|
Facebook的前搜索引擎工程师Ashutosh Garg，和Google的前首席技术官Varun Kacholia一起创立了一家AI招聘公司，近日已经完成了2400万美元的融资，投资方为Lightspeed Ventures和Foundation Capital。 该公司通过公开信息收集世界各地的劳动力的信息，希望解决雇佣、求职和晋升的信息鸿沟和招聘歧视问题。依托于自主研发的软件收集处理招聘职位和应聘者的个人信息，人工智能系统的处理让降低了信息的不对称，匹配率比传统招聘的提高了八倍；同时节约了90%的筛选成本。 “就业是社会的支柱，建立这个平台的意义是通过算法和匹配，从根本上解决社会就业的信息差的问题。Garg认为：“让拥有能力和潜力的人找到适合的岗位，就是一种有意义的进步。”Garg还表示：“目前该公司已经收集了百万计的个人信息，来源包括维基百科。这些信息不仅是用于查看招聘者的学校背景工作经历，还会建模分析个人的实际工作能力和存在的潜力，并预测出适合其发展的最佳路径。” 将大数据和算法自动化决策应用于劳动力的筛选上无可厚非，庞大的数据基础可以提升决策的效率。但算法的结果未必没有偏差。2017年MIT Technology Review的文章曾指出： 在机器学习和人工智能发展的关键时刻，算法偏差正在成为一个重大的社会问题。如果算法结果中隐藏的偏见导致了越来越重要的决策不被承认、不受控制，它可能会产生严重的负面后果，尤其是对较贫穷的社区和少数群体。最终的抗议可能会阻碍一项非常有用的技术的进步。 人民大学的博士后研究员雷震文也对算法偏见表示： 算法虽以符号和程式为表现形但其本身却并非是完全客观和中立的。一方面，算法在本质上是“以数学方式或者计算机代码表达的意见”，包括其设计、目的、成功标准、数据使用等等都是设计者、开发者的主观选择。另一方面，算法决策的基本原理在于“以过去的数据预测未来的趋势”。而数据的有效性、准确性，也会影响整个算法决策和预测的准确性。 对于算法可能产生的偏差，Gary回应道：“人们在招聘过程中也存在偏见，这是因为个体获取的信息是有限的。而数据算法为招聘人员提供了充足的信息和洞见，弥补了招聘人员可能因不了解某些技能或公司而产生的误差，从而大幅增加合格候选人的数量。” 该公司表示，产品的筛选机制将消除任何潜在的人类偏见，使其完成符合平等就业机会委员会的规定，年龄、性别、种族、宗教、残疾等都不会成为算法的参考标准。消除人们固有的成见，使人事决策变得不那么“私人化”固然有可取之处，但前提是决策系统本身不受这些偏见的影响。对算法的监督和修正，必然成为算法运行的重中之重。
|
|
|
