沃顿商学院(Wharton)教授彼得•卡佩里(Peter Cappelli)和“桑尼”塔姆贝(Prasanna " Sonny " Tambe)的较新研究为人工智能在人力资源中的应用敲响了警钟。
 

　　人工智能能帮助回答人力资源较棘手的问题吗?

　　沃顿商学院的Peter Cappelli和Prasanna Tambe讨论了他们关于在人力资源中使用人工智能的挑战的新研究。

　　随着企业不断缩减或外包人力资源部门，利用人工智能来增强传统业务功能很有吸引力。数据科学在其他领域有如此多的前景，以至于算法在招聘、解雇、调度和晋升方面取代不完善的人类决策是有意义的。但沃顿商学院(Wharton)教授彼得•卡佩里(Peter Cappelli)和“桑尼”塔姆贝(Prasanna " Sonny " Tambe)的较新研究为人工智能在人力资源中的应用敲响了警钟。在他们的论文中，“人力资源管理中的人工智能:挑战与战争之路” 教授们展示了有限的数据、人力资源任务的复杂性、公平性和问责制给数字人力资源带来的问题。这项研究由ESSEC商学院教授、沃顿商学院人力资源中心高级研究员瓦莱里•雅库伯维奇(Valery Yakubovich)与人合著，研究还着眼于如何解决这些问题。Cappelli和Tambe与Knowledge@Wharton谈论了他们的研究。
 

　　以下是经过编辑的对话记录。

　　Knowledge@Wharton: 你的观点是，虽然人工智能正在侵入许多不同的行业和部门，但在人力资源中使用人工智能时，存在一些特殊的问题。你能谈谈其中的一些挑战吗?

　　Sonny Tambe:当你与人力资源从业者交谈时，他们看到自己在金融和营销领域的同事使用这些技术取得了如此大的成功，他们会问，为什么对我们来说这么难?我认为我们想要说明的部分观点是，人力资源存在系统性和结构性差异，这确实加大了难度。例如，当您正在构建一个基于ai的系统时，您需要知道正确的答案是什么，一个好的员工应该是什么样的，并且在HR中定义它已经是一件困难的事情。

　　Peter Cappelli: 数据科学的语言是一种优化语言。这个想法是，如果我们弄清楚目标是什么，以及与这个目标相关的是什么，那么我们就可以把它应用到未来的决策中。人力资源的语言是用法律编码的，它与公平问题有很大的关系，而公平和优化往往不能很好地结合在一起。你可以得到这样的算法，它会告诉你这里需要招聘的人，招聘的人和之前做得很好的人是一样的。这些算法是向后看的;它们是基于过去的数据。过去做得好的都是白人男性。你可能不会想把这个算法作为招聘策略，即使机器学习算法会说这是应该做的。人力资源的语言是用法律编码的，与公平问题有很大关系，而公平和优化往往不能很好地结合在一起。

　　Knowledge@Wharton: 目前人工智能在人力资源领域的应用有多广泛?数据科学家在人力资源部门工作是不寻常的吗?人力资源部门是否与拥有这些工具的供应商签订合同?

　　Cappelli:现在，我们有一个定期的公司小组聚在一起讨论这个问题，Sonny为这个问题创造了一个缩写:CODHR或数字人力资源会议。它在和这些人交谈，他们通常都是人力资源领域的数据科学家，所以他们都在那里。他们非常努力地收集数据来分析，这说明了试图处理人力资源数据的现实。这里有一个典型的问题:我们有关于员工表现的数据，它被归档在这个数据集中。我们在这个数据集中有关于招聘的数据和申请人的属性。但是，顺便说一下，一旦有人被雇佣，我们倾向于把数据丢掉。他们面临的较大问题是，我们能把这些数据集放在一起互相交流吗?这并不罕见，只是我们也遇到过这样的情况，运行这个竖井的人不想与这里的这个组共享数据。这是一项数据管理活动，但也是一项内部的政治活动。

　　Tambe:关于你提出的两个问题——人工智能的使用有多普遍，以及你见到数据科学家的频率有多高——真正有趣的事情之一是，这两个问题在人力资源方面存在差距。有很多招聘，很多人把数据科学带入了人力资源部门。但有些问题，比如彼得提出的处理数据等问题，也会产生麻痹效应。现在我们有了这些数据科学家，我们能用他们做什么呢?你可以拥有数据科学家，但将其转化为实际人工智能的能力在人力资源领域已经成为一场斗争。你可以拥有数据科学家，但将其转化为实际人工智能的能力，已经成为人力资源领域的一场斗争。

　　因为篇幅有限，如果有同学对完整当然访谈感兴趣，可以宾夕法尼亚大学沃顿商学院找到访谈全文。