決快速匹配的問題，這確實是對HR工作的解放。一些大公司，校招時收到的簡歷動輒上萬份，必須設置關鍵詞進行粗篩。而在粗篩之后，則要細篩，看申請人能力和崗位的匹配度。AI在這方面能做到得心應手，它甚至可以收集候選人的其他資料，畫出求職者畫像，根據自己積累的數據，判斷出要不要放其進入招聘的下一輪。

不過，要把AI繼續深入應用到人力資源的其他領域，恐怕還需慎重再慎重。

得牢記一點，AI并不具有什么“來自數據世界的神秘力量”，它能給出的僅僅是參考。如果迷信并盲從AI的判斷，不僅不負責任，甚至并不道德。

涉及到人的事，大多比較復雜，它沒有標準答案。而業界和學界普遍認同，機器學習就是一個“黑箱”。你投喂給人工智能數據，一再調整算法模型，你知道它做出判斷的準確率越來越高，但你不知道為什么。

人工智能的“心”，也是海底的針，你不知道它學到了什么。同樣，你也不知道一家公司的人力資源算法模型里包含了多少偏見。

AI能夠根據它掌握到的員工信息對其進行潛力評估，但它究竟如何評估，在評估過程中有沒有倫理和道德的風險，它收集數據的邊界在哪里？社會技術學家Zeynep Tufekci做過一次公開演講，她舉了一個例子：機器能推斷出你沒有公開的事情——比如，它認為你有很高概率會換上抑郁癥，或者，它認為你有很高概率三個月內會懷孕。于是，它“貼心”地提前斬斷了你的路，而直到此時，你還蒙在鼓里，不知道自己為何被機器劃到了“待定區”。

那么，這究竟是精準的預言，還是赤裸裸的偏見？偏見可能無處不在，當偏見以機器之名施加于群體之上時，會變得更為隱蔽。

無論人工智能發展到什么程度，人，都要坦蕩并堅決地承擔自己的責任。HR要在對員工的一輪輪評估中去了解和審視自己的偏見，去反思自家的企業文化。

這其中涉及復雜的判斷，人無法“甩鍋”，更不能缺席。