前言

近年來，機器學習領域取得了許多重大突破，人工智能技術驅動的人力資源管理服務產品也擁有一個龐大且充滿活力的市場。越來越多的企業和政府機構逐漸開始思考將機器學習技術應用于人力資源管理，通過神經網絡做出正確有效的決策，準確地預測人力資源管理的結果。

本文從四個方面展開將機器學習用于人力資源管理研究的介紹，主要包括技術難點、人力資源管理決策系統簡介、系統設計方法和系統安全性，期望讀者可以初步了解相關研究。

技術難點

2019年，美國20家大公司的首席執行官進行了相關的研討會，結果表明，機器學習技術應用在人力資源管理領域面臨著獨特的挑戰。開發有價值的人力資源管理決策系統不僅僅有技術的挑戰，還需要衡量人力資源管理結果的固有復雜性方面的障礙，以及難以解決的數據、道德、法律約束和對受影響員工可能產生的負面影響。人力資源管理的決策需要避免容易挑戰法律的選擇程序，或者員工或其他利益相關者認為有爭議的選擇程序。

總結有如下幾個方面：

如何建立和監督一系列研究和開發項目，探索機器學習在人力資源管理中的應用；

如何有效地開發基于NLP的決策支持系統；

如何測試決策支持系統以確認它們在決策中使用是安全的；

一旦系統被開發和測試，如何成功地將系統轉換為可接受的使用方式。

人力資源管理決策系統簡介

人力資源管理決策系統的實現面臨如下挑戰：

系統應該自動化決策，為人類決策者提供輸入，還是以其他方式與決策過程交互？

人類決策者需要什么樣的輸入，候選機器學習系統在提供這些輸入方面有多有效？

考慮到當前不同候選系統可用的功能級別，不同類型的決策支持的風險是什么？

如下圖展示了一個用于概念化設計和用于人力資源管理的機器學習系統的框架。框架背后的理念是，系統設計與系統的最高優先級目標是不可分割的。人力資源管理目標幫助設計者從機器學習支持人力資源管理決策過程的許多可能方式中進行選擇。而實現的設計反過來又影響系統的評估方式。例如，自動化決策的系統可以根據其準確性或其他重要標準進行評估，而為人類決策者提供輸入的系統必須根據輸入的準確性以及它們如何影響整體決策結果進行判斷。如果系統不能滿足安全標準，則必須修改實施設計，直到設計人員能夠得到一個對人力資源管理目標有價值的系統，并且能夠滿足安全參數。

系統設計方法

在開發的早期，有許多設計選項可以將基于機器學習的輸入整合到決策制定中。設計在時間（例如，在人類制定決策之前還是之后）和影響程度（例如，推薦一個選項還是將注意力引導到重要功能上）方面有所不同。這里將重點介紹機器學習決策系統的五個主要設計實現：

1. 決定。機器學習系統對人力資源管理記錄進行評分，并在沒有人類決策者參與的情況下自動做出決策。

2. 推薦。機器學習系統向人類決策者提供建議，作為額外的輸入。

3. 得分。機器學習系統將分數作為額外的輸入提供給人類。

4. 總結。機器學習系統自動為人類決策者總結。

5. 審計。機器學習系統標記不正常的情況，供人類決策者審查，作為審計過程的一部分。

設計過程從確定機器學習系統的優先級目標開始，不同的目標組合需要不同的設計實現，如表所示。

這些目標還指出了評估過程的有效性的潛在度量。例如，如果目標是減少工作量，系統應該減少人類決策者的數量或他們花費在記錄評分上的時間；如果目標是改善人類的決策，系統應該有助于提高決策的質量，通過證據來衡量決策更好地促進重要的人力資源管理結果。

自動總結敘事記錄的機器學習系統可以作為決策支持的一種模式。一個人的大部分人力資源記錄分為兩種自由格式的文本和人員屬性。自由格式的文本，如任務列表、職責描述和主要成就總結。人員屬性是預先量化的、可解釋的、對管理有用的數據，例如經驗年限、功績順序或晉升測試分數。雖然后一種類型的信息更容易在模型或可視化中處理和使用，但前一種類型的信息也是做出充分知情的人力資源管理決策所需要的。

管理層處理決策需要對記錄進行深思熟慮的審查，并由經驗豐富的人員執行手動審查或評分過程。在為支持手工評審而考慮的各種設計實現中，“總結”是最通用的。這是唯一與所有人力資源管理目標適度或高度一致的設計。自動總結對于提供反饋、增加透明度和提高人工決策的準確性非常有用，并且它們至少對于標準化、減少人工工作量有一定的用處。同時，總結實現保持了對決策過程的高度人工控制，因此它比其他設計更有可能滿足安全標準。事實上，總結突出了系統認為重要的文本元素，因此，它是對系統決策的一種解釋。因此，總結可以作為一個有用的輔助工具，幫助管理人員理解其他設計實現中的模型輸出。

系統安全性

人力資源管理決策影響企業未來的有生力量。因此，在對決策過程進行重大更改時必須采用“首先不傷害”的原則。隨著對機器學習的投資增加，大量的研究和政策文件旨在為負責任的和合乎道德的使用機器學習（以及更廣泛的人工智能）提供規范性指導。

例如，保護成員隱私的現行規則和框架將繼續適用于任何開發項目。在開發和部署期間，有三個原則與測試系統特別相關，測試系統要求機器學習系統準確、公平和可解釋：

準確性意味著機器學習系統或它包含的模型以高概率正確地預測感興趣的結果。

公平性意味著機器學習系統平等地對待子組。

可解釋性意味著人類可以理解導致機器學習系統結果的因素和關系。

這些安全標準有時會相互沖突。為了增加公平性，設計師可能會對系統施加限制，降低其準確性或可解釋性。為了增加可解釋性，系統設計者可能會使用更多可解釋性（但靈活性較差）的建模方法，這可能會影響準確性和公平性。測試必須包括平衡準確性、公平性和可解釋性，以達到滿足人力資源管理目標以及法律和道德約束的設計。

關于公平，重要的是要注意公平沒有單一的定義，而且往往不可能滿足競爭類型的公平。因此，機構必須選擇一個定義來推進測試。這里區分了程序公平性和結果公平性，前者確保人力資源管理過程或算法對不同子組的成員一視同仁，后者檢查模型或過程結果是否存在偏見。

最后，可解釋性對于實現人力資源管理目標至關重要，因為如果人們不了解系統如何有助于更好的決策，他們可能會忽略或濫用系統。此外，定義可解釋性與目標受眾是分不開的，因為不同類型的用戶需要不同層次的解釋。設計人員可以考慮使用本質上可解釋的模型來增加可解釋性，并且他們還可以進行人在循環測試，以評估人們對系統功能的理解程度。

小結

本文主要從技術難點、人力資源管理決策系統簡介、系統設計方法和系統安全性四個方面簡要介紹機器學習用于人力資源管理領域的研究。期望可以對想要初步了解此研究的讀者有所幫助。