通过AI 算法给求职者提供更可靠的推荐、协助 HR 更高效地写职位描述（Job Discreption）。其中的好处是，AI算法可以让雇主观察到，职位描述中一点小小的改动就可以得到完全不同的结果，这些算法在得到雇主的反馈后还可以通过调整优化对新候选者的筛选。

那么，AI是否会像改变其他领域一样，改变人们雇佣和寻找工作的方式？在最好的情况下，它能够为当今人们在职业生活中所面临的问题提供新可能。

或许在不久以后，它甚至会影响希望在这一轮“金三银四”招聘季中寻找机会的你。

从筛选简历到陪你聊天

AI要下手的，首先就是简历。

现在，微软已经把一个AI“简历助手”（Resume Assistant）加到了Office中。其AI项目可以发挥作用的地方在于：除了推荐工作，它的简历助理将通过查看相似职位者的领英简历，并检查他们如何描述自己，用机器学习算法改善你的简历。

如果你足够自信，对这样的AI 辅助简历并没有什么高的期待，那么AI 在匹配简历和职位上的表现说不定能让你大吃一惊。

每一年，北美著名猎头公司SourceCon都会举办一场行业竞赛。在2017年的比赛中，我们看到了AI 的身影：竞赛需要从5500份真实简历中筛选出匹配产品经理、系统管理员、地勤人员这三种完全不同岗位需求的人才，当然，人类HR获得了比赛的第一名，花了 25 个小时，AI的准确度排到了第三，只花了3.2秒。

显然，AI对于需要处理成千上万简历的HR来说具有巨大的诱惑力。其中非常重要的一个技术就是自然语言处理。借助自然语言处理技术，AI可以梳理那些文本繁重和非结构化的简历，提取出关键信息，实现搜索过程的智能化。像 HiringSolved、Entelo 和 Textio这样的公司已经开始提供这样的 AI 算法，以加速这一步骤。

“金三银四”来临，AI 触角已深入人才招聘领域，它将如何影响你？

 

DeepTech科技

​

已认证的官方帐号

​关注他

12 人赞同了该文章

和2017年相比，最近来自人工智能领域的新闻似乎已经很少能引爆人们的神经。或许不少人也对这样的新闻习以为常：AI理所当然会用到这些地方。

例如，根据近期的报道，Facebook正在利用AI识别和清除恐怖分子的内容，甚至防止自杀。谷歌的AI 正在识别眼疾，中国科学家研究的AI系统可以识别癌症，并登上了Cell……

不过这些大大小小的成果是否会真正开花结果，还有待观察。但不可否认的是，人工智能已经离开科幻层面，变成现实生活中活生生的事实。这一点在招聘上同样如此。

现在，AI已经潜入人才招聘领域：在国外，快消品巨头联合利华也已经开始在北美地区试行利用 AI 招聘初级员工。在他们的招聘过程中，先由算法筛选简历、进行初试，大概要过了三轮应聘者才开始与真人有联系。到目前为止，联合利华已经使用 15 种语言为超过 25 万名候选人进行了面试。

 

在国内，一些互联网招聘平台同样在进行新的尝试。DT君了解到，拉勾已经在尝试通过AI 算法给求职者提供更可靠的推荐、协助 HR 更高效地写职位描述（Job Discreption）。其中的好处是，AI算法可以让雇主观察到，职位描述中一点小小的改动就可以得到完全不同的结果，这些算法在得到雇主的反馈后还可以通过调整优化对新候选者的筛选。

那么，AI是否会像改变其他领域一样，改变人们雇佣和寻找工作的方式？在最好的情况下，它能够为当今人们在职业生活中所面临的问题提供新可能。

或许在不久以后，它甚至会影响希望在这一轮“金三银四”招聘季中寻找机会的你。

从筛选简历到陪你聊天

AI要下手的，首先就是简历。

现在，微软已经把一个AI“简历助手”（Resume Assistant）加到了Office中。其AI项目可以发挥作用的地方在于：除了推荐工作，它的简历助理将通过查看相似职位者的领英简历，并检查他们如何描述自己，用机器学习算法改善你的简历。

如果你足够自信，对这样的AI 辅助简历并没有什么高的期待，那么AI 在匹配简历和职位上的表现说不定能让你大吃一惊。

每一年，北美著名猎头公司SourceCon都会举办一场行业竞赛。在2017年的比赛中，我们看到了AI 的身影：竞赛需要从5500份真实简历中筛选出匹配产品经理、系统管理员、地勤人员这三种完全不同岗位需求的人才，当然，人类HR获得了比赛的第一名，花了 25 个小时，AI的准确度排到了第三，只花了3.2秒。

显然，AI对于需要处理成千上万简历的HR来说具有巨大的诱惑力。其中非常重要的一个技术就是自然语言处理。借助自然语言处理技术，AI可以梳理那些文本繁重和非结构化的简历，提取出关键信息，实现搜索过程的智能化。像 HiringSolved、Entelo 和 Textio这样的公司已经开始提供这样的 AI 算法，以加速这一步骤。

 

一家名为 Harver 公司则是将人才简历整合到公司现有的人力资源流程和系统中，为招募流程提供预测性分析。其工作流程包括候选人通过流程模块来申请工作，回答一些关键问题，参加个性测试、智力测试、语言测试等，还有通过游戏来评估技能的环节。在整个流程中，Harver的算法会搜集相关数据，并预测候选人能成功胜任工作的可能性。

公司的首席执政官兼创始人Barend Raaff说：“人工筛选简历正在慢慢地被淘汰，因为它无法预测一位候选人在如今大多数工作中的潜在价值。而Harver基于大数据，为公司们提供了一种全自动化的招聘解决方案。”

在国内，各大招聘平台也已经蠢蠢欲动。这些平台目前都已经积累了大量数据，这些数据将有助于提升AI筛选简历的效果，DT 君了解到，猎聘网就在研发筛选简历的AI算法，而且取得了一定的进展。

 

而拉勾的相关技术负责人则透露，AI筛选简历的从原理上来讲并不复杂，即通过大量的数据去发现HR的偏好、求职者的能力，最终进行建模和匹配。拉勾也认为，将AI 技术用于筛选简历是可操作的，“对于专注于互联网招聘的拉勾而言，互联网技术、产品、市场、运营、设计等相关人才更容易开展，其他的比如司机、教师，则相对难一些。其次，标准化程度更高的岗位更容易引入AI技术，因为这些岗位的招聘规则相对而言较为明确，比如技术类相关岗位”。

“AI能够一定程度上去做这个事情的。拉勾不会替HR去做决策，同样条件的职位和简历，不同的HR很可能会给出不同的筛选结果，因为影响录取结果的因素非常多，而有一些因素很可能是AI观察不到的”，拉勾负责人称。

尽管用AI筛选简历在技术上已经不具备特别大的难点，也有业内从业人员并不看好用AI筛选简历的做法。一则是考虑简历造假的现象仍然普遍存在，不说造假，也有夸大其词的成分在。二则是考虑简历所携带的信息相对来说比较匮乏，无法很好的构建一个人的人生经历，许多企业是否能相信简历最终筛选的结果也存疑。

 

现阶段，AI 的定位仍是人类HR的辅助，最先代替的将是HR工作中最被嫌弃的苦差事——那些高频率低效率的重复性工作，正是机器所擅长的领域。

对于HR们来说，招聘这件事从来就不缺重复性的事务。尤其是在移动互联网普及之后，仅仅是线上与求职者之间千篇一律的对话可能都会占据其大部分精力。

为什么不试着把这个活交给聊天机器人？在AI聊天机器人到处跑的今天，它也应该“让自己变得更有用一点了吧”。和普罗大众进行前言不搭后语的所谓的“聊天”，垂直场景下的AI聊天机器人其实能够实现更多的短期价值。

 

图丨Esther Crawford 开发的简历聊天机器人

一个非常有意思的案例是，2016年，一位名为 Esther Crawford 失业的妹子厌倦了向HR们反复回答同样的问题，根据自己的简历做了一款聊天机器人。这个机器人能够像 Siri或者小冰一样，向 HR 们介绍自己并回答HR的问题，这个机器人当时可谓出尽风头。尽管它并不能理解完整的话，而只是对关键词语作出反应，给出预先设定的回答，但是这个产品给人们提出了有趣的问题：AI 聊天机器人可以什么在未来的招聘中发挥什么作用。

假如它能被集成到 LinkedIn 这样的网站里，不久大大提高了简历的效率了吗？

国内已经有初创企业在打造专用于职场招聘的聊天机器人。DT君了解到，一家名为“墨子”的公司就打造了这样一款聊天机器人。除了用来回答求职者的常见问题外，它也会考求职者，甚至提出一些非常开放的问题。

“比如说我们现在到一个公司去招聘风控这样的职位，我们机器人会问他对未来三年风控市场有什么样的看法，对风控职位是否有自己比较独到的见解”，“墨子”联合创始人刘峻波说。

 

这个聊天机器人并不会对你的答案进行打分，但你也不要掉以轻心。因为你的答案会被提取出来为HR提供一定维度的参考。刘峻波表示，他们并不主张这个时段用机器人去做判断，而是更多的希望基于对话提供更新的、或者说被HR忽略掉的一些参考信息。2018年的招聘季，这个聊天机器人将和一些互联网招聘平台以及公司合作，辅助大量企业的校园招聘。

需要记住的是，尽管和通用场景的聊天机器人相比，用于人才招聘这样的垂直领域的聊天机器人，其识别率会有所提升，它仍然不是最完美的，这也和自然语言处理目前所面临的困境息息相关。但其中的突破同样值得期待，微软亚洲研究院院长周明就曾对DT君表示，对创业公司来说，NLP未来在应用方面出现的较大进展，就包括开发垂直行业的自然语言处理技术。

算法预测行为才是核心

在和人力招聘者聊天的过程中，他们口中反复提到的一大痛点是：如何提高企业和人才的匹配率。

每个HR都希望在人才和空缺的职位之间创造出最佳的匹配，而这样的匹配问题，其实在某种程度上是一个大数据问题。

与以往相比，HR们现在拥有的人才数据不仅更多，而且接触到数据的途径也越来越丰富，理论上来说，HR 比以往任何时候都更能实现这一目标。问题是，大多数数据是人类无法消化的，我们并不总是能正确地处理它，比如说社交数据。

但AI算法就可以实现自动抓取网页来分析数以千计的网站，其中就包括各种个人的网站、社交网站、科技论坛等。

算法不仅能够得到从简历中抽取结构化的信息，同时还能够分析出一个人是否存在求职意图，这样一来就可以将候选者和岗位进行匹配，并且预测出他们是否愿意来到这个岗位，这将是进行成功招聘的最佳办法之一。国外的一些新型招聘平台已经开始推出了类似的功能。

而且，求职意图的分析对于大多数公司的人才招聘来说将愈发重要。人才招聘行业的现状是，许多公司都在徒劳的地方找寻找错误的人。

最近瀚纳仕猎头公司的一份调查报告称，在一些增长最快的行业，企业在2018年一开始都有很好的招聘期待，但总会因一些技术上的问题阻碍计划。同时将近92%的雇主称，现在招聘上的短缺已经阻碍了他们的生产力、雇员满意度和营业额。

造成这一结果的原因之一是，高达95%的雇主理想的关键岗位人才都是处于“被动”状态的人才——这些人才已经有了自己的工作，并且没有打算辞职，他们的简历甚至不会在网上出现。

精准预测这批人的求职倾向，将是招聘领域下一场变革的重心，也是AI 算法在人才招聘最大的用武之地。

当然，其中的难度可想而知，这会比让AI根据个人经历、项目经验、技能等去判断其胜任能力要难得多，非常好去精准判断的。大街网的CEO王秀娟就说过：“招聘最核心解决的不是精准问题，而是动态意愿、猜测的问题。”

根据她的说法，基于AI对人才的求职意向和倾向做出更好的判断，基于这个判断，招聘撮合的成功率会大幅提高，这方面的自学习和深度智能的算法不断校验模型，根据每个用户的模型不断做自演变，这个反而是招聘行业最难的问题。

当然，对于一些公司来说，他们有预测人才求职意向的需求，另一些公司其实就有必要预测人才离职意向。

如果我们单单聚焦在中国公司顶级AI人才流失的情况上，有一家公司值得一提，那就是百度。

 

（来源：脉脉数据研究院）

无论是曾经的百度首席科学家吴恩达、高级副总裁（原无人驾驶事业部总经理）王劲，还是更早之前的余凯、张潼等，这些大牛的相继离开，都让人们把目光集中在百度的AI人才流失问题上来。

在一次行业会议上，DT 君了解到，百度目前正在使用一套基于AI的人才管理系统。尽管该系统面向的是公司整体的人才战略，但是对于百度这种超大规模企业来说，该系统的最大价值可能在于对其核心团队的稳固。

除了具有常规的考核、选拔人才等功能以外，这套系统的一大亮点是其可用于离职预测的算法。团队相关人士透露，这个离职预测模型包含经济、职业发展和个人家庭原因等数百个动态特征，预测准确度在90%以上。

据介绍，这套系统可以非常准确地判断谁在未来几个月离职。之所以需要这样的预测，一方面是帮助企业发现哪些处于桥梁作用或者骨干作用的员工有离职意向，并针对这种情况作几手准备。像百度这样的大公司，十分有必要在灾难没有发生之前就做好准备。

这套系统将会在充分保护员工隐私的情况下尽可能多地收集材料，包括来自社交媒体和互联网的舆论信息和文本等。不过，至于这套系统目前具体预测或者曾经预测过百度哪些人才流失，我们尚不得知。

最难复制的能力

在AI技术之前，移动互联网的普及曾经让这个人力资源这一沉寂已久的行业进行了一番新陈代谢。而随着AI时代的到来，无论是创业公司还是传统的招聘服务商，他们都看到了新的可能，或许这个行业的新物种就会在他们之中诞生，就像当年LinkedIn 一样。

不过，即使AI技术继续取得重大进展，招聘平台和初创公司们也能将其应用得炉火纯青，AI也永远不会取代 HR 。

AI 可以说评价这个人很完美，因为他具备所有需要的品质，但最后的环节，必须由雇主们做出选择。毕竟，需要长期和这个人共事是雇主们——他们之间一定得有某种默契。

在人才和雇主与团队中HR三者互动的过程中，他们之间将能够建立信任、忠诚和团队合作意识，这些都是难以被机器复制。而AI的作用就是为招聘人员腾出更多的时间，让他们更专注于上述的互动过程色。

AI能在围棋游戏中击败我们，但在与人的互动交流中，目前看来，它击败人类的概率几乎为零。

人工智能招聘平台猎萝卜：算法工程师为什么这么火？

人工智能招聘平台猎萝卜：算法工程师为什么这么火？

如今，各行各业纷纷在人工智能掀起的技术浪潮中追波逐浪，有相当一部分人认为：“得AI者，得天下”。提到人工智能，就不得不提人工智能领域最炙手可热的算法工程师。来自人工智能招聘平台猎萝卜的分析，为什么算法工程师能“红透半边天”？

算法即一系列解决问题的清晰指令，算法工程师就是利用算法处理事物的人。算法工程师主要根据业务进行细分，常见的有广告算法工程师、推荐算法工程师、图像算法工程师等等。前段时间，人类首张黑洞照片引发强烈关注，该照片的幕后英雄就是一位29岁的女算法工程师。

那么谁才是算法里的香饽饽？其中图像语音、推荐搜索广告、自然语言、机器学习等岗位是目前市场上的热招岗位。从猎萝卜平台数据来看，2018年以上岗位占比分别达到20.1%，13.6%，11.9%和9%。

人工智能与各行各业的融合越来越紧密，人工智能的创新速度也让人惊叹。但AI作为新型产业，发展时间短，整个行业依旧面临着AI人才短缺、缺口巨大的现实。猎萝卜平台数据显示2018年算法岗位供需比为3.18:1，也就是1个算法人才至少有3家公司争抢。猎萝卜平台数据也显示2018年算法岗平均年薪达到了50.21万元，最高年薪高达375万元。乐观的情况是，有更多的求职者期望在人工智能领域发展，各高校在培养输送AI人才方面加大了力度，专注人工智能的机构也如同雨后春笋般兴起。

在这场AI大势中，人工智能招聘平台猎萝卜充分发挥了AI招聘的价值。为了帮助企业雇主快速找到专业又合适的人才，猎萝卜在充分了解雇主招聘需求的情况下，进一步熟悉雇主的内部招聘流程制度和组织架构，通过平台的简历自动解析技术和AI精准匹配技术，快速为企业推荐出优质合适的候选人，这其中不乏优秀的算法工程师。

自2017年7月成立至今，猎萝卜全平台已拥有中国6000家注册猎头企业以及超过15000家认证雇主企业，有效职位数超过200000个。猎萝卜一直用实际行动诠释着“智能·高效·省心”的AI招聘服务

作者：雨后彩虹ya
链接：https://xueqiu.com/8445103851/126694432
来源：雪球
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

AI大展身手的未来，企业招聘将何去何从？

 

根据预测，到2020年，全球企业将 在人工智能（AI）上投入470亿美元，似乎我们生活的方方面面 — 从购物、休闲到工作和个人理财，都将随着机器利用数据为我们大规模提供量身定制的个性化服务而经历变革。

 

 

根据预测，到2020年，全球企业将 在人工智能（AI）上投入470亿美元，似乎我们生活的方方面面 — 从购物、休闲到工作和个人理财，都将随着机器利用数据为我们大规模提供量身定制的个性化服务而经历变革。

 

鉴于其影响如此广泛，我们也能预计到AI也将彻底改变组织选贤举能的方式。自动化技术可分析众多组织的海量数据与宏观就业市场，将其转化为易于理解的格式，最终帮助人们做出更好的决策，而人们节省出来的时间就能花在更高价值，更高影响力的任务上。 

 

那么，AI会对我们未来招聘人才的方式产生哪些影响？我能看到至少三个变革领域：

 

AI将让应聘者筛选变得更高效、更公平

 

AI的主要益处之一，是让流程完成的速度与规模达到人类无法企及的水平。因此我认为，未来几年AI的两个分支将得到广泛应用。

 

1.自然语言处理（NLP）— 将文本转为结构化且易于理解的数据 — 有效实现计算机解读语言

 

2.自然语言生成（NLG）— 自然语言处理的反向过程，将结构化数据转为文本 — 实现计算机生成语言

 

NLP与NLG都在人才招聘领域中展示出巨大潜力。数字时代让我们的行业受益匪浅。但随之而来的是现今大部分仍需人工处理的海量数据。例如，一个普通的工作招聘广告可能会收到数以万计的回应，其中许多申请人可能完全不适合该职位，但为了找到出色人选，所有的申请都要挨个筛查。筛选简历、起草职位描述以及与候选人沟通这类简单却耗时的工作，利用AI技术只需几秒钟就能完成。这样一来，人力专家就能腾出更多时间与最优秀的候选人进行单独交流 — 这实际上让招聘变得更加人性化，而这正是成功所需的关键因素。

 

瀚纳仕（Hays）已开始委托业内第三方专家机构使用AI自然语言生成技术，协助我们的候选人筛选流程，前期成果证明此策略卓有成效。此平台无疑加快了我们的甄选过程，也使我们的招聘顾问能集中精力、评估AI技术筛选出跟某特定职位最匹配的候选人，而不是把精力倾注在成千上万匹配度不高的人选上。我们的招聘顾问就能把精力放在与客户及候选人建立紧密关系这方面，这一点则是AI绝对无法做到的。

 

当今时代，消除招聘过程中的偏见是大众十分注重的问题。我对此表示支持，但科学证明，即使人们力图消除明显形式的偏见，无意识偏见仍然存在。有趣的是，除提高效率之外，筛选阶段的部分自动化也可抑制招聘中的潜意识偏见。毕竟，若AI系统接受的指示是根据候选人与职位的匹配度数据来产生备选名单，那么系统就会自动忽略掉年龄、种族和性别等族群信息。不过我们还是要注意其中的陷阱，不能假设AI天生就更公平。机器学习功能同样可自动生成现有的偏见，许多AI技术的“黑匣子”性质可能意味着人类甚至对此毫无察觉。例如，如果用于训练AI筛选算法的历史数据已自带年龄偏见，从输入文件中移除年龄数据可能解决不了这个漏洞，因为历史上已有AI通过候选人名字与受欢迎度逐渐推断出年龄的先例。跟所有其他新技术一样，一旦我们开始利用开发AI，所涉及到的学问是无穷无尽的，因此要保持对意外后果的警惕。永远不要忘记，你输入的数据质量决定了AI的水平，为遴选出最理想的候选人，你需要给AI提供一套标准，让它了解你在学历资质、过往经验与具体技能方面的诉求。 

 

AI将确保锁定匹配度更高的候选人

 

AI也可让企业能够比以往更关注候选人匹配度，最终带来更成功、更持久的聘用结果。毕竟众所周知，导致聘用不满意的头号原因是员工与组织之间缺乏文化上的匹配度。

 

招聘市场上使用AI计算匹配度已不是新鲜事 — 在线求职平台越来越多地使用算法来进行候选者群体与开放职位之间的匹配。比如，领英职位招聘会通过匹配候选人主页信息与职位描述信息的方式来给他们排序。然而，随着AI（以及企业收集的数据）愈加精益复杂，这些算法也将朝着更复杂的方向发展，算法会将招聘偏好与匹配度考虑在内，而不仅仅只看技术上的能力。

 

求职者对福利待遇、企业文化和薪酬偏好等方面的态度可以通过调查指标进行评估。机器可以通过算法来执行就业市场搜索和结果处理，以为企业提供与组织人格相匹配的候选人名单。候选人也能亲身感受到AI匹配度计算带来的效应，求职者可收到更准确的职位推荐，以及未来雇主更有针对性的联系，这些定制信息均更加符合个人偏好。

 

然而，人类仍然是不可或缺的因素，且重要性可能还甚于从前，因为任何机器都难以分析对现代企业至关重要的软技能。我至今还没发现可以像人们一样有效地理解幽默、气质或热情的算法。请切记，筛选标准最终仍需人类的监督 — 我绝不想要机器来决定我企业的人格，我也不认为现阶段机器在这方面做得足够好。

 

AI将保障未来人才管道

 

除了帮助现在的企业招聘合适候选人之外，我相信AI也会在组织留住和发展未来人才方面发挥重要作用。

 

我们已经看到， 零售行业正利用AI 创造更具个性化和互动性的购物体验，促使消费者购物。我预计未来几年，众多雇主也会追随其步伐，在更具体化、个人化的基础上保持员工的参与度。再次重申，AI在此领域的整体应用是为了补充、而不是替代人类的管理 — 自动化系统可能会促进经理与看重小型回顾会议的员工进行一对一交流，或提醒经理哪位员工尚未得到内部奖励项目。以上都是十分基础的用例。随着算法变得越来越复杂，机器可能会告诉雇主何时何处可能会出现人才流失等信息，以便人类在为时已晚之前进行干预。

 

一个激动人心的前景便是用AI补充人类的前瞻规划。组织的人才流动本质上是另一种数据传播，计算机可以对此执行分析，发现未来趋势，评估未来营收增长需要的额外员工，或分析历年模式，识别一年中最可能出现员工离职的时间段。我相信这将成为大型企业必不可少的策略，这些企业将与招聘经理和人才招募主管一起策划前瞻性的招聘计划，而不是浪费大量时间进行被动性的“救火”招聘。

 

随着AI在商业上获得日益广泛的认可，我预计人才招募领域也会很快开始适应这种趋势。这不仅会促进更加高效的招聘过程，还会让招聘经理有更多的时间专注于更具价值的任务，抓住更多利用人类细微特征的机会，这一点我相信AI不可能成功仿效。然而，未来会有大批新企业和新商业模式声称自己可以改变你的命运，因为每次一有新概念发力，这样的跟风场景通常都会出现。从沙子中淘出真金并不容易，招聘者很可能会因选择太多以及不确定的可靠性而感到困扰。在瀚纳什，我们投入大量时间寻找真正对客户与候选人有所帮助的想法，而这类想法只占到所有提案的10％。

 

但我也坚信，未来将继续在招聘和员工敬业度中发挥主导作用的是人类而不是机器。我们需要制定标准，我们需要将人类特有的细微差别应用到筛选和面试阶段，我们还需要建立个人对个人的关系，这是候选人落笔签合同时最重要的考量。当今时代，商业仍然是人与人之间的往来，这一点我希望永不改变。尽管AI的崛起让人们兴奋又恐惧，人才管理大部分仍是一种接触式活动，其中，基于数千个人类经验微小方面、从未被捕获为数据的直觉，与硬数据扮演同样强大的角色。

 

深度学习平台总体架构：

① Web管理层：面向用户，提供可视化操作界面，用户通过Web页面可以完成资源申请、任务管理、模型管理、日志查看、资源查看等操作。

② 算法层：集成了深度学习的主流框架TensorFlow和PyTorch，同时还支持用户自定义的个性化模型需求。支持DNN、CNN、RNN等深度学习模型在CPU/GPU上的单机、分布式训练。

③ 集群管理层：基于Kubernets、Docker、Nvidia-Docker等组件实现，负责模型训练、在线推理等任务POD的统一调度，实现了对CPU、GPU资源的统一管理。

④ 硬件层：包括GPU、CPU、内存等资源，其中GPU包括K40、P40、T4、2080ti等不同型号，由Kubernetes统一管理，为模型训练和推理提供硬件支持。

⑤ 镜像中心：平台镜像仓库，提供PyTorch、TensorFlow、TensorFlow-Serving等不同版本镜像。

⑥ 日志中心：支持模型训练和推理日志的存储和读取。

⑦ 监控中心：基于Prometheus、Grafana实现，提供POD、Container级别的监控数据。

⑧ 在线推理服务：基于TensorFlow-Serving、gRPC和58自研的RPC框架SCF实现，向用户提供通用的模型推理接口调用。

集群资源管理

AI 算法的价值在于提效和赋能，通过技术提高效率，优化用户体验，提升企业和平台的价值，可以说AI正在驱动行业变革。58各业务部门也在加速落地AI应用，利用AI技术更好地服务和赋能C端用户和B端商家。

12月13~14日 ，由中国科学院软件研究所和中科软科技主办的以“聚焦技术实践洞见软件未来”为主题的中国软件技术大会在北京国家会议中心举行。58同城AI Lab架构师陈兴振受邀出席，并在AI与大数据前沿会场以《基于Kubernetes的58同城深度学习平台》为主题进行了分享。

以下是分享实录，希望对大家有所帮助。

背景

58同城是中国最大的生活信息服务平台，公司主营业务包括：招聘、房产、汽车、金融、本地服务、二手物品等。B端商家通过58同城发布服务，C端用户通过58同城寻找服务。AI正在驱动行业变革，58各业务部门也在加速落地AI应用，利用AI技术更好的服务C端用户和B端商家。AI算法开发流程通常包括特征工程、模型训练、在线推理三个步骤。

 

为了加速AI应用落地，提高算法研发效率，我们设计并实现了58人工智能平台（WPAI，Wuba Platform of AI），旨在为全集团各业务部门赋能AI算法研发能力。WPAI提供深度学习、传统机器学习、向量检索等功能，下面将详细讲述深度学习功能的具体实现。

 

总体架构

 

深度学习平台总体架构：

① Web管理层：面向用户，提供可视化操作界面，用户通过Web页面可以完成资源申请、任务管理、模型管理、日志查看、资源查看等操作。

② 算法层：集成了深度学习的主流框架TensorFlow和PyTorch，同时还支持用户自定义的个性化模型需求。支持DNN、CNN、RNN等深度学习模型在CPU/GPU上的单机、分布式训练。

③ 集群管理层：基于Kubernets、Docker、Nvidia-Docker等组件实现，负责模型训练、在线推理等任务POD的统一调度，实现了对CPU、GPU资源的统一管理。

④ 硬件层：包括GPU、CPU、内存等资源，其中GPU包括K40、P40、T4、2080ti等不同型号，由Kubernetes统一管理，为模型训练和推理提供硬件支持。

⑤ 镜像中心：平台镜像仓库，提供PyTorch、TensorFlow、TensorFlow-Serving等不同版本镜像。

⑥ 日志中心：支持模型训练和推理日志的存储和读取。

⑦ 监控中心：基于Prometheus、Grafana实现，提供POD、Container级别的监控数据。

⑧ 在线推理服务：基于TensorFlow-Serving、gRPC和58自研的RPC框架SCF实现，向用户提供通用的模型推理接口调用。

集群资源管理

平台资源包括CPU、内存、GPU，而GPU又包括不同的型号如K40、P40、T4、2080ti，每种资源又区分离线和在线。整个资源通过Kubernetes进行统一管理，实现容器化调度。

 

集群离线训练资源包括两部分：平台初始资源和各个业务部门每季度采购资源。训练资源管理要实现两个目标：第一，资源能得到充分利用；第二，有采购资源的部门能优先进行模型训练。训练资源管理基于Kubernetes的ResourceQuota和PriorityClass实现，为每个部门创建私有资源池和共有资源池，私有资源池为部门采购的资源，共有资源池为部门申请能使用的资源上限，通过优先调度策略，保证部门能使用采购资源的同时资源能得到最大化利用。

 

在线推理资源以用户申请管理员审核的方式进行管理。用户先在TEST环境下部署测试实例，压测单个实例的QPS上限，并评估是否需要GPU，根据线上流量和压测QPS评估线上需要的资源，然后申请线上资源进行部署。线上节点部署基于Kubernetes的Deployment实现，支持亲和性调度。

 

离线训练

离线训练指通过深度学习框架对样本数据进行计算得到模型的过程，平台支持主流的TensorFlow和PyTorch框架，分为调试环境和训练环境。调试环境支持代码在线编辑、断点调试、代码保存及推送训练环境，减少用户修改代码重新训练模型的操作成本。训练环境提供TensorFlow、PyTorch单机和分布式训练支持及模型评测支持。训练样本数据通过58自研的网络文件系统WFS进行管理，模型文件存储在58自研的对象存储系统WOS上，训练过程中提供tensorboard可视化查看、日志查看、训练资源监控等功能。整个离线训练流程为：准备训练需要的样本数据和评测数据上传WFS -> 在调试环境使用少量样本调试模型训练代码 -> 创建训练任务申请训练资源 -> 执行训练，查看训练日志和tensorboard -> 训练结束得到模型文件和模型评测指标数据。

 

调试环境基于jupyter搭建了python代码在线调试功能，提供web操作界面，支持代码在线编辑、调试，支持GPU调试，模拟训练的GPU环境，与训练环境打通，调试好的代码直接推送训练环境执行训练。

 

调试环境按部门进行隔离，平台为每个部门分配网络文件系统目录，由业务部门自己进行维护。部门内的GPU调试容器调度在同一张GPU卡上，以节省GPU资源使用。

 

Tensorflow分布式训练各个节点均以容器方式运行在kubernetes集群中，任务运行时，平台对每个ps、worker节点生成RC控制器对象，同时为每个节点RC配置service，各个节点通过集群提供的Kube-DNS以service name来访问对应节点，集群在任务启动时把ps地址、worker地址、jobname、index四个分布式参数以环境变量方式写入容器中，用户通过读取环境变量配置分布式训练参数，WEB系统可查看任务运行状态，如任务运行日志、资源使用、tensorboard等。

 

PyTorch分布式训练整体架构和TensorFlow类似，用户通过Web系统进行资源、参数配置，平台通过Kubernetes进行训练worker节点调度。每个worker根据当前的rank值从数据集中获取对应分片的数据，训练过程中模型参数通过广播方式进行合并。训练结束后，容器内模型收集程序会将训练好的模型文件打包上传至指定位置统一管理，供用户下载分析或在线推理部署。

 

平台使用ImageNet ILSVRC2012数据集对resnet50模型进行了PyTorch分布式训练，4节点用时48小时，准确率达75.1%，8节点用时22.7小时，准确率达73.2%。

 

在线推理

在线推理实现将深度学习模型应用到生产环境，由于不同业务方模型种类和数据类型不同，所以需要一套通用的在线推理框架。平台在线推理框架包括SCF服务、推理实例、Kubernetes集群和Web管理系统。SCF服务提供通用的RPC服务调用，热加载用户上传的模型协议解析jar包提供统一的推理调用接口，将接收到的请求转发到后端推理实例上，实现负载均衡。推理实例通过Kubernetes部署，以容器化的方式提供远端服务调用，部署在CPU或GPU上，执行推理计算。用户通过Web管理系统完成协议解析Jar包上传、模型部署、节点的扩缩容等操作。

 

TensorFlow在线推理基于TensorFlow-Serving实现，Kubernetes通过Deployment提供模型部署和滚动更新操作。对外使用SCF服务作为服务接入层，SCF服务加载模型的协议解析jar包兼容不同模型的多种协议实体，提供统一的接口调用。同时SCF服务Watch Kubernetes集群同步POD IP变化，并维护不同任务对应的后端TensorFlow-Serving节点IP列表关系，使用加权轮询负载均衡算法将流量均匀转发到后端TensorFlow-Serving节点上。

 

PyTorch在线推理基于gRPC、Seldon实现，提供同步和异步调用接口， 用户在web上操作部署后，Kubernetes创建对应服务数量的PyTorch推理节点，容器将用户模型推理封装为gRPC服务对外发布。用户可以自行定义模型调用方式、模型推理前后预处理程序，方便用户进行模型接入，提高推理效率。

 

对于用户自定义的模型或应用，平台提供了自定义任务支持。用户提供自定义的模型或应用程序，选择基础镜像，对自定义应用进行封装，然后在平台进行部署上线即可调用SCF服务接口。

 

对于模型的在线推理平台进行了一系列优化措施。GPU上推理通过应用TensorRT加速组件和模型混合部署提升了GPU吞吐能力。GPU上的TensorRT组件应用可以参考文章《如何利用TensorRT加速GPU上深度学习模型推理》（详见阅读原文），GPU上模型混合部署通过Kubernetes将多个模型部署在一张GPU卡上。由于Kubernetes对GPU是按卡粒度来调度，单卡上多个模型混合部署对线上的小流量模型应用能有效节省GPU资源，提升GPU使用率。CPU上推理应用了Intel的MKL-DNN库，通过增加CPU资源的使用来提升模型的推理性能，降低服务耗时，应用在业务部门的OCR识别和低质文本识别模型上后，服务耗时降低50%。

 

 

总结

本文对58同城深度学习平台架构、集群资源管理、离线训练和在线推理进行了系统介绍。当前集团各业务部门对AI技术的投入正逐步提高，我们会持续对平台进行功能和性能的优化，秉承开放协作原则，与集团业务部门一起提升平台能力。

陈兴振

58同城 AI Lab架构师

主要负责AI算法平台及周围子系统的建设工作

有机社会 | AI&Society即是腾讯研究院推出的跨界讨论与行动平台。我们尝试通过【有机社会·Post】这一工具，梳理当下AI与社会的动向和议题，迎接思考者与关心者，为后续讨论与行动打下基础。【有机社会·Post】双周更新，常设以下三个栏目：特写、动态和精选。

特写 CLOSE-UP

Topic：算法偏见：看不见的“裁决者”

我们生活在被AI算法包围的时代。技术的进步致使AI突破过去的使用边界，进入到更深层次的决策领域，并对我们的生活产生重要影响。AI成为了招聘面试官，成为了量刑助手，成为了裁决入学申请的老师……这项技术无疑为我们带来了便利。但同时，一个更加不容忽视的问题也浮出水面——算法偏见。

据BBC11月1日报道，苹果公司联合创始人斯蒂夫·沃兹尼亚克在社交媒体上发声称，苹果信用卡给他的信用额度是他夫人的10倍，尽管夫妻俩并没有个人单独的银行账户或任何个人资产。这不禁让人思考，苹果公司的信用额度算法是否存在性别歧视？

事实上，被歧视的不仅是女性，偏见蔓延的领域也远不止银行贷款额。本期特写，我们就从典型的算法偏见类型说起，细细追究，偏见到底是如何钻进机器大脑，而未来我们又将以何来对抗偏见？

算法偏见的典型类别

技术的包容性不足

加纳裔科学家Joy Buolamwini一次偶然发现，人脸识别软件竟无法识别她的存在，除非带上一张白色面具。有感于此，Joy发起了Gender Shades研究，发现IBM、微软和旷视Face++三家的人脸识别产品，均存在不同程度的女性和深色人种“歧视”（即女性和深色人种的识别正确率均显著低于男性和浅色人种），最大差距可达34.3%。

这个问题的本质，其实是人脸识别技术对不同群体的包容度不足。正如我们开发一款产品时，天然容易切合中青年人的使用习惯，而忽略其对老龄或儿童带来的使用后果，又或者将残障人士排除在使用者之外。

 

图源：算法正义联盟官网

预测、决策不公

如果包容性问题更多指向的是少数族裔或女性，那么预测和决策不公就更可能发生在任何人身上。比如，招聘偏见。今年11月被高盛、希尔顿、联合利华等名企采用的AI面试工具——HireVue，它的决策偏好让人匪夷所思：AI 分不清你皱眉是因为在思考问题，还是情绪不佳（暗示性格易怒）；英国达勒姆警方使用了数年的犯罪预测系统，将黑人是罪犯的概率定为白人的两倍，还喜欢把白人定为低风险、单独犯案。（DeepTech深科技）

当下生活中，AI参与评估决策的领域远不止此。除了犯罪、就业，还包括金融、医疗等领域。AI决策依赖于对人类决策偏好和结果的学习，机器偏见实质上投射出了根植于社会传统的偏见。

偏见的展示

在搜索引擎输入“CEO”，会出现一连串男性白人面孔；有人将关键字换成“黑人女孩”，甚至出现过大量的色情内容。微软开发的机器人Tay，在twitter上线仅一天便被下架，原因是受到用户的影响，出现了种族歧视和偏激言论。（THU数据派）这种偏见，既来源于用户交互中的学习，又重新被AI产品赤裸呈递给更广大的受众，从而产生了连锁的偏见循环。

算法的偏见来自哪里？

算法并不会生而歧视，工程师也很少刻意将偏见教给算法。那偏见究竟从何而来？这个问题与人工智能背后的核心技术——机器学习休戚相关。

机器学习过程可化约为如下步骤，而为算法注入偏见的主要有三个环节——数据集构建、目标制定与特征选取（工程师）、数据标注（标注者）。

 

数据集：偏见的土壤

数据集是机器学习的基础，如果数据集本身缺乏代表性，就不能够客观地反映现实情况，算法决策就难免有失公允。

这一问题的常见表现为配比偏差，出于数据采集的便利性，数据集往往会倾向更“主流”、可获取的群体，从而在种族、性别层面分布不均。

Facebook曾宣布，经世界上人脸识别最知名数据集之一的Labeled Faces in the Wild测试，其面部识别系统的准确率高达97%。但当研究人员查看这个所谓的黄金标准数据集时，却发现这个数据集中有近77%的男性，同时超过80%是白人。（全媒派）这就意味着，以此训练的算法在识别特定群体时可能会出问题，比如在Facebook的照片识别中，女性和黑人很可能无法被准确标记出来。

另一种情况是，现存的社会偏见被带入数据集。当原始数据本就是社会偏见作用的结果，算法也会习得其中的偏见关系。

亚马逊发现，其招聘系统存在偏差的原因在于，该算法所使用的原始数据是公司的过往员工数据——过去，亚马逊聘用的男性偏多。算法学习到了数据集所表现的这一特征，因此在决策中更容易忽略女性求职者。（麻省理工科技评论）

事实上，几乎每一个机器学习算法背后的数据库都是含有偏见的。

工程师：规则制定者

算法工程师从头到尾参与了整个系统，包括：机器学习的目标设定、采用哪种模型、选取什么特征（数据标签）、数据的预处理等。

不恰当的目标设定，可能从一开始就引入了偏见，比如意图通过面相来识别罪犯；不过，更典型的个人偏见代入，出现在数据特征的选取环节。

数据标签就是一堆帮助算法达成目标的判定因素。算法就好像一只嗅探犬，当工程师向它展示特定东西的气味后，它才能够更加精准地找到目标。因此工程师会在数据集中设置标签，来决定算法要学习该数据集内部的哪些内容、生成怎样的模型。

亚马逊的招聘系统中，工程师可能为算法设置了“年龄”、“性别”、“教育水平”等标签。因而在学习过往聘用决策时，算法就会识别其中的这一部分特定属性，并以此为核心构建模型。当工程师认为“性别”是一个重要的考量标准时，无疑就会影响到算法对数据的反应。

打标者：无意的裁决

对于一些非结构化的数据集（如大量描述性文字、图片、视频等），算法无法对其进行直接分析。这时就需要人工为数据进行标注，提炼出结构化的维度，用于训练算法。举一个很简单的例子，有时Google Photos会请你帮助判断一张图片是否是猫，这时你就参与了这张图片的打标环节。

当打标者面对的是“猫或狗”的提问时，最坏结果不过是答错；但如果面对的是“美或丑”的拷问，偏见就产生了。作为数据的加工人员，打标者时常会被要求做一些主观价值判断，这又成为偏见的一大来源。

ImageNet就是一个典型的案例：作为世界上图像识别最大的数据库，网站上的许多图片均被手动注释，打上各种各样的细分标签。“尽管我们不可能知道这些贴标签的人本身是否带有这样的偏见。但他们定义了“失败者”、“荡妇”和“罪犯”应该长什么样……同样的问题也可能发生在看似‘无害’的标签上。毕竟，即使是‘男人’和‘女人’的定义，也有待商榷。”（全媒派）

Trevor Paglen是ImageNet Roulette项目的发起人之一，这一项目致力于展示观点、偏见甚至冒犯性的看法是如何影响人工智能的。他认为：“我们对图像的贴标签方式是我们世界观的产物，任何一种分类系统都会反映出分类者的价值观。”不同的文化背景下，人们存在着对于不同文化、种族的偏见。

打标过程正是将个人偏见转移到数据中，被算法吸纳，从而生成了带有偏见的模型。现如今，人工打标服务已成为一种典型商业模式，许多科技公司都将其海量的数据外包进行打标。这意味着，算法偏见正通过一种“隐形化”、“合法化”的过程，被流传和放大。

编者小结

由于AI技术的大量应用和黑箱原理，算法偏见早已成为一个隐匿但作用广泛的社会隐患。它会在决策中带入不公，让人脸识别技术只惠及一部分人，在搜索结果中大张旗鼓地展示偏见观点......

但是机器从未独立创造偏见，偏见习得于机器学习中的几个重要环节：从数据集的不均衡，到特征选取的偏颇，再到人工打标带入的主观性。在从人到机的迁移中，偏见习得了某种“隐匿性”与“合法性”，并被不断实践和放大。

但回过头来，技术不过是社会与人心的一面镜子。某种程度上，算法偏见就像在这个我们认为进步、美好的当下，重新呈递灰暗角落的真相并敲响警钟。因此，当谈及算法偏见的应对时，一部分努力便是要回归于人。可幸的是，即便是技术层面的自律与治理尝试，也能极大地降低偏见程度、避免偏见大幅扩张。这些方法是什么？请期待下一期有机社会·post，我们将为您呈现：算法偏见下篇。

动态 MUST READ

斯坦福发布《2019年全球AI指数报告》，研究、投资、人才仍呈上升势头

斯坦福 HAI（Human-centered Artificial Intelligence）发布《2019年全球AI指数报告》，该报告旨在通过大量收集与AI相关的数据，为政策制定者、研究者、媒体人提供相对客观的AI领域决策参考。该报告从研究、会议、教育、技术表现、经济发展、国家战略等多个纬度展现AI发展现状。

——来源：Stanford University Human-Centered Artifical Intelligence

文本生成器GPT-2终于开源，假新闻会更加泛滥吗？

11月，人工智能实验室OpenAI发布了人工智能文本生成语言模型GPT-2的最终版本，包含全部的1.5亿个参数。此次发布完整版本，是因为OpenAI认为自二月发布第一版后“没有看到该模型被误用的证据”，但同时他们承认GPT-2依旧可能带来一系列问题：生成虚假文本、传播假新闻和垃圾邮件、在网上冒充他人、自动为社交媒体生成滥用或虚假的内容等。

——来源：The Verge 《OpenAI has published the text-generating AI it said was too dangerous to share》

AI分析微博评论，成功开展700多次自杀营救

在微博上，“树洞”代指博友们集中发表心声和秘密的账号或评论区。树洞救援团创立于2018年7月，通过AI技术筛选“树洞”中的评论内容，对含有自杀倾向的信息进行风险判断，并将自杀风险在6级以上的信息发送给志愿者，由志愿者成立救援小组，进行自杀干预，帮助挽回轻生者的生命。一年多的时间里，树洞救援团共挽回了700多条生命。

波士顿动力机器狗参与两次警方执法

11月，美国非盈利机构 ACLU（American Civil Liberties Union）的马萨诸塞州分部公开的一套文件显示，麻州的州警已经租借并启用了波士顿动力的机器狗Spot进行执法，主要用于涉及犯罪嫌疑人或爆炸物环境下的遥控巡查。虽然租约中注明机器人不得伤害他人，ACLU仍然对于快速发展的技术被用于执法充满担忧，认为执法机构需要更多对公众披露相关细节。

——来源：Futurism《It’s Official: Police Are Testing Out Boston Dynamics’ Robot Dog》

工智能也有歧视？亚马逊关闭AI招聘 

2018-11-13 17:19

【手机中国新闻】亚马逊在发现实验性的人工智能招聘工具歧视女性之后，决定关闭该工具。这款工具可以搜索网络发现潜在的候选人，并用1到5颗星对其进行评定。但该算法学会了针对技术职位--例如软件开发职位--系统地降低女性简历评分。

虽然亚马逊处于人工智能技术的最前沿，但该公司也无法找到一种方法使其算法保持性别中立。该公司的失败提醒我们，人工智能会从各种来源中产生偏见。人类会受到各种偏见的左右，而人们普遍认为算法不会这样，它们应该客观公正，毫无偏见。然而事实上，算法可能会无意间从各种不同的来源学习到偏见。从训练它的数据到训练算法的人，一些甚至是看起来无关的因素也会导致人工智能偏见。

 

人工智能歧视

人工智能算法经过训练，观察大数据集中的模式以帮助预测结果。在亚马逊的这个案例中，算法使用了十年间提交给该公司的所有的简历，以了解如何找到最佳候选人。

鉴于该公司的女性员工比例很低--就像大多数科技公司一样--该算法很快就发现了男性的统治地位，并认为这是成功的一个因素。因为该算法使用其自身预测的结果来提高其准确性，所以它陷入了对女性候选人的性别歧视模式。

而且由于用于训练它的数据是由人类创造，这意味着该算法还继承了不良的人类特征，如偏见和歧视，这也是招聘领域多年存在的问题。

 

赢家机器人——全国首家聚合型AI智能机器人营销平台，为客户提供包括电话销售、电话客服、网络销售、客户资源搜集等多方位营销推广服务，全面提升企业销售业绩，帮助企业节省电销、客服、网络营销、资源搜集等岗位的人力成本70%，提升企业利润300%！

赢家机器人拥有四大功能板块：依托阿里云、科大讯飞智能语音识别技术，研发出AI智能语音机器人；深度优化人工转接功能等功能，研发出AI智能客服机器人；直接对接腾讯、百度等互联网集团公司的大数据中心，研发出AI智能资源机器人；深度结合网销岗位特点与完美模拟手机运营环境，研发出AI智能网销机器人。

作为全国首家聚合型AI智能机器人营销平台，赢家机器人凭借科大讯飞、阿里云、腾讯AI大数据中心等多方营销优势，为传统企业提供最优化的AI智能升级方案。全面提升企业利润，极力缩减企业人力成本！

智汇营销，畅联未来。赢家机器人聚合电话机器人、客服机器人、资源机器人、网销机器人等多重营销模式，帮助传统企业降低AI智能营销难度，深度切合各行业营销特点，帮助传统企业实现AI智能营销方向的营销升级！

2017年，国务院接连颁布多条关于AI智能的行业规划细则，表明了在全球范围内抢占AI人工智能科技制高点的决心。国内多个行业巨头公司（阿里、通讯、百度等）都在不遗余力的发展人工智能。

可以预见的是，在未来，我们的生活将和AI人工智能产生密不可分的联系。谁能抢占行业先机，谁就能够抢占新一轮的科技红利！

精华

问答

行情

交易



下载App

登录/注册

 

AI前线

来自雪球发布于02-07 13:43

关注

这次不抢工作！AI介入招聘：消除性别、年龄等歧视

 

作者 | 钰莹

AI 技术不仅可以用于面试，还可以将招聘广告推荐给可能的候选人，并预测意向人是否会从原公司离职。

复工在即，免不了有些程序员希望寻找新的工作机会。然而，在招聘中，性别、年龄、学历甚至地域都可能成为被歧视的因素。于是，国外一群研究学者开始研究如何通过人工智能技术来替求职者自动匹配最佳岗位，以淡化人在这个过程中起到的作用。

AI“面试”求职者

根据领英的调查数据显示，过去一年已经有 67% 的招聘人员通过使用人工智能技术节省了大量时间，但也有批评者认为，这样的系统会带来偏差，缺乏问责制和透明度，并且不能保证其准确性。以国外一家名为 HireVue 的公司为例，该公司对外出售求职面试视频平台，该平台可以使用人工智能系统来评估候选人，并且声称可以预测求职者获得某职位的可能性。该公司表示，它会聘用心理学家以及专业人士来帮助开发定制评估算法，以反映雇主希望雇用的某类角色（例如销售代表或计算机工程师）的理想特征。

然后，该算法将分析候选人在视频采访中对问题的回答，对他们的言语反应以及某些情况下的面部动作进行评分。HireVue 声称该工具已经被希尔顿、联合利华在内的大约 100 家公司使用了，比进行相同面试的招聘经理更能准确预测工作绩效。

 

但是，目前该系统被一家非营利性组织投诉，声称其存在欺骗性交易行为，目前尚未给出决断。据彭博社报道，负责就业歧视的联邦机构平等机会就业委员会（EEOC）目前正在调查至少两个涉及算法决定工作的案件。

AI 在面试之外的应用

其实，这类技术不仅应用在面试一个环节，整个招聘过程都可以利用这项技术，从招聘广告投放、预测潜在候选人到与意向者联系，整个环节都可以通过技术进行把控。目前，已经有公司开始使用人工智能技术对候选人进行排名，这类工具非常流行。部分求职平台开始将职位和潜在人选之间的特征进行匹配，以帮助求职者寻找满意的工作。

此外，已有公司表示可以通过收集到的候选人数据、过往职位和从事行业来预测员工是否可能离开原来的工作岗位，从而接受新的职位。

 

此外，AI 可以快速筛选简历，谷歌对招聘人员与 Hire 的互动进行了研究，并注意到招聘人员使用“Ctrl+F”功能搜索某些技能。通过人工智能，Hire 可以独立扫描搜索字段或职位描述中的术语，并在简历上突出显示它们，以及同义词和缩略词，也有公司通过创建聊天机器人与求职者进行简单的对话沟通，从而消除招聘经理打电话的时间，或者通过出示简单的游戏判断求职者的性格。

AI 就足够公平吗？

支持者认为，人工智能系统速度更快，可以处理招聘人员无法快速计算的信息，这些工具可帮助人力资源部门在大量应聘者中更快地审核，并最终降低招聘成本。与过度劳累的招聘人员浏览数百份简历和求职信相比，系统可能更公平，更彻底。

此类工具可以自动识别以前成功录用的申请材料中的特征，并在新申请人提交的材料中寻找该特征的迹象，一些系统可以在每个应用程序中考虑 16 至 25 个因素，并可以计算出以“毫秒”为单位的通勤距离之类的东西。

这些系统的运作规模通常大于招募人员的规模。例如，HireVue 声称其视频平台中使用的人工智能评估了“ 成千上万的因素”。即使公司使用的相同的基于 AI 的招聘工具，他们也可能会使用针对自己招聘偏好进行优化过的系统。另外，如果不断对新数据进行训练，则算法可能会发生变化。

这些招聘工具的支持者还声称，人工智能可用于避免人为偏见，例如对某所大学毕业生的无意识偏爱，对妇女或少数民族的偏见。他们认为 AI 可以帮助剔除（或抽象化）与候选人身份有关的信息，例如其姓名、年龄、性别或学校，并更公平地考虑申请人。

关于 AI 可能压制（或至少比偏见的人类做得更好）的想法在今年早些时候启发了加利福尼亚州立法者，提出了一项法案，敦促政策制定者探索使用新技术，包括“人工智能和基于算法的技术”。“减少招聘中的偏见和歧视。”

谁来负责训练这些 AI 工具？

事实上，这些 AI 系统做出的判断是否公平与其接受训练的数据息息相关，如果只是将公司内部过往雇用人员的简历拿来训练系统，那结果往往也继承了做出这些选择的招聘经理的有意识和无意识的偏好，这种方法可以帮助找到出色的候选人，但并不能表示公平。

此前，路透社就曾报道过亚马逊制定了一种招聘算法，在某些职位上无意偏向于男性申请人而不是女性，该系统接受了提交给该公司的十年简历数据的培训，而这些简历大多来自男性。随后，亚马逊的发言人表示，该系统从未使用过，被废弃的原因有很多，其中包括算法是原始的，并且这些模型随机返回了不合格的候选人。

反对者表示，没有定期、广泛的审核，就无法使用这些系统进行招聘。这是因为，即使明确指示机器学习工具不要歧视女性，它也可能也会无意间学会歧视其他指向性因素，比如从女子大学毕业。

而且，如果在 Facebook 之类的在线平台上发布广告，由于该平台算法产生的偏见，很多人甚至可能看不到任何职位。

批评家们对这些工具是否能如其所说表示怀疑，尤其是当他们对候选人的心理活动、情感和职位适合性提出广泛要求时。斯坦福大学组织行为学教授 Adina Sterling 指出，如果设计不周密，算法可能会将其偏好推向单一类型的候选人，这样的系统可能会错过非常规的申请者，比如一位演员未来有可能可以胜任销售岗位，并且非常出色。

算法有利于规模经济，但不利于细微差别。

谁来监管这些工具？

一位就业方向的律师 Mark Girouard 表示，人工智能和算法选择系统属于《雇员甄选程序统一准则》，该准则由联邦机构于 1978 年制定，旨在指导公司的甄选标准和雇佣评估。这些 AI 工具中有许多都说遵循五分之四的规则，但是专家指出，该规则只是一项测试，Rieke 强调通过测试并不意味着这些 AI 工具会按照要求行事，只要是随机选择候选人的系统几乎都可以通过测试。

在针对 HireVue 的案件中，EPIC 认为该公司未达到既定的 AI 透明性准则，HireVue 方面则表示，遵循统一准则和其他专业组织设定的准则。该公司还表示，其系统接受了多种数据集的培训，其工具已帮助其客户增加了员工的多样性。

招聘是一个非常社会化的过程，现在看来想要通过 AI 技术完全掌握还需要走很长一段路

被AI程序面试是一种怎样的体验？

引力空间站2019-01-28 19:491000

分享

有句话叫“伸手不打笑脸人”，现在AI招聘程序也认为很有道理。在面对AI“面试官”时一定记得全程保持微笑，从筛选结果来看，AI程序对微笑应聘者的评分显著高于板着脸的应聘者。想通过第一关见到真人面试官，先学会微笑就对了。

被AI程序面试是一种怎样的体验？

 

目前的AI面试辅助工具一般的应用场景基本是在首轮面试的筛选上，面试者在进入真人面试之前，先要通过计算机系统的问答测试。

 

要想见到真人面试官，先过AI关

 

首先，会有一套申请人跟踪监控系统，对应聘者的简历进行搜索和关键字匹配，看看是否符合职位描述中的需求。然后，聊天机器人对应聘者提出一系列问题。

 

这些问题都可以用是/否来回答，比如，你家里有网可以在家办公吗？回答“是”的应聘者可以得到进一步面试机会。但接下来的面试者仍然不是真人，而是一款预测性的AI应用程序，名为HireVue。

 

 “这实际上属于一种单向面试，面试者会被问到5-7个问题，从面试者给出的答案来判断TA是否友善，是否充满活力等。面试者需要在HireVue的视频平台上输入答案。

 

接下来就是算法的事情了。算法会分析面试者使用了多少代词，是不是保持微笑，使用什么风格的语言等等。

 

该系统的客户之一，希尔顿集团的CTO Loren Larsen表示，这个工具可以检测视频中多达25000个数据点，分析面试者的用词、语音、面部表情等。

 

Larsen对每个候选人的分析结果与其个人工作能力的关联做出了分析。“应聘人需要具备哪些能力、技能或特质？在确定了这些之后，接下来可能就是将友善度也作为一种特质。“当人们对他人或环境表现出友好时，他们会微笑，所以我们的系统将这一点也加入了考察范围。

 

 

 

但是，是不是面带微笑，这一点成了应聘者能不能获得这份工作的决定性因素了吗？

 

AI招聘攻略：保持微笑很重要，但也不会因为皱个眉就被刷

 

从某种程度上说，确实是这样的。这就是Yes/No的事情。自2014年以来，希尔顿集团一直在使用这款AI招聘工具，利用其算法面试了43000多个职位。其中有大约2/3的候选人没有见到一个真人就被筛掉了，也就是答错了就拜拜的节奏。

 

不过，其实这个技术并不会真的给出类似Yes/No的答案，而是会返回一个分数，和SAT考试分数差不多，是一个百分比排名，反映的是你在同时参加面试的候选人中的相对位置。

 

在综合分析大量数据时，不会因为你的一个微笑或一皱眉就丢了工作之类，而是只会让你的分数稍微上下波动一下。只有10%-30%的分数权重是由面部表情决定的，剩下的大部分取决于面试者使用的语言。

 

Larsen认为，人类招聘人员不会考虑的事情，其实AI面试程序也不会考虑。实际上，这些分析过程“比真人面试时所获得的那种天生的直觉”要更加复杂。

 

“其实如果是换了真人来面试职位，”Larson说，“也会注意到同样的事情，”比如，这个人友善吗？能够很好地代表我们的品牌吗？“至少，让算法来做这件事，招聘人员可以利用更大规模的数据集。”

 

在HireVue考察的25000个数据点中，大多数雇主都不会对这些数据点进行全面分析。“最终结果中包含哪些数据点，取决于我们的实验证明哪些特质与特定职位获得的成功相关。”她说，这个过程中有五位来自产业界组织（IO）心理学家监督。

 

目前，对候选人的评估结果不对本人公布，Larson希望在未来几个月内添加这个功能。

 

“AI面试官”：数据集更大，偏见更少

 

对于没见到真人面试官一面就被刷掉的28000多名职位申请者而言，这些报告结果可能会对他们有所帮助，尤其是那些具有不同文化背景的员工。

 

比如，亚洲移民常用的面部表情可能就与美国白人不同，这可能会影响系统的评估结果。此外，HireVue的语言分析一开始就是语音-文本的转换，有时可能会对来自美国南部的人的口音产生偏见。

 

Larsen表示，这款工具的主要目标之一就是在招聘时消除这类偏见：一个重要的方法就是大幅扩大行为数据集的规模，将个人偏见尽量排除在外。正是出于这种考虑，HireVue建议其他客户不要将考察点的范围进行大幅度缩减。

 

“我们对这种偏见和潜在有害影响必须非常非常小心。”他指出，如果最终客户在这道环节把得分90%以下的求职者都筛掉了。那可能是“没有设立足够数量的考察点。“

 

对于通过AI系统筛选的43000多人来说，一个积极的作用是他们都发现了自己是否能更快地完成工作。从商业角度来看，也能让用户大大减少填补空缺职位所需的时间。这是一个巨大的商机，而且其影响范围不仅仅限于那些在面试中被AI程序刷掉的人。

 

原文链接：https://mp.weixin.qq.com/s/wnYvYqvspzrCW7NaRzg-Rg

猎聘发布AI智能识别面试系统“魔镜” 

2019-06-14 09:41

DoNews6月14日消息 （记者 费倩文）6月13日，职业发展平台猎聘在2020校园推介会上对外发布其AI智能识别面试系统“魔镜”，并发布《2020校园招聘趋势洞察报告》，帮助即将进入职场的高校毕业生对自我和职业发展进行定位和规划。

 

据猎聘才测总经理兼人才战略专家肖婷介绍，猎聘此次发布的AI智能识别面试系统““魔镜”能够最大程度地模拟真实面试场景，计算机通过机器学习对候选人进行360°全视角分析，预测算法会对语言指标及非语言指标分别进行收集与分析，最终得出候选人的胜任力报告。

肖婷指出，“魔镜”产品可以实现任何时间、任何地点、自动化面试/评价候选人。同时通过“魔镜”，企业的招聘成本将降低70%；招聘时间将减少80%；招聘的准确度将提升30%。

据悉，“魔镜”致力于解决传统招聘流程长、成本高、面试受主观因素影响大等痛点，帮助企业提升招聘效率。为此，“魔镜”历时5年进行理论调研及先进技术实施，为人才选拔创造了革命性的人才预测分析系统，其评分系统聚焦职业胜任力、性格洞察、认知水平和语言能力四大维度，可以为HR提供更客观完善的候选人分析评价结果。

猎聘品牌营销中心总经理兼猎新传媒CEO把冉在《猎聘2020校园招聘趋势洞察报告》的演讲中，基于猎聘平台大数据和调研数据，将Z世代的关键词定义为：多元、淡定、直接、现实、积极、爱家。

把冉表示，即将进入职场的Z世代获取信息的渠道多元化，娱乐生活多元化，且在对待就业的态度上，也表现出明显的两极分化。在在校大学生选择第一份工作的态度上，46.35%的受访者选择了“先就业后择业”，而30.48%的人群表示“不将就，找到满意的为止”。除此之外，13.33%的人群选择毕业后先旅游再就业。

此外，Z世代也是现实的一代，他们从不羞于谈钱，在被问及“选择第一份工作，哪个因素对你最重要”时，收入成为占比最高的选项，为25.4%。对于第一份工作月薪，37.46%的985、211大学生期望最低月薪在3000—5000元。

猎聘校园负责人、原凯普斯创始人温志远表示，在校招过程中往往会面临招聘质量低、拒OFFER率高、简历数量少、执行没保障四大核心痛点。针对上述四大痛点，猎聘校园招聘的解决方案是：一、梳理核心人才需求、精准锁定目标学生、精准渠道触达，设计合理有效的活动保证招聘质量；二、通过每年更新的校园学生数据库及精准宣传和校园老师等的支持保障简历数量；三、通过前期的数据分析定制方案，校招前品牌活动和人才抢夺活动，统一执行标准及面试结束至签约期间保温维系OFFER PARTY等一系列流程，提高签约率；四、通过项目经理全程负责制、场地预定和完备的执行SOP保障执行细节。

温志远称，与其他校园招聘服务提供商相比，猎聘校园的差异化服务主要体现在其是做数据咨询的定制化服务，其次精准宣传和定向邀约，且有大量的高校关系。

目前猎聘校园可提供校园雇主品牌推广、校企关系建设、校园精准宣传、重点学生猎头访寻、校园大赛、人才测评、在线技术笔试、在线智能识别远程面试等国内和海外校园招聘服务