探索未开发领域中AI难题的介绍
回顾我近三年前的第一次“多行业头脑风暴会议”，我惊叹于曾经被视为雄心勃勃的机器学习概念现在已经可以被人力资源部门实现。人工智能的快速发展正在改变制造业到医疗保健等行业。然而，人力资源部门在接受这场数字革命方面一直比较缓慢。
虽然HR中的定性和定量任务组合可能表明它不太可能成为AI采用的候选者，但这种假设忽略了AI为HR领域带来的潜力。在本文中，我们将探索这种未开发的潜力。我们将关注人力资源行业中的主要挑战，显著的绩效指标以及如何利用AI技术克服这些挑战。这与传统的人员分析解决方案的局限形成了鲜明的对比。
不同于前一篇文章中讨论的供应链数据问题，这里的主要问题不仅仅是高质量数据的可用性。处理这些数据以及遵守数据规范准则同样至关重要。在接下来的几节中，我们将讨论如何解决这些因素，以释放AI在HR中的变革能力。
然而，在深入探讨这些用例之前，重要的是要注意，根据Chowdhury，S.等人的建议，您的组织应首先评估其实施这些策略的准备情况。此外，正如我一直强调的那样，检查一些更广泛的要求肯定会非常有帮助（您可以参考本文）。
人力资源管理中的挑战
生成有价值的想法的简单方法是首先了解与特定行业、区域、公司等相关的关键绩效指标（KPI）。一旦我们对所有这些问题都有答案，我们就可以开始考虑其他“好的”解决方案。在这方面，所有人力资源部门都面临着同样的挑战，包括人才招聘和留任、员工参与、绩效管理、多样性和包容性以及合规性（Pereira，V.等人，2023）。
一些典型的人力资源KPI包括：
- 招聘用时
- 招聘成本
- 员工流失率
- 员工参与度得分
- 多样性比例
重要的是要强调，这些指标所测量的过程需要定量分析和人类理解的微妙平衡。因此，为了充分理解AI在HR中的潜力，我们必须首先询问有关每个KPI所测量的过程的当前状态的一些问题。请注意，这是您在处理任何机器学习项目时应遵循的标准程序。在这个意义上，我们将通过使用一些触发问题来介绍每个步骤的过程。
1. 人才招聘挑战
在招聘新人才时，人力资源专业人员需要发布职位，筛选大量简历，进行初步筛选，安排面试，最终根据硬数据和软技能做出招聘决策。但他们有没有以有效和透明的方式执行这些任务的工具？我们如何确保某些流程中没有偏见？让我们分析整个故事。
1.1. 职位创建和发布
您的公司是否仍然在没有AI协助的情况下编写职位？在确定招聘需求后，任何选择过程的初始步骤都涉及创建并在自有平台或第三方平台（如LinkedIn）上发布职位描述。撰写这些描述可能非常繁琐；然而，在今天快速发展的就业市场中，这是吸引顶级人才并展示职业形象的关键步骤。此外，考虑到我们将在本文中讨论的解决方案，职位的模糊定义可能会对我们在某些用例中获得结果的质量造成一些限制（我很快会回来解释）。
用词不当的职位描述可能会阻止有资质的候选人，吸引不适合的人，并复杂化招聘流程。此外，这些职位描述可能会暗示缺乏专业精神而影响公司的公众形象。含糊不清的描述可能会由于模糊的工作期望和潜在的歧视性语言而导致法律纠纷，侵犯平等就业机会法律。相反，精心起草的职位描述可以吸引顶尖人才，加速招聘，支持多元化和包容性，并提高公司的声誉。因此，组织必须投入足够的资源来创建全面、准确和包容性的职位描述，从而确保有效的招聘、法律合规和增强公众形象。
一个简单的解决方案是利用人工智能文本生成的力量。通过利用尖端工具Large Language Models (LLMs)，您可以优化职位描述模板并取得令人印象深刻的结果。
举个例子，考虑一份专注于HR且熟练掌握AWS的高级数据科学家的职位。通过利用人工智能，可以在不到10秒钟的时间内起草出提示，不仅高效而且高效。
请注意，我们可以提供更准确的提示来反映组织的价值观以及在招聘过程的其余部分中应该评估的主题。
在发布全面、引人入胜的职位描述后，自然会看到大量的候选人和申请的激增。这一进展将我们无缝地带入招聘流程的下一个阶段：仔细繁琐的简历分析。
1.2. 简历分析
您仍在手动筛选着收件箱中的每份简历吗？您的人力资源人才招聘专员会在找到合适的候选人后分析数百个甚至数千个申请，耗费宝贵的时间吗？您是否想知道您的招聘人员在做出决策时权衡的具体变量，或者他们如何使用留在您数据库中的简历与未来的职位发布相匹配的候选人？
如果您曾经考虑过这些问题，那么显然您认识到在我们数据驱动的时代中，传统的手动审阅简历和分析大量申请的方法已经不再适用。
自动化简历解析解决方案确实是一个重大进步，使我们能够相对轻松地从简历中提取相关信息。但是这并不是止步之地。在解析阶段之后，我们面临着一堆数据，这些数据可能感到难以控制和难以驾驭。仅仅将这些数据分类到表格中并进行基本分析已经不足够。
此外，尽管我们可能认为领先的人力资源平台已经掌握了简历解析的技巧，但现实往往令人失望。他们的表现可能不尽如人意，特别是当面对偏离常规格式的简历时，会导致关键候选人信息的丢失。
克服这些障碍的一个解决方案是语义匹配。在机器学习中，这个概念是指理解和比较不同文本或数据的含义或语义的过程。它涉及评估单词、短语、句子甚至整个文档之间的相似性或相关性。目标是确定不同文本在其基础的含义方面如何对齐，而不仅仅依赖于表面模式或精确的单词匹配。语义匹配在各种自然语言处理（NLP）任务中发挥着至关重要的作用，例如信息检索、问答、情感分析和文本分类。它有助于弥合人类对语言的理解和机器学习模型的计算能力之间的差距。
我们如何在这种情况下使用它？通过基于解析数据的职位概要和语义匹配与职位，可以生成一个分数。这个分数反映了个人资料的每个属性与工作要求的契合程度。通过语义匹配，您可以根据他们对应的职位的适合性高效地优先考虑和评估候选人（而且还可以自动化地考虑其他职位）。请注意，如果职位没有定义清晰，结果的质量可能会不足。
如果语义匹配对您来说并不令人信服，您仍然可以探索其他解决方案来在很大程度上解决这个问题。
- 自动预筛选：实施过滤掉不符合特定标准或最低资格的候选人的机制。这可以通过基于历史招聘数据进行训练的基于规则的系统或机器学习模型来实现。当然，要做到这一点，您应该有一个解析器解决方案。
- 基于ML的排名：开发一个排名系统，根据各种属性（例如技能、经验和资格）自动评分和排名候选人。这种方法实现了数据驱动的决策，并消除了评估过程中的偏见。
请注意，投资于实施这些变化可能会产生比您预期更大的影响。这些技术可以从多个方面受益于您的人力资源运营：
- 可扩展性和效率：随着企业规模的扩大和申请量的增加，手动处理工作量变得越来越具有挑战性。所提到的技术可以通过高效地处理和评估大量的简历来提供可扩展性，确保在所有申请中进行一致和彻底的分析。此外，通过自动化简历分析的初始阶段，公司可以显著减少在审核不合格的候选人方面所花费的时间和资源。这使得人力资源团队可以将精力集中在更战略性的任务上，例如面试和评估最有前途的候选人。
- 减少偏见：所述解决方案的实施具有减少候选人评估过程中偏见的潜力。通过关注工作要求和候选人属性之间的语义对齐，评估变得更加客观，不太容易受到可能影响手动简历筛选的无意识偏见的影响。
- 持续学习：基于机器学习的方法可以不断学习和改进。通过利用历史数据和招聘人员的反馈，这些系统可以适应组织的特定需求，改进其匹配算法，并在识别最合适的候选人方面变得更加准确和有效。因此，现在建立基础肯定会在未来产生十倍的效益。
在分析简历后，让我们进入关键的候选人面试阶段。
1.3. 候选人面试 2.0
在面试中，招聘人员经常寻求帮助来简化流程并确保与候选人有效沟通。为了解决这个需求，我们的团队正在开发一款采用语音转文本模型和高级算法的创新应用程序。该应用程序旨在在面试期间为招聘人员提供实时支持。
通过利用该应用程序，招聘人员可以增强面试的结构并确保关键问题得到解决。该应用程序利用各种元素，包括职位描述、标准面试问题列表、候选人简历和对话的实时转录。
通过使用LLMs，该应用程序分析面试内容并生成相关问题和反馈。招聘人员可以根据自己的喜好和需求自定义接收此帮助的频率。
通过提供此应用程序，我们旨在优化面试流程，为招聘人员和候选人节省时间，同时促进高效和富有洞察力的交流。
1.4. 全流程自动化？
您现在是否计划全面自动化招聘流程？请注意，我从未建议使用AI聊天机器人或其他方法来完全自动化招聘流程。为什么？因为我认为我们还没有达到这个点，而且保持人的作用可以获得更多好处。虽然自动化和高级技术可以大大增强人才招聘过程，但重要的是要认识到人类判断和专业知识的价值。采用人在循环方法，即将自动化技术的结果由人类招聘人员进行审查和验证，可以确保平衡和准确的评估，结合了人类智能和机器学习算法的优点。
最后，我留下一些东西供您思考：如果我们使用AI聊天机器人等工具自动化流程，候选人也可以使用AI学习如何说服这些聊天机器人，形成一种强化学习过程…
2. 人才保留挑战
一旦您成功招聘到候选人，下一个最重要的问题就是留住这些人才，以避免浪费在招聘流程上的所有努力，并避免员工离职对组织造成的损害。针对这个问题，您可以采取几种措施。
2.1. 员工流失预测
您的组织是否预测每位员工在下一个季度/学期/年度离开公司的可能性？成功的员工保留通常依赖于问题出现之前采取的积极措施。您的组织多少次在员工改变主意之前就太晚地提出了反对意见？可能太多次了。因此，关键是在员工到达这一点之前检测到高风险的员工。
在这种情况下，可以开发玻璃盒机器学习模型，以预测员工在接下来的n个月内离开的可能性，并确定导致这种可能性的因素。与黑盒模型不同，玻璃盒模型提供可解释性，使人们可以清楚地理解预测背后的原因。这种区别非常重要，因为我们正在处理敏感的员工数据，模型推理所推荐的行动可能会对员工的职业生涯轨迹产生重大影响。因此，完全透明并理解模型的工作原理至关重要。
鉴于此，我和我的同事们开发了一个模型，解决了主流“解决方案”中常见的缺点。要深入了解如何遵循正确的框架来解决这个问题的技术细节，我建议参考这篇文章。
2.2. 个性化员工发展
您的组织是否提供定制的职业道路？员工通常寻求竞争性薪酬和职业成长机会之间的平衡。尽管两个方面都是可取的，但是年轻的专业人士可能会优先考虑发展自己的技能并在所选择的领域中取得进展的机会。通过认识到这一点，组织可以利用个性化的学习和发展计划来通过实现他们的无声协议的一部分来增强员工保留。
AI驱动的推荐系统在这方面可以发挥重要作用。这些系统利用员工绩效数据并分析个人的优势、劣势和职业目标。它们还考虑了在类似角色或职业路径上取得成功的“类似”的员工的信息。通过整合这些见解，组织可以为培训和“提升技能”的机会创建量身定制的建议，这些机会与每个员工的特定需求和愿望相一致。
此外，在主流方面，AI驱动的推荐系统可以通过建议与每个员工的发展计划相一致的相关学习材料、课程、导师机会或网络活动来提供持续的指导。通过适应个人偏好和不断发展的职业道路，这些系统确保员工在与组织一起的旅程中拥有相关和有吸引力的学习体验。
接下来，紧密联系到保留问题的是参与问题。
3. 员工参与挑战
员工参与度是衡量员工对工作环境的情感和身体承诺的指标，对组织的成功至关重要。它有助于提高绩效、工作满意度和保留率。目前，参与度通常通过定期调查来衡量，但这种方法有两个缺点：
- 频率：这些调查的不经常性导致参与度的过时快照。
- 复杂性：这些评估通常需要进行多维分析，对人类来说准确性具有挑战性。
为解决这些问题，我们提出了一种将组织视为互动节点网络的方法，提供了全面的视角。
3.1. 组织网络分析
组织网络分析（ONA）使用图论技术系统地探索和了解组织的网络，包括管理结构、人际关系和信息流（Barabási，A.L.，2013）。
为了实施ONA，可以通过提名调查或使用来自工作空间平台的数字足迹来构建网络（注意数据保护考虑）。建立网络后，可以使用传统的图形算法来确定每个成员的中心性和在组织中的影响力。这些度量标准与员工特征和过去的调查见解相结合，然后可用于开发预测员工参与度的模型。
通过利用ONA，组织可以获得有价值的洞见，了解其内部动态，识别关键影响者，评估每个人的角色并预测员工参与度水平。然而，在整个过程中，确保数据隐私和保护至关重要。在数据收集和分析过程中应严格遵守数据保护协议和伦理考虑。
请注意，ONA不是AI…但是，这是收集相关数据以功能方式允许我们创建或添加到我们当前的模型开发的第一步。例如，我们可以提取关于组织内部互动或连接水平的有价值数据，并将此信息用作预测组织内任何时候的参与模型的流失模型或者参与模型的特征。对于那些对这个主题有更详细解释的人，我建议参考这篇文章。
3.2. AI参与助手
您是否考虑过从书面满意度表中提取定量和定性洞见？AI在这里可以起到关键作用。我们建议不是创建AI助手来监控员工，而是使用它们来征求有关公司改进机会的匿名反馈。这些反馈可以被分析和结构化，供HR部门提取可行的见解，类似于早期提出的访谈助手的功能。
这种方法对于更具体的任务也很有价值。例如，当寻求有关研讨会的反馈时，与其使用传统的1至5级别的调查，不如鼓励参与者提供详细的书面反馈。可以使用LLM来分析这些定性数据，以揭示更深入、更有意义的洞见。
虽然书面反馈有时可能缺乏质量和明确性，但它提供的丰富背景使其成为值得探索的途径。
接下来，我们将探讨参与、保留和绩效管理之间相互关联的挑战。
4. 绩效评估挑战
传统绩效评估流程常常面临与质量不均、不完整和耗时有关的问题。
不均质：由于经理提供反馈时写作技能和沟通能力的差异，反馈质量可能不一致。构造不良或不清晰的反馈可能无法对员工产生积极影响，未能有效地解决改进领域或有效地认可成就。
不完整性源于评估期间忽略的成就或改进领域。这种缺乏全面反馈的情况可能导致错过指导员工实现更好绩效或认可其成功的机会。
撰写详尽的绩效评估内容的过程耗时，可能会使经理宝贵的时间分散到更具生产力的活动，例如辅导或指导员工上。
这些挑战要求一种高效、简化的绩效评估方法，优化资源利用、确保公平、增强反馈的质量和完整性。
4.1.评估助手
对于那些在进行多个员工评估时难以记住关键细节的人来说，一种解决方案可能是利用摘要模型。事实上，我们为这个问题构建了一个解决方案。
想象一下我们有一个名为“最佳公司”的组织。在最佳公司，他们利用LLMs模型处理多个数据源并生成员工评估。各种数据源，如反馈、参与倡议和客户反馈，都被编译并输入到LLM中，然后LLM区分成就和改进领域，并将这些反馈合并到绩效评估模板中，然后当前人员评审人员可以修改该模板。
这个自动化的评估生成过程节省时间和资源，最小化偏见和错误，并生成详细和准确的评估。LLMs的灵活性允许根据组织需求进行定制，增强绩效评估的准确性、效率和公平性。这个解决方案使组织能够专注于其他重要的任务和目标。
5. 解决多样性和包容性挑战
多样性和包容性是许多组织中长期存在的挑战，不仅限于招聘过程，还包括晋升和绩效评估。在这些领域的主观性可能无意间掩盖了一个员工的优点和另一个员工的缺点（Rodgers, W., et al.，2023）。
有两种策略可以帮助缓解这种情况。第一种涉及开发算法，这些算法可以忽略敏感变量，如年龄、性别、种族和宗教。这些算法专注于资格、技能和绩效，鼓励客观评估，可以减少偏见，确保公正决策。
第二种策略利用模型，这些模型考虑这些敏感变量对特定结果的影响。通过分析历史数据，这些模型可以揭示与特定属性相关的潜在偏见，帮助组织积极识别和纠正系统性问题，促进平等机会和包容性。
然而，重要的是要记住，算法和模型应该是人类判断和专业知识的补充，而不是取代它们。此外，这些工具应该定期接受审计，以确保它们不会无意间延续偏见。
6. 数据质量挑战
数据质量是人力资源中经常遇到的障碍，手动输入可能导致潜在错误、不一致的格式或人力资源平台（如Workday或SAP HR）中的不完整记录。这些问题可能会影响机器学习算法的准确性和可靠性，被概括为“Garbage In，Garbage Out”。因此，实施细致的ETL（提取、转换、加载）过程对于数据完整性至关重要，需要考虑伦理问题和即将到来的数据保护挑战。事实上，本文提到的所有用例的开发几乎90％的时间都应该花在ETL过程上。
7. 数据保护挑战
人力资源数据通常包括敏感个人信息，需要强大的数据保护措施。为了保护这些数据，组织必须采用严格的数据治理实践，包括严格的安全措施、访问控制和数据加密技术（Hamilton, R. H.，& Davison, H. K.，2022）。
建立清晰的数据处理、存储和共享政策，仅授权给授权人员访问数据是至关重要的。通过优先考虑数据保护并遵守法律法规，组织可以与员工建立信任，同时保护人力资源数据的隐私和保密性。
与法律和合规团队密切合作也是必要的，以满足所有适用的法律法规，尤其是欧盟的《通用数据保护条例》等特定数据保护法律。在所有这些过程中，重要的是寻求数据保护专业人士的法律顾问和建议，以确保遵守当地的法律法规。
结论
总的来说，我们已经看到AI和人力资源的交叉点开启了一个等待探索的可能性领域。在这种情况下，数据科学家和业务专业人士的挑战是将这些可能性转化为切实可行的解决方案，使HR流程得以简化，同时保留有价值的人力因素。这涉及到发挥AI的力量并理解HR管理的微妙之处。毫无疑问，这种平衡将推动未来，创建一个更有效、包容和具有同理心的HR行业。
请继续关注本系列更有见地的文章，我们共同努力通过创新解决方案的民主化来改善世界。
参考文献
[1] Chowdhury, S., Dey, P., Joel-Edgar, S., Bhattacharya, S., Rodriguez-Espindola, O., Abadie, A., & Truong, L. (2023). Unlocking the value of artificial intelligence in human resource management through AI capability framework. Human Resource Management Review , 33 (1), 100899.
[2] Pereira, V., Hadjielias, E., Christofi, M., & Vrontis, D. (2023). A systematic literature review on the impact of artificial intelligence on workplace outcomes: A multi-process perspective. Human Resource Management Review , 33 (1), 100857.
[3] Barabási, A. L. 2013. Network science. Philosophical Transactions of the Royal Society A: Mathematical, Physical and Engineering Sciences , 371(1987), 20120375.
[4] Rodgers, W., Murray, J. M., Stefanidis, A., Degbey, W. Y., & Tarba, S. Y. (2023). An artificial intelligence algorithmic approach to ethical decision-making in human resource management processes. Human Resource Management Review , 33 (1), 100925.
[5] Hamilton, R. H., & Davison, H. K. (2022). Legal and ethical challenges for HR in machine learning. Employee Responsibilities and Rights Journal , 34 (1), 19–39.