-
人工智能
探讨：招聘工具有多智能？ 基于人工智能的工具有哪些限制？
我（作者：Kevin Wheeler）和许多其他人一直在倡导使用使用人工智能的自动招聘工具。我一直在倡导使用这些工具，原因有二：它们比人类的偏见更少，而且它们可以使招聘过程更加高效和有吸引力。
现有的工具一般分为两类：筛选和评估候选人，以及将常规任务自动化的工具。所有这些工具都是基于专门的人工智能，它们可以解决定义明确的问题或在特定环境下完成常规任务。然而，它们不能做其狭窄任务之外的任何事情。
但它们真的是 "智能 "吗？那是什么意思？显然，它们不是我们认为的智能。只要你问Siri或Alexa一个超出它们狭隘的专业领域的问题，它们的回答要么是无稽之谈，要么是把我们引向人工，要么是提供一些其他行动。例如，我刚刚问Alexa我是否需要牛奶。她说："你在买牛奶吗？"这似乎有点智能，但 "她 "可能是为了让京东的京东超市可能进行牛奶销售而编程的。
人工智能学者凯特-克劳福德（Kate Crawford）最近的一本书《人工智能地图集》（Atlas of AI）认为，"......我们已经买了这种[人工智能]智能的想法，而事实上，我们只是在寻找规模化的统计分析形式，这些分析的问题和它所给的数据一样多。"
所有供应商为我们提供的增强招聘活动的各种工具都依赖于大量的大数据。这些数据为用于驱动其决策的算法提供了依据。因此，获取大量的数据是至关重要的。而这些数据的质量和种类对其准确性和客观性至关重要。不幸的是，我们已经目睹了许多案例，所使用的数据过于狭窄，以前有偏见，或者样本不够大，无法提供无偏见的结果。亚马逊和微软都曾落入这个陷阱。
使用人工智能的自动化工具的崛起是计算能力爆炸的结果。大量的存储、快速的处理器和可负担得起的访问，使我们有能力压缩大量的数据。利用这些数据，我们可以找到以前不可能看到的模式。例如，我们可以查看我们雇用的每个人的业绩数据、教育、经验等等，并确定导致成功或失败的特质。此外，我们还可以分析我们在面试中提出的问题的答案，并将其与绩效和留任相关联。这使得评估工具更加强大，并使我们能够根据人们的过去对其进行预测。这是否符合道德，是否公平，甚至在某些情况下是否合法，还有待研究。这项技术已经超出了我们理解它和制定公平和道德使用框架的能力。
尽管我们对人工智能工具的看似强大的力量感到震惊，但没有一项技术或思维是新的。大多数人工智能工具已经存在，至少从20世纪60年代就开始了。人工智能没有变得像今天这样重要的原因是缺乏计算机能力。要分析大量的数据，甚至要获得这些数据，需要的计算能力水平直到几年前还不存在。我们目前的许多工具都是在1960年代产生的。一个著名的例子是第一个名为Eliza的聊天机器人。在20世纪60年代，麻省理工学院的Joseph Weizenbaum创造了Eliza来充当心理治疗师。在用户看来，她是一个真正的医生，她会问问题并提供有用的建议，尽管她遵循一个非常简单的脚本。她的局限性在于处理器速度、有足够内存的电脑来处理她的算法、成本和用户访问。
即使在今天，所有的聊天机器人都遵循脚本。必须有人写出将被问到的问题并预测答案。聊天机器人本身其实不过是一棵决策树而已。当候选人回答问题时，算法会使用脚本做出适当的反应。有了今天强大的计算机，再加上自然语言处理，它们可以模仿人类，以现实和准确的方式作出反应，并利用自然语言处理在一定程度上 "理解 "一个答案，即使是出乎意料。
我是聊天机器人的倡导者，因为它们能让候选人随时获得答案和信息。它们可以节省时间，改善候选人的体验，并减轻招聘人员的工作量。如果他们的程序设计得当，他们可以筛选候选人，并淘汰那些不符合他们所寻求的工作要求的人。但是，无论它们看起来多么聪明，重要的是要注意它们不是人类意义上的智能。他们不能感知交流中的细微差别或理解情感。他们不能回答任何超出其脚本的问题。
自动评估测试使用来自数以千计的其他应试者的数据来为算法打分，例如，某人能写代码或解决问题的程度。算法可以访问候选人数据来预测他们的个性或测量他们的智商。它们可以在互联网上搜索，找到符合预定特征或具有特定技能或教育的人。所有这些能力都扩大了招聘人员的影响和范围，使他们的工作更加有效。但是，如果认为这些工具具有人类招聘人员那样的智能，那就错了。
新的人工智能技术，如神经网络和更多的计算机能力，将提高这些工具提供良好建议和作出更准确预测的能力。但是，每个工具都是基于必须存在的数据。寻找和访问这些数据是一个日益严重的问题。谁拥有这些数据？谁可以访问它？它是否被以无偏见的方式使用？这些都是我们许多人的合理担忧。
人类区别于计算机的许多事情之一是我们能够使用情感、无意识的行为，甚至是非理性的行动来做决定。当然，伴随着这些而来的是偏见和许多其他不受欢迎的特征。但与此同时，我们也有独特的能力，可以为某人抓住机会，为某人提供机会，尽管数据显示不应该这样做，但我们可以被自己的情感所左右。计算机不能也很可能永远无法做到这一点。
这些工具都不能取代人类的判断或决策。相反，它们通过比我们更好地分析数据和不偏离规则来增强我们的决策。它们为我们提供概率并指出我们可能从未见过的东西。
但令人怀疑的是，它们是否会像人类一样跳到一个结论，在没有数据的情况下做出决定，觉得某些事情是正确的，大笑、哭泣、同情，或者在一些特立独行的候选人身上冒险，因为他们可能会发明下一个杀手级产品。
How Smart Are Recruiting Tools?
What are the limits on A.I.-based tools
-
人工智能
麦穗人工智能荣获「2021中国人力资源科技创新品牌30强」
2021年4月23日，由中国领先的人力资源科技平台HRTechChina发起的「中国人力资源科技创新品牌TOP30」评选暨表彰仪式在上海隆重举办。在现场近千位来自中国知名企业人力资源中高管、人力资源数智化转型专家、人力资源行业意见领袖、以及专注人力资源科技领域的投资人及机构等的见证下揭晓。
年度HR盛典 共话HR科技未来「中国人力资源科技创新品牌TOP30」评选活动共收获来自全国范围內78家人力资源科技机构参与提名，并经过HRTech创新品牌测评、公众投票、LRP+品牌监测评定、专家评审团的等层层把关，历时30多天的严格审核，麦穗成功入围2021年中国人力资源年度论坛科技创新品牌Top30，并获得“2021中国人力资源科技创新品牌30强”荣誉证书奖项。
在人力资源科技机构的展示环节中，麦穗人工智能大客户成功部总监唐凯峰发表演讲，详细分析了中国传统招聘行业的痛点和智能化演进，并介绍了麦穗核心服务与产品，分享了麦穗人工智能自主研发的智能化招聘解决方案。
麦穗人工智能：智能化变革的引领者麦穗人工智能作为行业领先的专注于人力资源领域的科技型公司，面向企业招聘、猎头、RPO和有大量招聘需求的人力资源构建提供基于人工智能技术的一体化解决方案。通过灵活多样的技术服务组合和轻松便捷的嵌入模式，麦穗人工智能在知识图谱、简历解析、人岗匹配、人才库建设、智能机器人等场景中实现人工智能的深度运用。
在2020年，麦穗人工智能累计完成近4.8亿次智能模型调用，服务包括赛诺菲、任仕达在内的多家世界500强企业，在疫情下逆势上扬，实现收入7倍增长和90%的续费增购率。麦穗主要模型平均准确率突破92%，成功帮助企业节省了78%的时间。2021年初，麦穗人工智能获得由凯泰资本和上市公司致远互联联合投资的数千万元Pre-A轮融资。
四大行业明星级产品 持续深耕招聘垂直领域01. 简历解析基于语言处理和机器学习技术，提供批量简历解析服务，进行简历内容抽取和简历格式处理，帮助HR快速解读简历信息，对简历进行全方位探测。02. 人才画像人才是企业的重要组成部分，构建人才画像和构建智能人才库可以帮助企业对现有人才库进行有效管理，实时监控招聘流程，制定更优的招聘策略。03. 人岗匹配麦穗智能人岗匹配模型根据职位的需求、候选人特质，进行更全面、公平的人才评估和分析，优化招聘流程，提高招聘效率。04. 智能面试智能机器人在线沟通完成面试，意向获取、疑问解答一站式服务，人力资源服务共享中心开启协同实践。chatbot搭载自然语言处理系统，能够灵活的同用户进行对话沟通；深度挖掘面试场景，智能判定候选人胜任素质。 不惧挑战 助力中国智能招聘时代此次HR科技论坛的认可对于麦穗人工智能来说具有重大意义，也意味着更重的责任和全新的开端。在国内整体经济的不断提升和行业多方的合力探索下，我国AI招聘赛道的发展速度将会越来越快。“让HR将时间投入到更有价值的工作当中“——这是麦穗人工智能对于招聘行业的期许和麦穗团队共同的目标。放眼未来，麦穗将持续提供优质的产品服务和客户体验，助力中国招聘数字化进程发展，让智能招聘真正服务于企业价值的提升。
-
人工智能
HRTech快讯：飞书发布智能招聘软件 - 飞书招聘
今天，飞书发布了另外一款企业软件-飞书招聘，目前飞书拥有OKR+ATS两款企业垂直应用，网址：https://hire.feishu.cn
目前飞书招聘官网还非常简单，只是简单介绍了下：主打更智能的招聘、更高效的面试、更愉悦的体验！更多信息还请随时关注HRTechChina后续介绍。
更高效的面试
1.三合一工作台，查简历、面试、面评更简单
2.不限量视频面试，高清、流畅、稳定
3.网页端入会，候选人无需下载 APP
更愉悦的体验
1.深度打通 IM、日历、邮件，多角色高效协同
2.移动端完美体验，随时随地看简历、批 Offer
3.快捷打通人事、OA 系统，不改变企业工作习惯
更智能的招聘
1.轻松解析复杂简历，更好地沉淀人才数据
2.高精度模糊查重，不为一份简历花两份钱
3.多维度、自定义报表，提供所需数据洞察
-
人工智能
使用对话式AI使人类在工作中变得更好，并为人类带来更好的工作
德勤的想法：下一代数字工作场所将如何利用技术为员工创造个性化的体验。
如果在全球大流行的灾难中找到一线希望，那可能就是它把每个人的优先重点都紧紧抓住了的方式。从业务的角度来看，虚拟员工的工作和生活之间的界限已经瓦解，一线员工比以往任何时候都更忙。组织需要通过重新构想他们使用技术支持和增强员工力量的方式来做出响应。
值得庆幸的是，这一迫切需要不断发展的员工经验与AI解决方案的不断发展和可用性相吻合，这提供了重新进行福利投资的机会。这种由大流行引起的推动将使我们迈向“工作的未来”。
正如第三版《德勤AI年度报告》中所提到的那样，“我们正在采用最新一代的AI技术，进入了新的篇章：功能不断发展，AI的开发和实施变得越来越容易，公司正在看到收养带来的实实在在的收益。”
技术已经成熟，可以使组织部署复杂的聊天机器人和数字助理。这些解决方案使用对话式AI功能为员工创造了超越人类所能提供的体验。这些机器人可以从根本上改变工作场所交互的方式，具有解决查询，自动化管理任务，提示正确行为以及提供数据和见解的能力，以改善“即时”决策。
许多组织一直在努力利用对话式AI的全部功能，但是现在是时候弄清楚了，因为组织提供这种“始终在线”和个性化支持的需求从未像现在这样重要。
AI技术风暴来临
在大流行之前，员工福祉已经是首要任务。在德勤（Deloitte）的2020年全球人力资本趋势 研究中，这是重要性排名最高的趋势，近9000名受访者中有80％认为它对组织的成功至关重要或非常重要。不过，只有12％的受访者表示他们已准备好应对这一趋势。进入2021年，组织需要专注于为福利设计工作，并着重于使远程和面对面工作更具可持续性的因素。对话式AI提供了独特的功能来支持这项工作。
可以预料的是，在涉及大胆技术的情况下，尽管认识到AI可能发挥重要作用，但许多组织仍缺乏解决这一紧迫需求的战略和路线图。在德勤（Deloitte），我们在任何AI历程中的口头禅都是大思维，小思维，快速扩展，而这首先要了解当今技术的可能性。
AI技术可能性的艺术
为AI成功制定战略和路线图，需要应用设计思维原则。目标是在“重要时刻”（即员工对公司的感知变得积极或消极的可能性更高的时刻）为员工提供卓越的体验。这些时刻是使员工感到被重视和得到支持的机会，从而与他们建立牢固的联系。
在整个人才生命周期中，有许多“重要时刻”：从产假或陪产假返回，首次晋升为人事经理职位或因重组或并购活动而流离失所。这些时刻为利用可能的艺术创造了机会。
在德勤，我们已经与对话式AI市场的领导者OneReach.ai合作，探索在这些“关键时刻”提供重新构想的体验的新方法。对话式AI不仅涉及员工的入职任务的自动化。相反，它用于设计和提供下一代体验，而如果没有这项技术，这些体验将是不切实际或不可能的：
上线截止日期检测：能够监视事件和工作人员数据以“推动”人们在需要时采取措施的能力。这种类型的监视和审核效率不高，无法手动支持，使用“开箱即用”技术可能难以实现
触发文本流：能够识别工作人员的喜好并通过广泛的渠道进行交互的能力，在此示例中为SMS文本。手动替代方法通常依赖于电子邮件，电话或案例来管理交互，而这些交互并不总是“让员工见面”或考虑员工的喜好。很多时候，沟通陷入困境，工作人员被困在追赶人们以获得他们所需的支持，所有这些都可能带来负面的体验。
填充按钮：能够根据特定情况和数据显示与工作人员相关且量身定制的选项。这允许使用更多静态技术不容易创建的新的个性化水平，并且需要大量的管理开销才能手动交付
计划信息：通过数字助理或礼宾服务体验，可以拉回后端日历数据以减轻计划负担。计划通常需要大量的管理工作来协调可用性和管理变更。基于机器人的方法为新员工提供了更无缝，更轻松的体验
循环中的人类：在需要时让人类参与提供支持的能力也会使随着时间的推移继续训练机器人的能力民主化。这是高级功能，但是当机器人向人类查询解决方案时，它可以从他们的响应中学习并提供扩展的支持，而无需技术开发人员的参与。民主化的概念为企业所有者提供了直接发展技术能力的机会，从而加快了持续改进和实时更新的速度，从而为员工提供了更好的体验
使用上面列出的功能，我们可以使员工的入职体验更轻松，更有意义。在他们的喜好驱动下，减少了手动操作，它变得无摩擦。通过消除常见的痛点，这种类型的体验使新员工可以专注于更重要的人事要素：学习如何驾驭新组织，建立网络并迅速在新角色中发挥作用。
AI技术说起来容易，做起来难
在德勤，我们与各行各业的众多客户合作，只有极少数的“成功案例”，企业以变革的方式部署了会话式AI。我们已经看到聊天机器人通过帮助员工找到例行问题的答案来减少服务中心的呼叫量，但是很少有经过架构的数字助理通过复杂的，端到端的“重要时刻”来指导员工的示例，例如上面的新员工入职示例。
该技术是可用的，那么组织为什么要努力实施它？为什么我们不让员工更轻松地进行工作场所的互动？我们发现了影响旅程各个阶段的常见障碍，并在下面提出了如何克服这些障碍的想法。
挑战1：建立业务案例。自动化和AI的早期专注于效率和容量创建。通过投资机器人，可以释放多少FTE（等同于全职；一个员工在全职工作的小时数）？这种类型的业务案例相对简单，但是支持任务级别的自动化往往会产生增量价值。我们还发现，在2020年人力资本趋势研究中，只有 12％的受访者将AI视为替代员工的解决方案。这表明AI不仅涉及削减成本，但您仍然需要理由和资金来投资新技术功能，并且很难围绕变革性和概念性内容构建业务案例。
我们建议通过将技术投资与业务成果（例如提高的保留率和生产率）联系起来，将重点转移到构建“价值案例”。量化具有挑战性，但如果定位正确，则会为变革带来更引人注目的动力。例如，一项研究表明，员工将 25％的时间用于寻找完成工作所需的信息。想象一下，能够节省一部分时间专注于更重要的活动以及它可以为组织创造的价值。
它还有助于建立具有多种功能的联盟。人力资源，IT，设施和其他部门可以结合力量和预算，以更全面的方式转变劳动力体验，并消除员工在复杂组织结构中的负担。传统上，新员工入职归人力资源所有，但在以上示例中，我们合并了请求通常由IT或设施管理和配置的资产的功能。需要采用联盟方法来设计从员工的角度来看有意义的跨职能解决方案。
挑战2：为AI奠定基础。人工智能解决方案在很大程度上依赖于数据和洞察力来发挥作用，这产生了一种误解，即组织在考虑采用更先进的技术之前需要先建立“基础”。现实情况是，对话式AI和其他解决方案可以改善劳动力体验，而无需成熟的基础架构。在上面的新员工入职示例中，我们使用了 AI平台 充当前端“协调器”，能够在后台引用多个应用程序和数据源。这种开放平台方法使组织能够构建所需的集成和工作流，以提供简单而富有成效的体验，从而使工作人员能够更轻松地浏览分散的系统环境。使用这种方法，您可以从小规模开始并迅速扩展。
挑战3：为工作找到合适的工具。该会话AI厂商市场支离破碎，混乱。许多大型组织将（也许应该）最终获得多种解决方案。企业技术提供商已经在原生的会话AI解决方案上进行了投资，该解决方案提供了一种无需添加新供应商即可轻松进行实验的途径，但是功能仍在日趋成熟。许多IT功能已经建立了企业标准平台，可以“灵活地构建自己的机器人”，但是并不能在所有用例中都起作用，并且部署和维护起来很麻烦。
市场上还有许多点解决方案和特定于功能的供应商可以考虑，但是他们通常要承担很高的技术成本。对于许多组织而言，可能的结果是实施能够执行类似操作的多种工具，并且在为复杂而端到端的“重要时刻”（例如新员工入职）提供解决方案方面存在差距。低估这种必然性会迅速适得其反，并给员工带来负面的或更混乱的体验。我们建议为何时以及如何使用不同的会话式AI工具建立清晰的策略和治理模型，并重点关注劳动力体验。
挑战4：专注于会话设计。对话式人工智能就像水一样。如果以正确的方式应用它，它可以流动并填补应用程序之间的空白，从而提供真正无缝的用户体验。但是，对话式AI计划的价值和成功取决于体验驱动设计的质量。德勤最近与客户合作，部署了一个相对简单的虚拟代理，该代理能够通过聊天界面回答问题并搜索知识库。首次启动后，客户端可以通过虚拟代理提供令人满意且有用的响应，从而使近60％的聊天互动自动化。
另一个组织部署了相同的供应商解决方案和用例，但自动化的成功率仅为5％。更为有效的示例将设计重点放在简化机器人的定位上，并专门设计了基础知识库来支持聊天，一次提供了目标信息的小片段。在另一个示例中，查找并发起与该聊天程序的聊天更具挑战性，并且该知识库是为自助式在线阅读而构建的，该聊天在无意间产生了较长且通常无助的响应。结果，工作人员很快选择了人工支持，而不是阅读虚拟代理提供的密集段落。
为了克服这些挑战，我们建议对体验设计进行广泛的研究，以解决以下说明性问题：
员工将如何访问机器人？
他们将如何知道如何访问该机器人？
他们还需要与哪些其他应用程序或漫游器进行交互，以及如何将流量引导到正确的位置？
机器人需要参考哪些信息和数据来支持用例？
必要信息的结构如何？
机器人将如何向工作人员打招呼，以及一旦发起对话，该如何组织对话？
如果僵尸程序无法提供支持，我们将如何参与人类活动？
预期的结果是什么？
我们将如何衡量绩效以确保创造成果？
挑战5：建立所需的人员能力。大多数组织都面临人才挑战。不仅在“可能的艺术”的理解上存在差距，而且利用技术进步所需的能力也供不应求。对诸如解决方案架构师和增强专家之类的尖端工作的需求很高，将需要传统上与AI领域无关的UX技能。
UX领域虽然可能涉及面广，涉及面广，但也未能跟上与AI的发展相吻合的需求，这给组织寻找合适的人才带来了挑战。弥合差距的方法是通过有意地制定策略来雇用和开发人才，以在UX和AI的交汇处进行操作。找出这一点的组织将能够提供解决方案的能力，这些解决方案能够通过更有效的人才吸引，开发和保留做法来创建生产力更高，敬业度更高和绩效更高的员工队伍。这是一个巨大的胜利。
大处着眼，小处着手，快速扩展
最好的入门方法是建立针对员工体验的数字化战略和路线图，并以您的组织将愿景变为现实所需的技术和解决方案为基础。使用现实生活中的例子和故事来验证您的想法。对于大多数组织而言，这意味着要整合对您的员工至关重要的数字体验，并选择合适的工具来交付这些体验。一旦有了正确的工具，就可以确定一个或两个最高价值的用例的优先级，以开始进行工作。通过倾听员工的声音寻找“重要时刻”。好消息是，他们通常会抱怨自己的挫败感，这可以帮助您确定对自己的经历产生积极影响的最高价值的机会。
随着组织争相采用这一新的智能技术浪潮，并为其员工带来丰厚的，高价值的体验，至关重要的是集中精力于战略和路线图，这些战略和路线图将使您获得小小的胜利并尽早创造动力。充分利用会话式AI的力量是一门新学科，您不应指望一开始就将其正确，但您需要证明其成果以维持资金和领导支持。
在成功的基础上继续前进，可以加速这一过程。扫描组织以查找AI的实验内容，并开始建立一个共享信息的联盟。从外部延伸到您的生态系统网络以获取广阔的视野并征求想法。因此，继续大胆思考。从发现对您的员工而言重要的时刻开始，然后反复进行自动化和增强方法。一旦开始以这种方式释放可能的艺术，您将能够迅速扩展规模，并使您的组织突飞猛进。
以上由机智的AI翻译完成，仅供参考！
作者：Greg Vert
原文标题：Using Conversational AI to Make Humans Better at Work, and Work Better for Humans
-
人工智能
微表情分析不能做了？—知名AI视频面试公司HireVue停止视频面试中对面部表情分析服务
编者注：这是一个趋势，尤其是面对个人生物隐私问题的时候。HR科技公司在这方面需要有更全面的考虑和前瞻性的眼光。
对此你怎么看？
现在的求职者可能不仅需要打动潜在的领导，还需要打动人工智能算法，因为雇主通过让候选人回答视频中的面试问题来筛选候选人，然后由机器对其进行评估。
一家领先的软件提供商HireVue基于算法评估来审查求职者。该公司表示，正在取消其软件的一个有争议的功能：分析视频中人的面部表情以识别求职者某些特征。HireVue筛选的求职者坐在网络摄像头前，回答问题。他们的行为，语调和言语被反馈到指定某些特征和品质的算法中。
HireVue说，去年对其软件进行的“算法审核”显示，它没有偏见。但非营利组织电子隐私信息中心已于2019年向联邦贸易委员会投诉该公司。
HireVue首席执行官凯文·帕克（Kevin Parker）承认，公众对于使用软件分析视频中的面部表情的强烈抗议是计算的一部分。他说：“这为客户增加了一些价值，但不值得关注。”
算法审计由外部公司O'Neil风险咨询和算法审计进行。该公司没有回应置评请求。
布鲁金斯学会（Brookings Institution）的一位研究AI聘用的研究员Alex Engler说，使用AI来确定某人的能力（无论是基于视频，音频还是文本）的想法是牵强的。他说，公众不能审查这种算法也是有问题的。
他说：“机器学习可能对某些部分有帮助，但是全自动面试会给你关于工作表现的推论，这太糟糕了，”他说。“现代人工智能无法做出这些推断。”
“完全自动化的面试，您在其中推断工作绩效，这太糟糕了。”——布鲁金斯学会研究员亚历克斯·恩格勒
HireVue说，大约有700家公司，包括GE，联合利华，三角洲和希尔顿，都在使用其技术。该软件要求求职者在录制的视频中回答一系列问题。然后，该公司的软件会分析各种特征，包括他们使用的语言，他们的语音以及直到现在的面部表情。然后，它评估了申请人对工作的适合程度，并评估了包括“依赖性”，“情绪智力”和“认知能力”在内的一些特征。
帕克说，该公司去年帮助筛选了超过600万个视频，尽管有时这只是为候选人的面试回答抄录答案，而不是对候选人进行自动评估。他补充说，有些客户让求职者选择退出自动筛选。他说，HireVue已经开发出了一些方法，可以避免因参差不齐的互联网连接而对候选人造成惩罚，并自动将候选人推荐给HR。
AI专家警告说，对以前求职者的数据进行训练的算法可能会使招聘中的现有偏见长期存在。HireVue的首席数据科学家Lindsey Zuloaga表示，该公司通过在培训数据中收集该信息并寻找偏见的迹象来筛选性别，种族和年龄方面的偏见。
但是她承认，要知道该系统是否因收入或教育水平等因素而受到偏见，或者是否受到诸如口吃之类的因素的影响，可能会更加困难。
EPIC高级顾问约翰·戴维森（John Davisson）说：“令我惊讶的是，他们放弃了这一功能，因为这是他们所营销产品的关键特征。” “这引起了对生物识别数据收集的许多关注，以及这些关于能够测量心理特征，情绪智力，社会态度以及类似事物的大胆主张。”
使用面部分析来确定情绪或人格特质是有争议的；一些专家警告说，基础科学有缺陷。
东北大学教授丽莎·费尔德曼·巴雷特（Lisa Feldman Barrett）研究情感分析，他说一个人的脸不会自己露出情感或性格。她说：“仅仅看着一个微笑的人，就不能真正告诉他们任何东西，除非他们的牙齿很美。” “进行心理推断，从而仅根据面部数据来确定人们的结局，是一个坏主意。”
EPIC的FTC投诉指控HireVue无法保证公平，并使用了无法审查的算法。它还指控该公司声称不使用面部识别，从而歪曲了其技术。戴维森说，该机构尚未对投诉采取行动。
但是戴维森说，他担心语音的自动分析仍然会存在问题，他说，公司发布算法审核的结果很重要。他说，HireVue的技术仍然需要彻底审查。
“我当然担心，围绕数据收集，偏见和不透明度的相同潜在问题会直接转移到基于音频的放映系统中。“
人工智能的招聘引起了一些监管机构的注意。纽约市议会提出的一项法案提议规范招聘软件的使用，要求雇主在AI评估候选人时通知他们，并要求他们每年审核其算法。
伊利诺伊州的法律要求候选人同意才能对视频片段进行分析。马里兰州已禁止使用面部分析。据报道，由于结果偏颇，亚马逊在2018年放弃了使用自己的技术来自动评估候选简历。
背景信息：
视频采访和雇用前评估的提供商HireVue上周宣布，它在2020年初取消了其软件的视觉或面部分析组件。
该公司表示：“ HireVue的内部研究表明，自然语言处理的最新进展显着提高了语言的预测能力。” “随着这些进步，视觉分析不再显着增加评估价值。”
《连线》杂志报道了该功能，该功能可分析一个人的面部表情，一直存在争议。
在上周的公告中，该公司引用的数据表明言语和非言语行为是一致的，非言语数据并没有对其预测算法增加太多。另一方面，该公司指出，非言语行为的确为某些角色增加了额外的理解，例如，高度互动的角色重视镇静的语调或举止。
此外，HireVue上周还宣布，由O'Neil Risk Consulting和Algorithmic Auditing进行的算法审计发现，HireVue的评估工作存在如公平和偏见问题。
去年10月，HireVue收购了AI驱动的招聘聊天机器人AllyO。
作者：Will Knight
对此你有什么看法？
-
人工智能
人力资本分析：帮助组织建设更灵活的团队
当你听到 "未来办公"这几个字时，你脑海中会浮现出什么画面？机器人在没有人类的情况下运行工厂？会飞的汽车让交通不再拥挤？
在这场大流行病和大规模远程办公实验中，我们都在以某种方式塑造着工作的未来。全球危机挑战了传统的工作对象、工作方式、工作地点、工作时间和工作内容的假设。事实上，许多公司一直在重新考虑他们对后疫情时代的商业计划，因为有明确的证据表明，到目前为止"在家办公"是有效的。当企业试图在不断变化的消费者需求下生存下来时，许多企业也开始调整劳动力结构。即使是在疫情期间蓬勃发展的行业，如部分食品行业，也可能仍然需要进行枢轴调整，将人才从需求较低的产品和服务迅速调往需求较高的产品和服务。长期以来，公司一直聘请外部咨询公司帮助进行组织建设，作为重组工作的一部分。
当你听到 "团队建设"时，你的脑海中可能会立即想到组织结构图上重新绘制的方框和线条。如果我告诉你，这其实与结构无关呢？
相反，团队建设更多的是关于技能、工作活动，以及组织内如何发生互动、协作和联系。在这个不断变化的世界里，人力资本分析为企业提供了新的能力，使其团队的构成能更加灵活。
下面将介绍人力资本分析帮助组织进行团队建设的3个步骤：
首先，将未来组织的业务战略转化为技能需求。
例如，如果你的未来业务战略是加速数字化转型和数据资产的货币化，你就需要量化具体的数字/数据技能，以确保你能在未来为业务提供服务。这将需要业务领导、人力资本分析领导、人才管理和学习与发展团队的合作。此外，人才招聘团队和外部劳动力市场的洞察力可以提供有关新兴技能的有用信息。这些洞察力也可以帮助以后根据市场上新兴技能的可用性以及从外部获取这些技能的成本，为购买与构建决策提供参考。
第二，评估你目前的状态。
传统的技能清单可能涉及自我评估和经理评估，定性访谈也可以使用。但是这些都是费时费力，而且往往难以保持最新的状态。为了满足敏捷性和可扩展性的需求，一些组织使用人工智能，特别是自然语言处理(NLP)，根据每个人的经验，包括职业历史、学习与发展数据和反馈数据来推断技能。虽然推断出的技能未必100%准确，但如果需要进行一些验证和调整，它们可以提供一个强有力的起点。
第三，找出差距，确定买/建/借的方式，及时弥补差距，确保新组织能够实现业务战略。
在组建新组织时，不要只考虑结构，要更多地考虑工作活动、互补技能以及联系和协作的程度。当你将现有员工安置到新的组织结构图中时，要确保你的组织结构图中不仅包括那些拥有技能的人，还包括那些对工作充满激情和活力的人。在结构调整和重组中，有时会让员工感到他们没有选择，这就降低了他们的参与度。HCM中的员工档案可以提供关于个人职业和发展兴趣的见解。另外，来自绩效管理和其他反馈系统的定性数据也可以提供有用的信息。正如我在最近的一次采访中提到的："我们经常忽略的一个数据是--员工想做什么，他们下一步想去哪里？我们有时会被试图为员工创造一条职业发展道路所困扰，以至于忘了问他们是否感兴趣，想做什么。"
此外，组织网络分析(ANA)可以帮助评估新组织的成功。当你把变革前完全没有联系的个人组合到同一个团队中时，入职和同化可能需要更长的时间。重要的是要确保新组织中的员工为成功做好准备。ONA可以提供关于新团队成员和领导者同化速度的见解。将 ONA 与员工参与度和反馈数据叠加起来，你就能全面了解新组织中的团队是如何做的。
在人力资本分析的帮助下，团队建设可以更加敏捷高效。以上方法只是人力资本分析的一部分，你又将如何进行下一次的团队建设？
作者：Serena H. Huang
原文标题：How People Analytics Helps with Agile Org Design
以上由完美的AI翻译完成，仅供参考。
-
人工智能
让AI为组织赋能，提高内部人才流动性
编者注：缺乏最新员工信息，无法快速组建团队是实现生产力飞跃的关键障碍，但人工智能可以为你提供帮助。
内部人才流动和重新部署是大多数公司为提高工作生产率而采用的核心战略。然而，有一个核心问题是--更新信息的缺乏。
让我们看看员工拒绝更新信息的三个最常见原因，以及人工智能可以如何帮助他们。
员工的预期努力程度与感知价值较低
随着解决方案数量的逐年增加，内部流动、人才管理和在线市场平台的参与度下降。为平台的更新并没有提供足够的价值来让员工参与其中。期望的错位造成了对整个平台的不信任，这也是为什么在这些平台中的参与度总是举步维艰。我们必须停止期望人们在技术上投入如此多的工作，而不相信他们从中得到的是值得花费的时间。推荐的职称和与等级工作结构相一致的工作描述并没有足够大的吸引力。
在德勤最近的一项调查中，"超过50%的受访者告诉我们，员工在组织外找工作比在组织内找工作更容易。" 更新数据是大多数这些系统工作的关键组成部分，但对于任何工人来说，维护这些数据都是极其繁琐的。当员工写完简历时，你已经失去了他们。
我们如何建立一种体验，提高参与度，并专注于提供员工和承包商最重视的东西？职位名称和工作描述并不像我们想象的那样相关。
我们如何理解一个人的身份、激情和目的，并将其与具体的工作内容相一致？
在Paths.io最近的一次求职中，当在美国搜索关键词为 "LGBTQ "的工作时，结果中排名靠前的公司是Aramark、Sunrun、Mayo Clinic和Oregon State University。公司需要开始将他们的身份--使命、愿景和价值观--与他们想要吸引和参与组织内的人保持一致。首先在激情和目的上进行匹配。AI内的神经网络可以通过识别员工和承包商所拥有的可转移技能来弥补支持员工和承包商的差距，然后推荐提升技能或转向与他们的激情和目的相一致的路径或项目的方法。
比起技术，员工更信任与社交人际关系
人类有与生俱来的建立人际关系的能力，并依靠彼此建立信任。员工通过管理层和领导层在内部利用关系网来发展自己的事业。求职者依靠他们在项目工作中建立的关系来建立社交网络，并找到下一个工作机会。人们本能地信任其他他们喜欢的人和合作愉快的人，这可能导致了我们今天看到的大部分偏见。我们都依赖于人类利用长期建立的判断能力来辅助决策，我们更倾向于相信我们认识的人。
要将人工智能引入任何流程，你必须了解你要打破的一个心理模型："人们更容易对那些他们认为具有类似人类能力的产品抱有不可实现的期望。"
正如谷歌在他们的people+AI指南中所说：想让任何技术系统能够打破像人际关系一样亲密的行为，这是毫无根据的期望。我们必须退一步，用AI去启用这种行为，而不是打破它。我们如何利用数据来了解人与人之间的底层连接，并推荐新的人与人建立关系与工作？
缺乏对战略举措和项目目标的洞察力
以职称、技能或公司来定义自己的时代已经过去了。我们都是人，都有不同的动机。人们普遍缺乏对公司要完成的总体项目或战略目标的认识，这与那些认为自己需要的人群是一致的。我们把工作做得太过注重技能和职称，而对一个员工将产生的结果和影响认识不足。当动机一致时，人类能够完成更多的工作。当一个人有足够的动力时，能够学到的技能是不可思议的--每个人都有不同的学习曲线。
我们如何让人才更好地了解公司重点实现的总体项目或举措？人工智能可以理解和剖析项目，并在组织内推荐合适类型的人才，为制造或完成这些项目做出贡献。
为什么我们要将人员与职位相匹配，而不是将他们与工作内容相匹配？
为什么不把项目匹配到候选人身上呢？
要完成这个项目，你需要的人才组合是什么？
AI在支持人才流动方面的帮助非常大，但这个过程需要重新规划，以上三个问题也需要解决。花时间将激情和目的与工作主体相统一，提供由人工智能驱动的有价值的体验，使生产关系和利用和锻炼技能的方式得到更大的成功。
作者：法拉·里夫斯
以上由可爱的AI翻译完成，仅供参考。
-
人工智能
人工智能驱动的技能管理，为何令人瞩目？
随着充满混乱和挑战的2020年接近尾声，人力资源团队获取和管理人才的环境也发生了变化。曾经被认为是朝向未来工作和工作场所动态变化的渐进进化，现在已经以任何人都无法想象的速度转变。
随着这一过程的加速，在寻找机会时自动提取和衡量技能的愿望也在加快，无论是在外部还是在内部。并不是说技能一直都不重要，而是现在作为人才的新货币，技能已经被转移到聚光灯下，以适应我们所处的新市场。
那么，是什么推动了这一趋势呢？长期以来，人们一直强调评估和匹配工作经验和教育背景，为什么现在人们对技能这么感兴趣呢？
技能是什么?
首先回答这个问题，确定什么是技能是很重要的。根据德勤的定义，技能被定义为“在特定环境下实现工作成果所需的战术知识。”技能是特定于特定功能、工具或结果的，并由个人用于完成给定任务。”
这个定义的重要元素是关注如何在特定上下文中使用它。如上所述，环境在变化，技能也随之变化。这使得组织适应他们正在寻找的机会的新需求变得更加重要。新技术、革新、通讯渠道和工作方法只会助长只关注教育和经验之外的需要。
除了技术技能之外，求职者也越来越注重持久的技能，这些技能被视为求职者在某个职能、组织或市场中发展的不可或缺的一部分。解决问题、推理、谈判和学习新技能等能力，现在是人力资源团队希望从外部候选人和寻求内部调动的员工身上识别和衡量的首要目标。
技术是如何改变技能的
技术的影响是这种变化不可否认的催化剂。想想营销人员的角色，他们现在需要哪些技能，而10年甚至5年前他们还没有。当今市场所需要的技术技能并不一定存在于他们的教育中，甚至不一定存在于他们的经验中，因此保质期较短。这就要求求职者充分发挥自己的技能，从而更全面地了解应聘者是能够很快上手，还是在开始新工作时力不从心。
这项技术也改变了求职者对工作生活的期望。新一代的人不再想在一份工作上呆到职业生涯结束。他们想要学习和移动。这意味着，人力资源团队面临的“经典”职业路径的线性简历越来越少，工作经验的个性化融合越来越多。这就使得我们很难对不同的个体进行比较，从而将注意力重新集中到共同的分母——技能上。
人工智能如何巩固技能管理
因此，随着技术进步加大了寻找人才的挑战，它也可以提供解决方案。随着技能本体变得越来越高级，它们能够自动从工作申请、简历和员工档案中提取技能。通过使用语义人工智能，你可以将词汇集群与正确的技能集联系起来，而不仅仅是经常会导致信息源误入歧途的关键字匹配。
一个很好的例子就是将食物和饮料的技能与食物科学进行比较。以前，一个食品科学家，他的技能是基于化学的，经常被推荐和匹配的机会在酒店行业，因为技能的联系是有限的，不会与正确的领域的术语联系起来。但随着语义搜索的发展，围绕不同学科出现了术语集群，这使得在提取信息源候选人或内部申请者的技能时具有更高的准确性。
人工智能驱动的技能管理的重要性
这在内部流动性和人才市场的创建方面发挥了特别大的作用。人才市场被定义为“组织提供的系统、数字平台和虚拟场所，员工可以在其中找到与他们的共同利益和成功最相关的机会。”“在人工智能的帮助下，技能的提取可以为员工创造准确的机会建议，允许更准确的技能差距分析，并提供量身定制的职业道路，以规划员工在公司的未来。”
市场的本质是动态的，它可以激励员工和招聘经理。允许自动化完成它的工作，创造并保持这种势头，通过提供类似消费者的体验来促进IM项目的参与性。另一种选择是由人力资源团队手动向员工发送大量的机会清单，这不仅耗费时间，而且缺乏针对性和有效性。
这只是人才生命周期中AI和技能管理协调的一个方面。它还可以被整合到资源、招聘流程、入职培训、绩效管理以及学习和发展中，在这些方面，更准确的技能数据可以丰富个人档案。
技能和人工智能只是一部分
尽管使用人工智能访问和测量技能是目前的热门话题，但重要的是要记住，它们仅代表整个员工图景的一个部分。这意味着，准确评估某人的技能对于TA和TM过程是一个有用的工具，但不是解决所有问题的答案。拥有一个可以从人才生命周期的其他领域获取数据的平台总是能够让你更全面地了解情况。这可以是整合一个技能验证过程，以鼓励上传证书或项目，从绩效考核中提取对员工能力的实时评估，或者在经理签到后增加职业抱负。正确的技术加上技能模型，可以将人才游戏带入下一个阶段，使人工智能能够完成艰巨的任务，突出你需要的候选人技能，同时让招聘人员专注于能够打造雇主品牌的增值活动。
作者：杰里米·维克曼
以上由聪明的AI翻译完成，仅供参考。
-
人工智能
当算法加剧了不平等，普通人还有上升空间吗？
序言：在这个日益由人工智能驱动的社会里，系统性的不平等正在发生。无论是零售、金融、物流，还是制造业，人工智能推动的企业都是由一小群高薪员工来管理的，支持这群人的是复杂的自动化技术，以及外围可能数以百万计由算法管理的低收入自由职业者。
本文作者认为，当算法管理的劳动力被系统彻底操控，最终他们将面临的就是前途渺茫，晋升无望，工作的两极分化愈发严重。
算法歧视与偏见的风险已受到广泛关注和密切审查，这是理所当然的。然而，我们这个日益由人工智能推动的社会还有一个更为隐秘的副作用——工作性质本身不断变化所造成的系统性不平等。我们担心未来机器人会夺走我们的工作，可是如果相当大一部分劳动力最终从事的是由算法管理的工作，前途渺茫，晋升无望，又会发生什么？
白手起家取得成功的经典比喻之一是领导者起步卑微，从收发室、收银台或工厂车间一路奋斗向上。虽然做到这一点比好莱坞暗示的要困难许多，但自下而上的升迁至少在传统的企业中是可能的。麦当劳前首席执行官(CEO)查利·贝尔(Charlie Bell)最初是翻烤汉堡的员工。通用汽车董事长兼CEO玛丽·巴拉(Mary Barra)起步于装配线。沃尔玛CEO道格·麦克米伦(Doug McMillon)是从一个配送中心起家的。
相比之下，你认为有多少优步(Uber)司机会有机会获得公司的管理职位，更别提经营这家共享乘车巨头了？有多少未来的亚马逊顶级高管会从送包裹快递或堆码货架开始自己的职业生涯？Instacart的亿万富翁创始人及CEO可能亲自交付了公司的第一份订单，可是还有多少人会步其后尘呢？
问题来了：有一个“代码上限”阻止了事业进步——不分性别或种族——因为在人工智能驱动的企业里，初级员工和自由职业者极少与其他人类同事互动。相反，他们是由算法来管理的。
在这个以数字为媒介的工作新时代，通常存在一种层次化的信息流，其中公司会决定他们选择与你分享的信息。不像开出租车那样，司机和调度员之间、司机与司机之间通常有开放的无线电通信，当你为优步或来福车(Lyft)工作时，互动内容是某种优化功能的输出，这种优化功能旨在实现效率和利润最大化。
受算法的管理就会遭到不断的监视与监控。如果你是在中国为美团或饿了么工作的数百万送餐员之一，一种算法就可以确定你应该花多长时间送达一份订单，如果你未能在最后时限前完成，你就会被降薪。同样，亚马逊配送中心的员工也受到算法的密切跟踪；他们必须按“亚马逊步速”工作——有人描述其为“介于行走和慢跑之间的速度”。
当你是一名临时工时，让你担心的不仅仅是你的人工智能老板，你同事通常也是你的竞争对手。比如，住在亚马逊配送点和全食超市(Whole Foods)附近的芝加哥居民称他们看到了智能手机挂在树上的奇怪现象。原因何在？合约快递司机不顾一切要在工作分派上拼赢他们的对手。他们相信，将其设备挂在投递站附近可以帮助他们操纵工作分配算法；置于树上的智能手机可能是比别人早几秒拿到一条15美元送货路线的关键。
过去几十年里，工作一直在不断变化。劳动力市场已日益两极分化，相对于入门级、低技能工作以及要求更高技能水平的高级工作而言，中等技能工作受到了侵蚀。新冠疫情可能加速了这一进程。自1990年以来，美国的每一次衰退之后都是失业型复苏。这一次，随着人工智能、算法和自动化对劳动力队伍的重塑，我们的结局可能更糟糕：K型复苏——那些处于顶端的人前景升腾，而其他每一个人则眼睁睁看着他们的财富暴跌。
这种新的数字鸿沟导致了有机会获得高等教育、领导力指导和工作经验的员工与那些没有机会的人之间差距的不断拉大。在我最近的新书《算法领导者》(The Algorithmic Leader)中，我探讨了一个特别可怕的场景：在为算法工作的大众、拥有设计和训练算法系统的技能和能力的专业特权阶层，以及拥有管理世界的算法平台的少数超级富有贵族之间，存在着阶级鸿沟。
一个全球性的低收入算法劳工队伍已经出现。在拉丁美洲，发展最快的初创企业之一是Rappi，它是Uber Eats、Instacart和TaskRabbit的混合体。波哥大和墨西哥城等城市的客户每单支付1美元左右，或者每月固定支付7美元。作为回报，他们可以访问一个庞大的按需服务的快递员网络，快递员会将食品、杂货和几乎你想要的任何东西送货上门。亚马逊有一个非正式的送货员网络，名为Amazon Flex，随时可以将包裹送到你的家门口——不久之后，甚至可以在大街上把包裹交予你，将包裹放到你的汽车后备箱里，或者打开你的家门，把食品放进你的冰箱。
约翰·梅纳德·凯恩斯(John Maynard Keynes)在1930年的演讲《我们子孙后代的经济前景》(Economic Possibilities for Our Grandchildren)中预言，到2030年左右，生产问题将得到解决，任何东西都足以供应每一个人。然而，问题在于，机器会导致技术性失业。凯恩斯没有完全预料到的情况是，我们目前的高科技就业情况伴随着严重的不平等。
劳动力队伍在变化，工作场所也在变化。你会越来越多地发现，高层管理人员和外围的临时工之间存在差距，甚至在企业内部也是如此。无论是零售还是金融服务，物流还是制造业，人工智能推动的企业都是由一小群高薪员工来管理的，支持这群人的是复杂的自动化技术以及外围可能数以百万计由算法管理的低收入自由职业者。
工作两极分化只是问题的一部分。我们真正应该担心的是反馈回路导致的算法不平等陷阱。一旦你成为了依赖智能手机分配任务的零工经济员工，你不仅没有晋升或发展的机会，其他算法还可能进一步加剧你的处境。请把它想象成为一个数字贫民窟。由于他们的收入和工作任务受市场波动的挟制，这一新的人工智能底层阶级可能会受到自动化系统的不公正对待，这些系统可以决定他们是否有权获得福利、贷款、保险或医疗保健，或者设置剥夺权利的时限。
然而，对一个尚未完全显现的问题寻求快速解决之路是十分危险的，尤其是如果这意味着将20世纪的员工保护措施嫁接到21世纪的商业模式上。受民粹主义平台支持的政府和监管机构已经在集中精力打击全球数字巨头，力图防止他们逃避纳税义务，努力规范其自由职业队伍的劳动条件，对其数据收集加以限制，甚至对其机器人征税。这些想法中有些是有价值的，另一些尚不成熟，或者更糟糕，只不过是政治秀而已。
算法不平等的长期解决方案不在于税收和监管，而是在于我们是否有能力为21世纪提供一个适当的教育体系。重启教育并非易事。真正的问题不是探寻在教学中使用人工智能的方法，而是我们如何教人们在他们的职业生涯中驾驭机器智能，又如何教人们做好终生学习和再培训的准备。
企业领导人要发挥关键作用。他们不仅应该为处于他们企业边缘的自由职业者开拓沟通、反馈和晋升的渠道，而且需要认真对待再培训和社区参与。比如，美国电话电报公司(AT&T)正对其一半的员工队伍进行再培训，而思科(Cisco)、IBM、卡特彼勒(Caterpillar)、麦肯锡(McKinsey)和摩根大通(JPMorgan)则在为高中生提供实习机会，并与当地学校合作升级他们的教学课程。这些都是很好的举措，不过还需要更多——不仅是为了社会凝集力，也是为了确保未来劳动力的多元性和灵活性。
我们需要一个更好的未来计划。如果没有，算法不平等陷阱将不是用统计数字和财富比率来讲述，而是用求救信号来讲述——挂在树上的智能手机、无家可归之人的帐篷城市以及扫描天空并寻找即将终结他们的快递无人机的人类快递员。
作者：迈克·沃尔什
来源：哈弗商业评论
原文地址：https://mp.weixin.qq.com/s/YK8Oj5f7vYCbrPlnBph69g
-
人工智能
2021年人工智能在人力资源领域应用的5个预测
Beamery首席执行官Abakar Saidov对2021年人工智能在人力资源和人才招聘方面的表现提出了一些行业预测：
就像我们的消费生活一样，HR将利用数据来预测和推荐人才动向。2021年，求职者和员工将不再浏览职业网站和 "人才市场"，而是利用一个推荐信息源，追踪他们在 "徘徊 "和阅读哪些内容和工作。这些数据的收集，再加上智能AI，将根据通过该行为表达的意图动态调整推荐--就像Netflix的feed根据观看习惯更新一样。这个过程将继续微调，因为这些体验将被用来验证人们的能力--既要明确要求应聘者确认他们的兴趣和技能，也要通过推理来验证。
当涉及到人才、围绕多样性的透明度时，人工智能将不再肆无忌惮。随着人工智能不断被TA领导者所接受，我们将看到组织和公众对单纯通过人名来推断性别和种族等多样性的算法进行应有的反击。
2021年，TA领导者将不再根据简历上的 "技能 "来评估人。 我们已经了解到，简历上列出的技能其实只是一瞬间的事情，并不能捕捉到人们可能和想去的地方，也不能捕捉到他们会成为什么样的人，最终是否适合组织的发展方向。这种从 "技能数据库 "到基于人才图谱的 "技能云 "的转变，将推动挖掘有意义的数据的能力，并赋予HR和TA专业人员反映人和就业机会的动态性，更好地捕捉人的潜力，为员工和组织谋福利。
2021年将是垃圾人才数据终结的开始。垃圾入库，垃圾出库，不仅在人力资源部门是如此，当人们的职业生涯和公司的未来岌岌可危时，这是不可接受的。既然人力资源职能部门已经认识到数据的关键重要性，我们将最终采用方法和工具，以确保我们使用的是最准确、一致和最新的数据。
2021年将是我们从对DE&I的 "口惠而实不至 "到 "从哪里开始 "的一年。根据Beamery最近进行的一项研究，58%的组织表示有明确的DE&I目标。但其中60%的组织缺乏DE&I的自主权，超过四分之一的组织认为缺乏责任感和明确的自主权是实现多元化的最大障碍之一。真正的人才领导者会接受 "从什么地方开始 "的多元化需求，任命官员以建立问责制。
作者：Abakar Saidov
以上由AI翻译完成，仅供参考。
扫一扫 加微信
hrtechchina
