人工智能挖掘求职者潜能

Noam Scheiber

2018年秋季的某天，Eightfold.ai招聘服务公司首席执行官阿什图什·加格（Ashutosh Garg）看到了一份令他很感兴趣的简历。

简历的主人是一位有前途的数据科学家。他专注于挖掘数据中的模式，帮助企业决策，比如如何精准定位广告。有意思的是，他的简历中没有出现过“数据科学”一词。

相反，他在简历中呈现的样子是：加利福尼亚大学洛杉矶分校物理学研究生毕业，正在巴克莱银行担任分析师。他在职场社交网站领英（LinkedIn）上的个人资料表明他从未做过数据科学家，但Eightfold公司的软件却将他标示为合适人选。他在数学和计算机技能等关键方面与加格指定的软件作为模板参考的4位数据科学家十分相似。

加格表示，如此选人的核心理念是关注“他们有什么技能”，而非职位头衔。“那样，你就能找到虽无相应实际经验但能力足以胜任的人。”

在劳动力市场紧张的情况下，此项技术显然会吸引急于充实岗位的雇主。比如，数据科学家就是Google、Facebook和亚马逊等公司争相抢夺的人才。

现在，Eightfold等招聘服务公司依靠复杂的算法为劳动力和岗位匹配。得益于此，许多雇主可能很快就有机会接触到数量众多的潜在候选人，甚至有望填补高难度角色空缺。

哥伦比亚大学经济学家伯·考吉尔（Bo Cowgill）对人工智能在招聘中的应用做过专门研究。他说，算法可以帮助部分求职者，但也存有潜在的不利因素：它可能导致工资降低。

“雇主似乎无需经过竭力争夺，就能得到不同寻常但表现同样良好的合适人选。”考吉尔说。

多年来，雇主和网上中介机构一直在人才招聘中使用算法，但具体方法往往简单粗暴：计算机会识别简历中的关键词，确定是否与职位描述的文本相吻合。

相比在领英等网站上手动搜索，这么做效率更高，但缺点也很明显：求职者可以通过在简历中刻意夹入计算机匹配时可能搜索的词汇，操纵筛选流程。相反，措辞不当的描述可能导致计算机忽视合格的候选人。

但现在，人工智能在深度学习技术方面的最新发展令计算机前所未有地强大。它不再是简单地匹配单词，而是能够识别出求职者在简历中没有明确列举的技能和才华。

加格举例说明，比如，Eightfold通过数据分析发现加州山景城Intuit金融软件公司的软件工程师中有约90%掌握编程语言Java。那意味着计算机推断该公司某位软件工程师具备Java技能的结论是可靠的，即便他并未将此写在简历中。

通过对整份简历执行类似操作，软件便可以构建求职者的详细档案。它能够从诸如教育和爱好等项目中提取到寻常不被注意的信息，比如非知名大学的某些特定专业（如马萨诸塞大学安姆斯特分校的自然语言处理专业）盛产能力不凡的员工，象棋高手更有可能擅长编程，篮球运动员则精于销售。

为了改善计算结果，Eightfold公司巧妙地与客户达成协议，要求客户使用其人力资源软件。该软件以匿名形式导入员工数据，其中包括不同背景的员工在不同工作中的表现以及他们的收入信息。由此，Eightfold能够更好地预测员工表现。

如果雇主有意将搜索范围扩大到传统背景候选人之外的人选，这样的软件工具就格外有效。招聘人员可以指定某些标准（比如行业和地点，甚至候选人接受录用的可能性），获取相对特别的简历。

数字广告与营销服务企业AdRoll集团招聘人员克劳迪娅·维兰纽瓦（Claudia Villanueva）表示，她最近在为财务规划岗位寻找候选人时使用了Eightfold。那位最佳候选人曾就职于技术行业通常选择回避的领域（如制造业），但是Eightfold的算法认为她是赢家。

“技术行业有时很难摆脱技术经验的束缚，因此一直在雇佣同样的人。”维兰纽瓦表示，“在我看来，本次体验是我们可以如何稍稍打破旧模式的有趣例 证。”

在本文开篇提及的巴克莱分析师的案例中，Eightfold的软件之所以把他看作一位冉冉升起的数据科学家，部分原因在于：尽管他没有明示的数据科学背景，但是他拥有统计学硕士学位，并掌握了C++和Matlab等计算机编程语 言。

“我们分析了数千万乃至数亿份人员档案，以了解人们职业生涯的变化过程。”加格说，“你能够轻而易举地预测他们下一步可能做什么。”不过，他承认这种方法在数据有限的新領域或冷门领域效果不佳。

调查显示目前仅有少数公司采用了深度学习类工具，其他公司甚至鲜有表达探索意愿的。宾夕法尼亚大学近期举办了一次有近20家雇主参加的会议。会后总结报告列举了各种各样的问题，其中包括评估员工表现的难度，以及计算机作出的招聘、解雇和晋升决定可能令员工产生不公平感 等。

也许，最大的担忧实际上是基本的方法论问题，怀疑者担心的是，计算机实际上只研究了那些已经在某公司工作或曾前来求职的人，而非一般人群。对此，考吉尔相信有解决的办法，尖端技术公司正在利用人工智能填补职位空缺。

加格认为，Eightfold等服务商的优势在于能接触到许多公司的内部数据。

“相比单一公司自己建立的模型，我们能够建立更深层次的模型。”他说。

版权声明

本文内容由《纽约时报》提供版权