_______________________________

与公共就业部门一样，许多中小型招聘公司同样面临着资源紧张的问题，他们急需一个自动化的解决方案来执行卓越的候选人搜索和匹配，以便将更多的精力集中在一小部分符合职位空缺的候选人身上。因此，我们也会收到招聘机构的请求。这些机构是特定行业的龙头招聘公司，专门为全球客户提供高级管理职位或技术人才。凭借JANZZ的创新技术和完全可定制的解决方案，JANZZ.job能为中小型招聘公司量身定制方案，帮助他们将业务提升到一个更高的水平。他们将从以下方面受益

• 通过推出一个现代化的强大平台来促进业务的快速发展。
• 完全个性化的品牌体验，包括商业标识、颜色和电子邮件模板。
• 基于流量的成本生成模式，实现收益最大化。
• 超过40种语言的实时工作匹配等。

_______________________________

 

 

[1] Ines Böschen, Dr.Ramona Alt, Annabelle Krause, Dr. Ulf Rinne and Prof. Dr. Klaus F. Zimmermann. 2012. Pilot project ‘Depersonalised application procedures’. URL: https://www.antidiskriminierungsstelle.de/SharedDocs/Downloads/DE/publikationen/AnonymBewerbung/Kurzfassung-Abschlussbericht-anonym-kurz_englisch.pdf?__blob=publicationFile&v=4

[2] Eva Heinimann and Ralf Margreiter. 2008. Anonyme Bewerbung: Ein Zürcher Pilotprojekt für mehr Chancengleichheit und innovative Lehrlingsselektion. URL: https://www.panorama.ch/pdf/bba4814b.pdf

在撰写招聘信息时，许多招聘方都在绞尽脑汁表达和传递他们对某一职位最为看重的技能，这也导致在招聘信息中使用的词汇千差万别。如今，随着(X)AI自动化为招聘流程带来新的可能性，很多定位全球的招聘机构或人力资源部门都想知道，AI是否可以为他们提供这样一个快速的解决方案，即为特定职业生成一个万能的全球技能档案。由于许多招聘门户网站都是基于关键词匹配，而在全球劳动力市场参与者之间缺乏共同语言和词汇，因而使得求职者和招聘方因词汇不同而错失机会。这样的情况固然可惜，但基于AI的自动化系统又难以生成别具一格的招聘广告以帮助不同的招聘方吸引人才。要解决这个两难问题，可以通过采用语义技术。语义技术可以很好地将众多的语言差异转化为通用的词汇，极大地提高求职者与招聘方的匹配度。然而，虽然这种技术可以生成标准化的词汇，但这并不意味着可以生成标准化的招聘技能档案。接下来，我们将用数据证明这样的全球技能档案是否存在。在全球各地的招聘信息中，是否有足够的共同点来为某一职业定义标准的技能组合？甚至这事儿在同一个国家能办到吗？

JANZZ多年来分析了数以百万计的招聘信息来研究这些问题。为了说明我们的发现，让我们来探讨一下木匠和护士这两个经典职业的技能概况。我们从两个语言地区（英语和德语）的五个国家（美国，英国，瑞士，德国和奥地利）随机抽取了关于这两个职业各约250条招聘信息。我们的评估结果显示，即使是像护士这样受严格监管的职业，各个岗位所要求的技能也存在很大的差异。

技能可以定义工作。但谁来定义技能？一个国家的企业与另一个国家的同类企业所要找的人可能不一样，因为技能不仅取决于某个具体工作，还取决于文化或管理因素、教育制度和其他许多方面。事实上，在一个国家，可能需要几个具有不同技能的人去做一项工作，而在另一个国家，可能只需要一个人就能完全胜任。即使在同一地区，也可以看到技能状况的巨大差异，因为不同的企业在市场上的定位不同。这不仅体现在对专业技能的不同需求上，而且体现在所需的软技能上，这可能反映出公司的理念、团队的活力或客户的期望。

教育和工作经验的影响

让我们仔细看看木工。德国、奥地利和瑞士都实行双轨制教育，学生可以在给定的职业清单中选择一个职业接受学徒培训，这其中就包括木工。木工学徒培训中所教授的精准（硬）技能和理论，包括基础培训后可以选择的几个专业培训都有严格的规定和国家标准。凡是想接受木匠培训的人，在以上国家除了走职业培训这条路，几乎别无选择。英国最近实施了全面修订的学徒制结构，为越来越多的职业制定了国家标准，并正在制定鼓励雇主雇用学徒的措施。然而，尽管某些职业存在学徒制，但对想要从事这些事业的人来说，都有另一种途径，即通过大学教育，走大学这条路被广泛接受。此外，由于这一改革还很新，相关职业的大多从业者还没有完成学徒期。

美国在这方面处于另一端。学徒制确实存在，但美国没有一套统一的标准，在设计学徒计划时可以对所有雇主起到统一规范的作用。这使得雇主很难评估未来员工的培训情况，这可能是除缺乏这类培训的传统之外，学徒制在美国仍然没有像在欧洲那样普及的原因之一。这同样反映在人均学徒的数量上：在英国、德国和奥地利，目前约有2%的适龄劳动人口在接受学徒培训，在瑞士则接近于4%，是美国的10倍以上，美国的学徒比例还不到0.3% 。1）然而，这与工作岗位的技能要求有什么关系呢？我们观察到的一个方面是，在实行标准化培训的国家里，相比于工作经验，职业教育受到的重视程度要高得多。只要简单统计一下招聘信息中罗列的这些标准，就可以看出这一点。

教育和经验 – 木工

外环：木匠招聘信息中指定要求的百分比。

内圈：招聘信息中至少列出经验和学历一项标准的百分比。

中心：图表中心的数字是经验要求与学历要求的比例。因此，高于1的数字表示对经验的需求大于对学历的需求，反之，低于1的数字表示对经验的需求小于对学历的需求。

 

我们可以明显的看到，如果你完成了学徒期，你同时也具备了工作经验。而如果很少有人完成学徒期，那么雇主就会要求提供工作经验来代替。我们对护士的数据分析也证实了这一点。这个职业在这五个国家都受到了高度的监管，需要按照预先确定的国家标准进行培训（实践和理论），并有特定的可选专业。在所有五个国家中，与教育相比，对工作经验的需求明显较少（见下图）。我们还看到，在木匠的岗位招聘中，美国更多的是明确提及工具经验。这也可能是由于缺乏标准化的培训，因而在美国，给出了对工具方面的经验要求。

教育和经验 – 护士

外环：护士招聘信息中指定要求的百分比。

内环：招聘信息中至少列出经验和学历一项标准的百分比。

中心：图表中心的数字是经验要求与学历要求的比例。因此，高于1的数字表示对经验的需求大于对学历的需求，反之，低于1的数字表示对经验的需求小于对学历的需求。

 

接下来让我们看看关于木匠的工艺技能，即与该行业直接相关的硬技能，我们看到所有类别都存在明显差异。在英国和美国，对技能的要求分散在木工的各个领域，从一般的建筑和室内装修到其他行业的附加技能，而在德奥瑞，更看重的是木工的一般技能，很少提到具体技能。一个经过全面培训的木匠通常比在工作中学习的木匠具有更多样的技能，因此可以从事更广泛的工作，这一点毋庸置疑。相比之下，在培训不太规范的国家，木匠往往只能从事工作某一两项具体工作。值得注意的是，除了覆膜，在我们的数据中，美国和英国没有对制作技艺提出更多的需求。而这类知识对熟练的木工来说是非常特殊的，并且只有在五分之一的德奥瑞职位中明确提出。另一方面，我们看到美国和英国对某些行业的技能要求，在德奥瑞中几乎不存在。如果我们考虑到受过专业培训的木匠不太可能学到其他行业的技能，而在工作中学习的木匠容易掌握其他行业的相关技能，那么这种情况就很容易被解释了。

护士的情况同样如此：所有五个国家普遍很少提到专业技能，尤其是很少提出详细的具体技能，每个国家的招聘信息中只有4%到10%提出了详细的具体技能。这一技能类别的重点主要是专业和额外任务，这不是标准培训和/或经验的一部分。

区域差异

还有其他一些因素也会影响技能状况。例如，在英国，软技能在木工行业似乎并不重要：在英国，少于一半的招聘信息要求有任何软技能，而在美国，这一比例为76%，在德奥瑞，这一比例约为90%。在美国，对软技能要求最高的3项技能分别是体能、灵活性和能否加班、团队合作（由高到低）。相比之下，德奥瑞的前3项技能是团队合作、无需监督的工作和可靠性。由此可见，美国的雇主通常在寻找与德奥瑞完全不同的工人。

有趣的是，在护士软技能方面也存在显著差异：在德奥瑞，每一个招聘信息都要求至少有一项软技能，中位数为5项，而在美国和英国，只有70%和80%的招聘信息要求有软技能，中位数分别为1项（美国）和3项（英国）。在瑞士，排名前三的软技能是团队合作（48%）、责任心（46%）和在没有监督的情况下工作（44%）。在英国，排名前三的是沟通技巧、有爱心的人格和积极性–但要求要低得多（分别为40%、26%和26%）。同样，我们在不同国家看到了截然不同的标准。

另一个需要考虑的方面是监管事项和安全标准。在美国和英国，雇主明确要求求职者了解安全标准(OHSA和HSE/CSCS卡)，而且相当一部分人希望应聘者拥有自己的工具。这在德奥瑞完全看不到，这可能是源于教育和监管的差异。同样，在美国的招聘信息中，有四分之三的招聘信息明确要求护士具备BLS或类似的认证，而在其他四个国家，这些认证是标准培训的一部分，因此没有提及。

企业/行业特有的差异

回到开篇提出的问题，假设我们还想创建一个标准的技能档案。最简单的策略是将至少一个招聘信息中的所有标准都罗列出来。使用我们对木匠的数据，这将生成一张103项要求的列表，而其中大部分要求与个别职位空缺毫无关联：平均而言，每个职位空缺列出7项技能要求，个别数据从2到21不等。对于护士来说，我们将有94项要求，平均每个职位有8项技能要求，范围在1到16之间。

另一个可以考虑的策略是寻找一个共同的分母，例如，找出每个国家至少25%的招聘信息所要求的所有技能。如上图数据所示，这样一来，我们对木匠的要求就只有两个：工作经验（时间长短不详）和驾照。大多数招聘者都会觉得这是不可接受的。在瑞士，完成学徒期是绝大多数工作岗位的必备条件，而在德国，大多数情况下驾照并不是一项要求。因此，这样的要求在一个国家会招致许多不合适的候选人，而在另一个国家则会导致候选人太少，错过许多机会。

按照同样的策略，对护士的要求也只得到两个：护理证书和工作经验（任何专业）。没有一项软技能被列出，而事实上人们非常强调软技能，至少有70%的招聘信息要求具备这类技能。此外，德国有四分之三的招聘信息不要求工作经验。同样，这将导致应聘者与职位空缺严重不匹配。

让我们对一个国家，比如说瑞士，采取25%的策略。我们对护士的标准技能要求如下。

• 护理证书
• 工作经验
• 护理工作
• 电脑技术
• 负责任
• 抗压
• 沟通技巧
• 同理心
• 社交能力
• 团队合作
• 专业能力
• 弹性和加班
• 能独当一面

乍一看，这似乎可以接受。然而，近70%的瑞士招聘信息要求的是一般护理工作以外的专业技能，一半以上的招聘信息要求的是护士基础培训中没有的专业知识。这意味着，现在每一个单独的招聘信息都需要根据具体的职位空缺进行微调。

对于美国的木匠，我们也会遇到这样的问题。我们的策略会生成以下技能档案。

• 工作经验
• 工具的经验
• 橱柜和家具
• 门窗
• 团队合作
• 弹性和加班
• 体能
• 执行力
• 数学技能
• 安全实践知识
• 驾照

如前所述，这乍一看似乎足够了。然而，专注于硬技能，一个熟练掌握橱柜和家具或门窗的工人可能没有干墙、屋顶木工或其他建筑结构的经验，因为这需要不同的技能组合。另外，有足足80%的招聘信息要求的是我们简介中所列的硬技能以外的技能，60%的招聘信息要求的是其他软技能。

同样，在奥地利的标准化技能档案中，唯一列出的硬技能是装配和安装。然而，许多木工工作根本不涉及装配和安装，比如在奥地利的招聘信息中，有十分之七的招聘信息需要制作技艺。在这个国家，制作技艺是在不同专业的学徒中学习的，因此，一般的装配工/安装工不会具备相关技能。

回到原点

以上可以说是基本的策略，而基于人工智能的复杂方法可能会带来稍好的结果。然而，从我们分析中发现的关键问题仍未解决：由于国家和地区的差异，以及不同行业甚至个别企业内部对职位的不同要求，存在着巨大的差异。我们的数据显示，因此，任何全球定义的核心特征都必须适应国家（如适应教育、监管和文化因素），然后适应行业（建筑业、制造业等），适应单个企业（如公司文化），最后适应单个职位。这就又回到了个人的工作岗位上。因此，一个标准的技能档案根本不存在。

下载 PDF

1) 根据经合组织和国家统计局的数字自行计算。

 

数字化，自动化和人工智能要求技能不断变化和升级，这对当今的就业市场构成了巨大威胁。但是，劳动力市场某些技能的缺失，并不能和技术进步直接画上等号，而是因为这些职业失去了吸引力。这尤其表现在空缺数量异常多或长时间空缺的职位。

 

根据瑞士技能短缺指数的解释，“如果职位空缺数量多于求职者数量，就存在技能短缺”。去年，德科集团（Adecco）将其瑞士就业市场指数中招聘广告的数量与职位空缺和就业市场统计信息系统（AVAM）中求职者注册人数进行了比较，从而得出了2019年瑞士技能短缺排名。

与往年一样，工程师再次成为2019年最受瑞士雇主青睐的职业，这包括结构工程师和电子工程师。技术职业，信托和IT专业紧随其后。该排名进一步指出，与2016年进行的首次评估相比，2019年瑞士技能短缺高出22％。 [1]

造成技能短缺的原因很多也很复杂。我们认为，由技术创新引起的对技能要求的快速变化是技能失配和短缺的最大原因之一。同样，瀚纳仕（Hays）2019/20年全球技能指数报告显示，自2012年该指数推出以来，今年人才的不匹配率达到最高，他们同样认为技术发展是这一结果的主要因素之一[2]。

对企业而言，由于担心人才短缺对其商业成功可能造成的威胁，他们积极地通过提高现有员工的技能，投资培训，鼓励终身学习和提高退休年龄等对策来为新技术做准备。毫无疑问，在整个职业生涯中不断提高技能水平将成为新常态，但这真的是解决技能短缺的关键吗？如果是这样，为什么如今情况看起来好像朝相反的方向发展呢？

另一份由瑞士在线就业门户网站和苏黎世应用科学大学（ZHAW）发布的报告或许为我们进一步了解瑞士就业市场提供了数据。该报告将100,000多个招聘广告与瑞士招聘门户网站上的点击次数进行了比较，从而以更直接的方式揭示了人们对特定职位的兴趣。

在瑞士德语区，与行政，人事，咨询，销售和客户服务，市场营销，传媒和执行董事会等职位招聘广告投放数量相比，其获得的兴趣（点击量）更多。而生产，电信，建筑或护理等领域的职位获得的兴趣（点击量）相对招聘广告投放数量更少。 [3] 这表明，在选择职业时，经济激励和社会认可对人们而言变得越来越重要。

去年，瑞士有6000多个专业护理职位缺口，这个数字与五年前相比翻了一番[4]。据瑞士医疗保健劳动力供求报告显示，直到2025年，护理人员毕业人数仅能满足需求的56％[5]。这显然已不仅仅关乎技能再造和提升，而是如何鼓励更多的人，尤其是年轻人去从事如今冷门的工种。证据表明，由于工作条件恶劣（例如，收入少，工作时间长，压力大等），很大一部分年轻人在学徒期后或仅仅加入工作几年后就转行了。这些职业还包括育儿，酒店，餐饮服务和技工。

今天，大家都在谈论自动化，数字化，人工智能，技能提升和再培训。我们必须记住，仍有许多工作不太可能被自动化，但对我们的日常生活至关重要。然而这些工作正在逐渐失去吸引力。对于政府和教育系统而言，如今采取行动提高认识并促进此类职业的发展尤为重要。正如《经合组织2019年就业展望》所写，“工作的未来掌握在我们手中，将在很大程度上取决于各国的政策决定。”

近十年来，JANZZ.technology一直在观察并与全球许多劳动力市场合作。我们的最新产品JANZZdashboard！创建透明，易于理解的劳动力市场差距分析。这将有助于政府即时了解劳动力市场信息，如哪些技能过剩，哪些技能需要重新培训。如要了解有关我们解决方案的更多信息，请立即写信至sales@janzz.technology

 

 

 

[1] Spring. 2019. Swiss skills shortage index 2019. URL: https://www.swissinfo.ch/resource/blob/45398900/860c466e7be6e615ba922c24c9edf5ee/adecco-study-data.pdf [21.01.2020]

[2] Rachel Muller-Heyndyk. 2019. New technology causing skills gaps and stagnant wages. URL : https://hrmagazine.co.uk/article-details/new-technology-causing-skills-gaps-and-stagnant-wages [21.01.2020]

[3] Robert Mayer. 2019. Die meisten Stelleninserate, die geringste Nachfrage. URL : https://www.tagesanzeiger.ch/wirtschaft/in-diesen-berufen-herrscht-ein-mangel-an-fachkraeften/story/18953945 [21.01.2020]

[4] Albert Steck. 2019. Offene Stellen auf Höchststand. URL: http://jobs.nzz.ch/news/6/arbeitswelt/artikel/421/offene-stellen-auf-hochststand [21.01.2020]

[5] Veronica DeVore. 2016. When caring for patients gets competitive. URL : https://www.swissinfo.ch/eng/showing-off-skills_when-caring-for-patients-gets-competitive/42524090 [21.01.2020]

 

 

 

 

 

 

毫无疑问，人工智能（AI）将改变世界。它正在深刻地变革着诸如制造业，金融科技，医疗保健，汽车等众多行业，并在经济上推动巨大价值。但是，相比财务和市场部门从业者在AI技术使用中取得的巨大成功，人力资源从业者（HR）常常感到困惑：为什么同样的技术到他们这里就不太管用了呢？

Prasanna Tambe，Peter Cappelli和Valery Yakubovich在他们的研究中回答了这个问题：“在构建基于AI的系统时，HR部门自身存在系统性和结构性差异，使得AI技术运用变得更加困难。” [1] 由于大数据和AI运用方式在人力资源和就业领域的质量和解释力有限，目前大数据和人工智仍然很难在这些领域发挥更大的作用。为了更好地理解这一点，我们需要了解人力资源管理（HRM）中基于数据科学的AI问题。

从数据科学层面看，人力资源AI实践面临三大挑战：首先，在衡量整个员工的生命周期中，缺乏一致和连贯的HR数据管理流程。例如，在确定“聘用哪位候选人”或选择“提拔哪位候选人”时，HR部门需要对决定性的标准和技能，以及候选人最终被录用或晋升的原因进行一致的检查和记录。

其二，人力资源管理数据生成受限。与市场营销、财务等能大量生成数据且易于采集的领域不同，人力资源管理中的数据采集在数量和质量上仍然面临着巨大的挑战。此外，在许多情况下，HRM的数据仍然是非结构化的，如纸质的、excel或pdf格式的，这是计算机难以处理的。

最后一个挑战来自与数据处理相关的道德问题。 由于人力资源决策的结果会对员工的职业生涯产生严重的影响，因此这当中的公平性和透明度极为重要。员工对仅仅基于某些数据驱动算法结果的接受度又如何？ 特斯拉的Morgan Hampton曾提出过一个很好的观点：“招聘应尽可能自动化，录用应保持人性化（Recruitment should be automated as much as possible, hiring should remain human）。”

结合以上几点，为了在人力资源管理中发挥AI的最大功效，HR经理人需要从以下几点入手：第一，人力资源经理需要创建一个适应于数字化和AI技术的HR流程。当前，AI技术只是集成到单独的HR任务中，如在招聘和人才获取，薪资管理和绩效管理，如何在人力资源实践中形成一个数据生成闭环协助AI的发展？或许以员工为中心的数据生成和管理模式不失为一种新的尝试。

在具体环节上，人力资源经理通常只保留他们感兴趣的简历，而把那些淘汰的简历扔掉。这样导致了单一维度的分析和结论[1] 。所有正反面标准都应该进行数据收集，并最终进行评估，以促进大数据模型和人工智能在人力资源场景的发展。

此外，数据生成方式应该是可持续的。例如，有些人工智能应用程序可以预测哪些员工即将辞职，有些应用甚至从员工的社交媒体或电子邮件中跟踪数据点[2]。如果员工意识到这样一个系统，他们很可能会改变自己的行为，故意产生误导性的数据。

去年，亚马逊人工智能招聘工具对女性的偏见证明了机器学习可以模仿人类的态度。然而，性别并不是造成歧视的唯一原因。年龄、国籍或种族等其它因素也可能产生负面影响，使公司无法进行包容性和多样化的招聘。人力资源经理应仔细收集具有代表性的数据样本，并寻找可解释的人工智能解决方案。

当前，在整个人力资源实践中还未能生成一套数据采集标准。这意味着人力资源经理必须与公司内部的IT部门或外部的人工智能供应商合作，确定要跟踪哪些数据以及如何测量这些数据，以便在公司内建立人工智能的最佳实践。

在JANZZ.technology，我们相信收集和构建数据是创建智能数据的基石。我们的解析工具从纸张、excel或pdf中提取正确的实体，确保从一开始就进行公平的端到端数据处理。您想知道更多关于我们的解析器的信息吗？我们如何帮助您完成智能化升级的旅程？请马上与我们联系sales@janzz.technology

[1]Prasanna Tambe, Peter Cappellli and Valery Yakubovich. 2019. Artificial intelligence in human resources management: Challenges and a path forward. URL:https://www.researchgate.net/profile/Peter_Cappelli/publication/328798021_Artificial_Intelligence_in_Human_Resources_Management_Challenges_and_a_Path_Forward/links/5c5edc7f299bf1d14cb7dc5f/Artificial-Intelligence-in-Human-Resources-Management-Challenges-and-a-Path-Forward.pdf [2019.10.20]

[2] Samantha Mclaren. 2019. Here’s how IBM predicts 95% of its turnover using data. URL:https://business.linkedin.com/talent-solutions/blog/artificial-intelligence/2019/IBM-predicts-95-percent-of-turnover-using-AI-and-data[2019.10.20]

在过去的十年里，由于大量生成的数据和不断增强的计算能力，机器学习（Machine Learning），特别是深度学习系统，取得了前所未有的突破。然而，盲目追求机器学习的成功，造成了我们过度容忍人工智能（AI）应用开发的过程。如今，越来越多的自治系统（autonomous system）导致机器缺乏解释其行为的能力。

由于大多数人工智能技术都是由私营公司开发，这些公司为了自身利益会确保他们的数据处理是保密的。此外，许多公司在人工智能技术中使用复杂的神经网络，他们甚至无法解释某些结果是如何得出的。

当然，如果这样的系统错误地预测了某些消费行为，那么后果可能不大。然而，如果这样的误判发生在自主车辆、医疗诊断、政策决策或者我们的工作匹配中，那又会怎样呢？相信在这样的情况下，我们很难盲目地信赖一个人工智能系统的决策过程。

今年年初，经济合作与发展组织（经合组织）提出了人工智能原则，旨在促进创新和可信赖的人工智能。在经合组织提出的五大原则中，其中一个原则更是明确指出，“围绕人工智能系统应该有透明度和负责任的披露，以确保人们了解基于人工智能的结果，并能够挑战他们。”[1]

可解释人工智能（Explainable AI）作为解决人工智能系统中“黑箱”决策问题的一种手段，最近在机器学习领域越来越多的被提及。如上所述，目前用于机器学习的大多数算法在如何和为什么做出决策方面都无法被人类理解。因此，很难诊断这些决策是否存在错误和偏见。这其中尤其包括深度学习神经网络方法的大多数流行算法。[2]

因此，包括经合组织在内的许多监管方都不断敦促企业增加可解释人工智能。在欧洲生效的《通用数据保护条例》规定，欧盟人民有权对任何算法决定进行“人工审查”。在美国，保险法促使公司对他们的决定做出详细说明，比如为什么拒绝为某一人群投保，或者为什么只向少数人群收取更高的保费。[3]

然而，当前的可解释人工智能也存在两个主要亟待解决的问题。首先，正确界定可解释人工智能的概念是一个挑战。用户应该意识到他们可以获取的关于人工智能应用知识的局限性。因为，如果企业别无选择，必须提供详细的解释，知识产权作为一个独特的卖点（Unique Selling Proposition）将会消失。[4]

第二个问题是绩效性和可解释性之间的权衡。我们是否需要对某些机器任务进行标准化，并对某些行业进行监管，迫使他们寻求透明的人工智能解决方案？即使这意味着扼杀了这些行业的开发潜力？

在JANZZ.technology，我们致力于向用户解释我们匹配候选人和职位的过程。我们独特的匹配软件抛开诸如性别、年龄或国籍等次要参数，使用真正重要的数据来寻找完美的候选人，比如技能、教育/培训、专业、经验等。

我们独特的匹配系统不单单给出一个最终匹配值，而是分解了所有评判标准，如功能、技能、语言和入职时间等。让用户对匹配结果有更充分的理解，并为员工再培训和技能提升提供参照。您想知道更多关于JANZZ.technology如何应用可解释人工智能解决方案的吗？请立即写信至 sales@janzz.technology

 

[1] OECD. 2019. OECD Principles on AI. URL :https://www.oecd.org/going-digital/ai/principles/ [2019.9.17].

[2] Ron Schmelzer. 2019. Understanding Explainable AI. URL: https://www.forbes.com/sites/cognitiveworld/2019/07/23/understanding-explainable-ai/#6b4882fa7c9e[2019.9.17].

[3] Jeremy Kahn. 2018. Artificial Intelligence Has Some Explaining to Do. URL: https://www.bloomberg.com/news/articles/2018-12-12/artificial-intelligence-has-some-explaining-to-do[2019.9.17].

[4] Rudina Seseri. 2018. The problem with ‘explainable AI’. URL: https://techcrunch.com/2018/06/14/the-problem-with-explainable-ai/[2019.9.17].