AI招聘的现状、挑战和前景

AI招聘现有的数字化产品在两年间已经经过麦穗人工智能与各行业的知名企业合作实践得以优化，概括如下：
一、知识图谱:

帮助构建实体与实体的关系，智能完善对于公司、职位、行业、学校等关键要素的联想，自动生成职位描述，为人选补全标签构建画像；知识图谱是招聘行业智能化的核心基础建设，机器可以高效快速地组织信息，构建知识，为推荐模型提供关键支持。比如说，当我们知道一个人的当前职位是 java开发工程师，在没有其他信息的情况下，知识图谱帮助我们的推荐模型了解了一个 java 开发工程师的常见职责、关键技能以及所处的职能类别。



行业专家级知识图谱，智能阅读和抽取信息，帮助企业 HR 梳理职位画像，补充简历中更多背景信息。

二、简历解析:

通过解析不同形态的原始文件，生成结构化的简历数据，⽀持标签式筛选及智能搜索。深度阅读职位需求，对知识图谱的特征增强，分析简历的真实度。



高精度简历解析，生成结构化结果

三、 人岗匹配:

通过机器学习真实招聘数据，并将学习的结果放⼤到更多⼈才（岗位）筛选。依托职位和简历的画像，在此基础上实现了人才与岗位之间精准的双向匹配。麦穗人工智能具有⾏业最强的职位解析器，依托BERT深度学习智能匹配人选。



预训练模型

四、智能机器人:

问答机器人帮助企业人事专员回答人才问题，介绍公司信息并收集部分人才信息；利用chatbot完成人才信息快速收集，预约现场面试日程；完成合同员工、外包员工等不同人事制度的在线解答，构建云端HRSSC知识库；进行胜任力测评、企业宣传、人才激活等。
<hr/>人工智能招聘模型的构建

• ⾼效的NLP多任务学习引擎
  

基于⻨穗团队⾃研的⾃然语⾔处理引擎和知识图谱，⾼效满⾜客户在不同⾏业、不同领域的个性化需求。我们仅⽤100条训练数据就可以达到传统算法 10倍以上数据的精确度效果。通过150个正负样本，依托⼩样本学习融合预训练pre-trained model成功构建了某知名500强企业⼈岗匹配系统。通过⽐对近2个⽉正式⾯试结果与机器分析结果，达到了94%精确度。

• 与ATS差异化且易适配
  

⻨穗团队服务⽀持丰富多样的API接⼝（云化托管），docker镜像包（本地OP）和 SDK包（可视化），在各类客户的公有云和私有云上都可以实现灵活嵌⼊。 ATS和ERP系统主要解决企业HR场景的数据采集⼯作，帮助企业HR完成数字化转型和结构化数据的分析与洞察，帮助企业从解放「⼈⼿」逐渐迭代⾄辅助替代部分「⼈脑」决策。
<hr/>AI招聘的挑战

AI招聘在未来会遇到的一个不容忽视的问题就是可能会造成“公平假象”。我们普遍会认为AI是可以消除偏见和个人喜好的，举例来讲我们认为人工智能会减少人工筛选对于候选人基本面的偏好，比如地域、性别、外貌等。但假如HR之前在筛选的时候本身就是带着偏见的呢？比方说我要给某互联网公司定制一个模型去招聘某个岗位的工程师，这时候，AI的典型做法叫作“小样本学习”，也就是说把HR专家的经验融入到这个模型的训练当中去。那么如果HR之前在筛选的时候本身就是带着偏见的，比如说只选男的不选女的，或者只选拥有某类户口的，AI去构建一个融入专家经验模型的时候，一开始做的事情就是尽可能去拟合和学习这个专家的判断，AI判断的结果和人判断的结果越一致，这个模型就越成功。所以大家就可以想象，这个模型一定会放大人的经验与偏见。
<hr/>前景与展望

当年的AlphaGo通过海量学习人的棋谱方法，成功地从最初的“学习人的行为”进化到了“超越人的行为”，我们对于AI招聘的预期也是如此。我们现在使用的AI模型已经累计学习了大约1.1亿真实的入职记录，并且进行了缜密的分析。在接下来的三到五年内，我们期望麦穗AI模型真正意义上超越目前人工筛选简历的平均水准，这其中有一个努力目标就是去填平由于个人局限性带来的偏见或偏好，提高人才选用的信度和效度。

阿里巴巴 高德 - 工程化技术团队招聘啦
社招 : P6 P7， 岗位非常紧急！非常紧急！非常紧急！ (面试难度很低哦)，大家抓紧机会啦

职位描述
1. 参与移动端（Android/Linux）平台C/C++应用程序设计开发；
2. 负责深度深度学习，SLAM等行业前沿算法的工程化落地。
3. 接触前沿尖端的地图数据时空信息处理。

职位要求:
1.本科(含)以上学历，计算机或相关专业。
2.C++开发经验3年以上，能够编写高效规范的C/C++代码, 对标准库、STL容器和算法有深入的了解。
3.熟悉CMake工程构建, 编译选项及编译优化，有算法性能优化经验者优先。
4.了解部分硬件，如GPS, Camera, IMU, 毫米波雷达，激光雷达者优先。
5.了解深度学习或SLAM算法者优先
6.有强烈的上进心和求知欲，善于学习新事物
7.有很强的分析问题和解决问题的能力