对人工智能的讨论显然已经成为一种现象：各种集会，大小会议和高校课堂里似乎都在谈论人工智能。各大媒体也不遗余力的用头条宣扬人工智能将会如何彻底改变我们的生活和工作方式。然而，人工智能产业也产生了大量的泡沫，许多学者们指出了这其中的危险。

 

过分夸大AI是危险的

不计其数的公司和政府组织以人工智能为噱头疯狂融资，人工智能初创公司轻松获得上亿美元的资本投资，然而，这些项目大多都是毫无经济可持续性的，严重浪费了社会资源。对于许多中国企业动辄蹭人工智能的现象，王飞跃在今年6月举行的IEEE SMC学会上指出了其危险性，他说这将导致“能做的人没有机会和资源，不该做的人浪费了资源，根本不想做，只是想圈更多的钱”[1]。 对于人工智能的过度宣传已经偏离了事实本身，造成人工智能无所不能的假象。JANZZ科技在之前的文章中探讨过该问题，我们认为大多数关于大数据和人工智能的宣传仅仅是公司的自我营销，而非关于技术的真正进步。如果您对此感兴趣，请点击 https://janzz.technology/even-ado-nothing-hype-big-data-ai-often-self-marketing-facts-real-progress/

 

AI 究竟是什么 

斯坦福大学计算机科学系和电子工程系副教授，人工智能实验室主任吴恩达指出，大众混淆了通用人工智能或叫强人工智能（Artificial General Intelligence，AGI）和应用人工智能或叫弱人工智能（applied AI，specialised AI），仅仅用人工智能AI来指代这两者。通用人工智能研究的是如何让机器达到人类智慧，这一直是科幻电影和小说里不断出现的主题，然而在这个领域研究还非常有限，离最终目标还十分遥远。目前大家谈论得更多的是应用人工智能，例如机器学习，计算机视觉和自然语处理等。应用人工智能才是第四次工业革命的推动力，它已经在多个领域产生了经济效益，并持续的推动各个产业的改革。[2]

虽然人工智能已经影响了许多的产业，例如网络搜索，金融，物流，电子商务，媒体等等，但是目前投入实际应用的AI类型还很有限。吴恩达说，当前几乎所有的AI进展都是基于一个简单的A （输入数据）到B（简单回应）模型，这个学习模型被称为监督式学习。举一些例子来解释这个模型就是：输入几幅不同的图片（A），计算机软件会告诉你这些图片里哪里出现了猫（B）；输入广告和用户信息（A），软件会告诉你用户是否会点击该广告（B）。目前对于这个A到B模型的开发最为成功的便是深度学习或叫神经网络技术，灵感来源于人类的大脑。为了确保这个模型的质量，两个因素至关重要。一个是要慎重选取A和B，并提供大量的数据来理清A到B的关系；另一个关键因素是神经网络的大小——神经网络越大，A到B的关系越准确。 [2]

 

AI 在商业上的应用

现在我们了解了AI究竟是什么，接下来我们看看AI在当下的商业环境中的运用。也许大多数人会认为只有那些人力财力雄厚的大公司才能享受人工智能带来的变革，其实不然，接下来这个例子就展现了AI在微小企业中的运用。富士通和微软共同为日本的奶农出谋划策，以找到为奶牛进行人工授精的最佳时机。对于奶农们来说，找准时机至关重要，因为哪怕是几小时的差错，就会造成授精失败，又不得不等上一个月的时间。在和奶农们沟通后，他们了解到奶牛在发情期会增加走动，为此他们引入AI技术对奶牛的活动进行检测并分析得到的数据，最终在AI的帮助下授精成功率提高到了95%。[3]

成功的商业案例告诉我们，AI的运用绝非变魔术这般神奇。当然，和这里提到的案例相比，有许多更高大上的项目，但是其本质是相同的，“AI运行数据，公司需要知道他们拥有什么样的数据，他们可以访问哪些数据或者他们可以与其它哪些数据库合并，然后进行推理并深究这里面的关联”[3]。因此“将人工智能纳入公司战略需要有远见的领导，去识别人工智能的价值，并找出自身商业价值以及难以复制的环节”[4]。诚然，没有哪家公司可以在所有的部门都插入人工智能团队，同样，如果不是因为特定的业务需要，公司也没有必要在内部建构所有的AI模型，购买行业内广泛使用的决绝方案也不失为一种办法。 [2]

JANZZ科技为企业提供智能人力资源解决方案，为公共就业服务提供劳动力市场解决方案。 自2009年成立以来，我们就已经意识到确保监督学习和深度学习成功性的重要因素。 在过去的九年中，JANZZ科技一直在不断建立世界上最大的职业相关神经数据网络，迄今为止这个网络已达到3亿个神经节点。 我们独特的算法经过来自合作伙伴的大量数据的训练，我们的合作伙伴来自大型跨国公司和各国公共就业服务部门，并且我们的解决方案能够提供40种语言的服务。 我们强烈建议客户收集结构化和有效的数据，以获得最满意的匹配结果。

请马上与我们联系  sales@janzz.technology

 

[1] 周超臣. 2018. 给人工智能祛魅. URL: https://www.huxiu.com/article/247345.html [2018.10.31.].

[2] 新工作峰会. 2018. Power Lines with Andrew Ng C.E.O. and Founder, Landing.ai; and Adjunct Professor, Stanford University [视频文件]. URL: https://www.youtube.com/watch?v=YXx4b8g3tIg [2018.10.31.].

[3] 新工作峰会. 2018. The AI Accelerater with Peggy Johnson, E.V.P. of Business Development, Microsoft and Frank Chen, Partner, Andreessen Horowitz [视频文件]. URL: https://www.youtube.com/watch?v=YXx4b8g3tIg [2018.10.31.].

[4] 吴恩达. 2016. What artificial intelligence can and can’t do right now. URL: https://hbr.org/2016/11/what-artificial-intelligence-can-and-cant-do-right-now [2018.10.31.].

近日上海发布了企业技能人才市场工资价位，这是上海市人社局继去年首次发布企业技能人才市场工资价位后，再次发布相关报告。其目的是为了营造全社会崇尚技能，尊重技能人才的良好气氛。从这份报告中我们看到，技能人才工资高于上海市平均工资水平，技能等级越高，工资也越高。不同行业比较中，交通运输业和制造业技能工人工资较高。同行业中，住宿餐饮，批发零售和居民服务等技能人才工资高于平均水平。且技能人才工资高于文秘，后勤管理，办事员等一般管理岗位。这份报告无疑给广大家长和学生朋友们传递出一个讯息，如今技能人才前途一片大好，你是否也考虑一下去读职业学校？从好的方面来看，中国开始重视职业教育并引导人民群众从事技能职业，但仅仅靠工资来做诱饵，够吗？

职业教育现状与困境

根据中华人民共和国教育部发布的数据，从2008年到2017年，公办和民办中等职业学校数量逐年递减，减幅分别达到30%和36% 。同样，中等职业学校学生人数也呈现下降趋势，过去的五年中减幅达到27%。2017年高中阶段学生的构成中，普通高中人数的比例为59.8%，而中等职业教育（包括中专，职高和技校）人数比例为36.9%，其中职业高中人数比例自2009年一直持续下滑。

从就业方面来看，城市化进程加快，大量农村劳动力涌入城市，加剧了就业市场竞争。由于高校扩招，接受高等教育的学生人数增加，大批拥有高学历的人却从事低技能工作，加之企业越来越看重学历因素，导致“人才高消费”现象越演越烈，使得职业技术院校毕业生就业情况越发严峻。如果这些被看作是加剧职业技术院校毕业生就业形势的外在因素，生源质量下降和人才输出不对口等内在因素则是造成就业难的主要原因。由于大众对职业教育的不信任和初高中学校追求升学率，只有那些考不上高中或大学的学生主动或被动的选择了职业教育。同时，但凡进入了职业学院，绝大多数的学生只能获得较低的文凭且少有机会能够继续深造，这使得那些有学习能力和钻研技能的学生望而却步。[1] 许多职业技术院校还停留在重理论轻实践的层面上，学生在学习过程中很少有机会真正接触实际操作，导致学生毕业后达不到用人单位的要求，企业往往还要进行再培训，加大了企业的用人成本。[2]

瑞士职业教育模式

在国际上，德国，瑞士和奥地利的职业教育培训备受赞许，许多国家也试图效仿。我们以瑞士职业教育为例，针对中国职业学校生源质量下降和人才输出不对口问题看看能否找到一些答案。在瑞士只有20%-30%的学生就读于普通高中，超过三分之二的学生进入职业培训。这样的比例不仅保障了高校的教学质量和研究水平，也避免了上述提到的高学历从事低技能的问题。瑞士全国除了12所普通大学以外还有多所科技应用类大学（Universities of Applied Sciences）, 科技应用大学专门为那些想继续深造的职业教育学生提供机会。这一类的科技应用大学除了提供本科文凭也提供某些领域的研究生文凭，并且科技应用大学的文凭和普通大学文凭受到同样的认可。从事职业培训道路的学生可以选择工作几年后再继续读书深造，许多科技应用大学也提供边工边读的模式。

瑞士职业教育的最大特点是实践和理论相结合的“双轨制”及“学徒制”教育。学生一周固定几天在学校学习理论，其余时间在公司实战，甚至在公司工作的时间多于在学校学习的时间，如此保障了学生的技能和公司的需求相结合。除此之外，由于职业教育学生早一步进入社会累积工作经验，从而缓解了毕业季的就业压力，降低了年轻人的失业率。但在瑞士备受推崇的“学徒制”到了其他国家也会水土不服。例如意大利和英国在推行“学徒制”时就困难重重。[4] 究其原因，瑞士有较长的实行“学徒制”的历史，许多大公司的高层和政治人物也是从学徒工一步步干上来的，这无疑增加了其认可度和接受度。

现代学徒制在中国已经试点了三年多时间，试点单位也逐年扩大，但同样问题重重。首先，学校和企业双管教育中，企业处于无决定权和无利益的角色，从而导致企业参与感不强。其次，由于中国工商企业整体水平较低，无法提供大量高质量培训岗位，低技能流水线岗位成为主要培训岗位，学生无法真正得到技能培训。综合上述职业技术学校生源问题，中国职业教育改革任重而道远。[3] JANZZ科技长期深入地和多个国家的公共就业服务部以及各大公司人力资源部门合作并为其提供咨询，我们的产品能更快速有效的帮助公共就业部门预测就业发展趋势和未来技能需求，来应对教育系统的课程设置和技能培训，以达到市场需求和人才供应的匹配。

请马上与我们联系sales@janzz.technology

 

 

[1] 孟富涛. 2018. 当前职业教育发展存在的问题及建议. URL：http://www.xdjjxx.com/zazhi/jjxx/whsy/2018/0425/8351.html  [2018.10.15]

[2] 张骞. 2017. 浅谈中国职业教育的现状与对策. URL : http://www.fx361.com/page/2017/0927/2314933.shtml [2018.10.15]

[3] 郝倩. 2017. 工匠精神之学徒制：为什么“学徒制”可成为国家竞争力 URL: http://finance.sina.com.cn/zl/international/2017-01-03/zl-ifxzczff3542625.shtml [2018.10.15]

[4] 职教部落联盟. 2017. 职业教育载不动现代学徒制. URL: http://www.sohu.com/a/199524876_489512 [2018.10.15]

每个人都在谈论数字化：“我们现在需要为数字化做好准备”；“我们要进行数字化学习”。你总会从公司、媒体，甚至是公司食堂里坐在你旁边那个人那里听到这样的言论。就连各国政治家们也在采取了行动：美国采用“数字政府战略”，波兰为数字化设立了整个部。德国议会有一位首席协调员和一位国家数字事务部长，连每个部门都有自己的数字部门。

这让我们相信，从现在开始技术技能将是起到决定性作用的技能，每个人都应该迅速行动起来：编码，CRM和ERP课程比领导力或语言培训来得更重要。即便是小学生也该成为IT天才以确保以后的职业发展道路。“如果你拥有一长串的硬技能，无疑每个用人单位都会要你—从而打通你上升的通道。”

为什么就连Google也不再看重硬技能

当最受欢迎的雇主之一Google发现情况其实并不是上诉这样的时候，大家都蒙了。科技巨头Google研究了其最成功的员工和管理人员。想看看他们有什么特别之处，是不是有什么成为最佳员工的共同技能。结果不仅让公司感到惊讶，也让人力资源部的员工普遍感到惊讶。一些假设能确保事业成功的技能，如数学，编码等技术和科学技能最终排在了最后一位。然而社交领域的技能被认为是更重要的成功技能。因此，被测员工在沟通，指导和听力技巧方面表现出明显的能力。 此外，同样重要的包括换位思考及富有同情心。 最后，研究表明，候选人能够批判性地检查关系是至关重要的。 世界各地的教育机构都认为，劳动力市场上的人文教育被大大低估了。 [1]

 

2030年我们需要什么技能?

上述调查结果也得到了德勤审计公司的一项研究证实。德勤特别考察了对到2030年的新兴工作具有决定性作用的能力。研究指出，虽然在自动化的鼎盛时期需要数学高超的人才，但从长远来看，创造力、社交和情绪智力将是更耐用的技能。一方面，服务产业将会快速增长，上诉技能在这个行业里尤其需要。另一方面，社交能力也为自动化提供直接保护，因为在创造力和社交智能方面，人们比机器和软件具有明显的优势。同样被需要的有交流和语言技巧，以及创造力和思想的流动。 [2]那个众所周知的说法“跳出固有思维模式”看来是正确的。例如，设想一个项目经理，他能出色地为他的项目分配预算，却无法真正理解客户面临的问题。

 

我们不公平地评价学位吗？

软件行业白手起家的美国亿万富翁Mark Cuban，在2017年简明扼要地说：“我会做出预测，十年后，哲学人文学位将比传统编程学位更有价值。“根据Cuban的说法，机器将能够为我们计算和编程，因此他预测 ”如何进行批判性思考并以全球视角进行评估将比我们今天看到的一些诸如编程师或注册会计师等令人兴奋的职业更有价值。” [3]

现在的问题是我们如何在教育方面处理这些发现。我们要如何教育年轻人才能让他们在2030年获得真正的成功和幸福？如果你认为现在搞技术的爸爸们主要致力于孩子技术技能的发展，那么你错了。例如，在盖茨家中，孩子们只能在厨房里用电脑，而且家里根本没有智能手机。对马克·扎克伯格而言，他的孩子们在阅读和户外活动上花费的时间更为重要。 [4] 同样，阿里巴巴集团创始人马云在一次演讲中说：“我告诉我的儿子：’你不需要在班上排在前三位，只要不太差，中间就好了。只有这样的人[中间的学生]有足够的空闲和时间来学习其他技能’。我认为，如果中国经济想要发展，它需要很多中小企业和个体经营的公司，而这需要很多有价值和驱动力的企业家“。 [5]

这些话可以描述史蒂夫乔布斯的生活。 作为父亲他的行为有很多相似之处。 伟大的科技企业家是否知道他们的社交技能在他们的成功之路中发挥并将继续发挥决定性作用？ 至少乔布斯总是被认为缺乏这个领域的技能，但各种心理学分析表明，这个男人明确地知道他何时想要使用情商而何时不想。 毕竟，他的许多员工是因为他才不断的改变苹果公司并且当初他的很多员工也是和他一起离职– 因此，他似乎很能够暗地里激励和鼓舞他们。[6]

 

同样，对于工作匹配软技能也十分重要

即使我们发现自己处于技术敏感时期，我们也不应低估软技能，因为良好的软技能有助于你在每个工作领域的发挥。 我们可以肯定，2030年以后社交和情商将继续决定你是否成功就业。在JANZZ，我们知道软技能对于人与工作的良好匹配有多么重要，正是这些技能决定了申请人是否 能真正丰富团队和公司。 我们的特殊匹配算法不仅考虑了职称和培训，还考虑了许多小细节。 类似于软技能等的细节最终决定招聘的质量。 这样做，我们可以保证一种完美匹配的方法，且该方法来自关于员工招聘的最新发现。 我们很乐意为您提供有关最佳匹配算法的更多信息，并为您提供良好匹配的建议。

请给我们来件 sales@janzz.technology

 

 

[1] Strauss, Valerie. 2017. The surprising thing Google learned about its employees — and what it means for today’s students. URL: https://www.washingtonpost.com/news/answer-sheet/wp/2017/12/20/the-surprising-thing-google-learned-about-its-employees-and-what-it-means-for-todays-students/?noredirect=on&utm_term=.d4cfd1f9cd76 [2018.09.15].

[2] Deloitte AG (Hrsg.). 2017. Welche Schlüsselkompetenzen braucht es im digitalen Zeitalter? Auswirkungen der Automatisierung auf die Mitarbeiter, die Unternehmen und das Bildungssystem. URL: https://www2.deloitte.com/content/dam/Deloitte/ch/Documents/innovation/ch-de-innovation-automation-competencies.pdf [2018.09.15].

[3] Watson, Christine. 2018. RecTech is creating more – not less – need for the human touch. URL:  https://www.daxtra.com/2018/08/03/rectech-creating-more-need-for-human-touch/ [2018.09.15].

[4] Johnson, Alice. 四月, 7号, 2018. Viewpoint: Tech billionaire parenting. 来自于: The Times. New York City.

[5] Custer, C. 2015. 马云: ‘What I told my son about education’. URL: https://www.techinasia.com/jack-ma-what-told-son-education [2018.09.15].

[6] Bariso, Justin. 2018. Was Steve Jobs Emotionally Intelligent? The Answer May Surprise You.  来自于: Inc. URL: https://www.inc.com/justin-bariso/was-steve-jobs-emotionally-intelligent-answer-may-surprise-you.html [2018.09.15].

人类每两天产生的数据量就等同于从文明开始到2003年产生的数据总量。这个惊人的统计数据是由谷歌前首席执行官Eric Schmidt最早提出的。尽管大规模数据处理并不是什么新鲜事，但围绕着“大数据”的炒作是最近几年才火的。[1] 然而，在这个不断增长的数据丛林中，许多人很快就迷失了方向，特别是在数据处理方法这个问题上。

 

无法计算巧合…

…因为正如Gerd Antes在接受Tagesanzeiger采访时说的一样，“更多的数据并不意味着更多的知识”。数学家们强烈批评对大数据的炒作，因为大量的数据导致随机相关的概率提高。例如，美国人均奶酪消费量和由床单纠缠引起的死亡人数显示出相同的曲线。机器分析可能就会从中得出相关结论，而科学家立即认定这只是一个巧合。 [2]

然而，根据许多大数据支持者的说法，巧合是不存在的。他们认为，如果数据量足够大，所有相互关系都可以借助机器处理或深度学习以及正确的分析类型提前算出。过去的经验和可用的训练集就足够了，由于缺失或不相关的数据产生误差范围的风险可以忽略不计。然而，这样的结论是致命的。当然，在某些领域，某些时间段和相互关系等可能性可以更容易地被探索。然而，这并不意味着巧合或重大偏差是不可能的。例如，我们如何期望对过去收集的数据进行分析，以准确预测未来的交通事故？又或者疾病，关于疾病进展的信息-及数字患者数据-可能是不完整的、不一致的和/或不准确的。[2]

 

数据分析可能会危及生命 …

特别是在医学领域，Gerd Antes不是唯一一个警告大数据和人工智能陷阱的人。因为大数据分析和机器学习的结果而选择了错误的治疗方法，为此对患者及家属带来的影响是毁灭性的。由于数据的庞大性，使其相关性和不一致性无法真正显现。不一致和相关性会可能会挽救生命，但也会威胁生命。 [2]

最近，当媒体公司STAT分析IBM内部文件的一份报告时，让IBM再次成为负面新闻，该报告得出结论，Watson for Oncology一再推荐“不安全和不正确”的癌症治疗方法。该报告还声称IBM员工和主管都知道这一点。虽然这些建议没有被证明是造成死亡事件的主要原因，但许多著名医院已经决定停止使用这个价值数百万美元的技术。 [3]

IBM的例子，应该让我们反思并更理性的探讨在医学领域对大数据的运用。关于IBM奇迹般的计算机Watson在医学领域沸沸扬扬的炒作算是终于结束了，但是同样的例子也会发生在其他领域-直到，当人们意识到事实的重要性、可靠的结果和相关性，而不是自我推销和知名全球技术集团用他们通常仍非常实验性的产品做出的宏伟承诺。可以肯定的是，上述在医学领域的发展几乎可以1:1地转移到数字人力资源市场，例如在工作和技能匹配方面。

 

值得信赖的知识来自专家

五年前，Cornel Brücher发表了他的挑衅性着作“重新思考大数据”，他将大数据支持者描述为傻瓜。在JANZZ我们一开始就持有类似的观点。只通过单独的机器学习，根本不可能从工作和简历中，乃至更复杂的职业数据中获取知识。对此持反对意见的人都是错误的。而且，不管同样的想法和产品被广告和市场宣传的频率有多高，即使这些技术投入的资金比以前多得多，它们仍将是错误的。

尽管投入巨大，基于通过单独机器学习获取知识的“大数据方法”的结果仍然在很大程度上是不够的，并且近年来几乎没有改进，不管所使用的数据记录的大小，例如LinkedIn和IBM&Co。机器学习的结果将变得越来越容易出错，因为增加了更多因素和变量 – 如同复杂的规则和关系。由于存在错误相关或甚至假设的因果关系事件也暴露了其风险性。相反，只知识图或本体能够以非常深入和结构化的方式被映射和使用。知识图的知识是高度可验证和值得信赖的，因为它来源于医学，工程，投资银行等各个领域的专家，并以结构化的方式储存和联系起来，绝非由精通编程的计算机科学家通过计算得出。由于知识图反映了许多不同领域之间的关系，因此只有它才能提供相关且精确的搜索结果和建议。例如，在职业数据领域：知识图能识别能力，经验，职能，专业和教育之间的差异和联系。它能够判定例如对于职位J，技能S非常重要。我们以高级云架构师为例。 知识图表可以识别这个职称，并且知道，如果一位计算机科学硕士学位持有者，具有“云解决方案开发”技能和几年的专业经验，那么此人便能胜任这份工作。

 

Google同样依赖专家和职业数据知识图

当推出其知识图“Google Cloud Jobs API”时，谷歌公司就宣布了这一点。谷歌公司的Google for Jobs搜索正是基于其知识图 (请参阅 “Google Launches its Ontology-powered Jobs Search Engine. What Now?”)。谷歌同时也意识到基于本体的方法可以提供更好的搜索结果。在基于知识图知识的语义搜索的情况下，搜索“管理助理”不会添加仅与搜索项类似的结果，例如“HR管理员”或“软件管理员”。又或者， 某些大数据分析可能会确定随机关联，从而提出只有相似技能要求的完全不同的工作（例如，工程师，因为两者都需要Microsoft Office的知识）。

因此，要分辨其中的不同，通常只有知识图才能真正了解求职并对职业及其相互关系有一定的了解。Google Cloud产品经理Matt Moore表示，推出Google Cloud Jobs API的原因是：“我们希望为所有雇主和候选人提供更好的求职体验。 因为，让我们面对现实：雇用合适的人才是贵公司需要做的最重要的事情之一。” [4]

 

只有人才具备理解人性所必需的知识……

如何选择员工，在面对这项最重要的任务时你可以真正信任谁？这是一个永无止境的话题：根据简历，申请人A是完美的候选人，但是不幸的是在人员配置方面申请人A完全不合适，现有的（数字）数据不能得出这样的结论，只有人力专家才行。在数据量可控并且被正确评估的前提下，技术工具可以处理简历，并根据教育，技能，经验等明显的发现对其进行排名。但由于大量的误读和误解标准，根据文档选出的最佳候选人也会突然在人群中消失。最好的简历并不总等于最佳候选人。数字化的信徒坚信这最后一环的人为因素最终将排除在选择过程之外，越来越多的科技公司和初创企业也正试图将这一环数字化并用人工智能控制。他们使用的方法大多都是不合适的，甚至在启用过程之前，现有的数字数据本可以被正确使用和评估。多年来，一直在处理数字人力资源中做出了严谨且有弹性的流程和产品的专家和领先的技术提供商现在在很大程度上同意这一点 – 不仅仅是因为Google进入了这个细分市场。 [5]

 

大数据限制了知识的发展

综上所述，越多的数据并不意味着更多的知识。必须对数据进行结构化，储存和验证。在这个过程中，应该有具有专业知识的人参与其中。要谨慎对待大量无法构建的数据及其导致的随机相关性。哈佛大学和麻省理工学院（MIT）的科学家Alexander Wissner-Gross有趣地总结道，“也许当今最重要的新闻是数据集 – 而不是算法 – 可能是限制人脑思维级别的人工智能发展的关键因素。” [6]

因此，最重要的是从知识中获取的内容是有价值的，而不是提取知识的数据量越大越好。最后，我们重申只有在医学或招聘等重要领域具有真正的专业知识的专家和工具才能做出可靠和正确的判断，这是有希望的，也是令人放心的。所有这些都使得对大数据和人力资源管理的宣传更容易忍受。我们在JANZZ科技的使命-“我们把大数据变成智能数据”-比以往任何时候都更为先进。

 

[1] Brücher, Cornel. 2013. Rethink Big Data. Frechen: MITP-Verlag.

[2] Straumann, Felix. «Vieles ist blankes Marketing». Big Data. 在: Tagesanzeiger (2018), 第 168期, 第 32页.

[3] Spitzer, Julie. 2018. IBM’s Watson recommended “unsafe and incorrect” cancer treatments, STAT 报告结果. URL: https://www.beckershospitalreview.com/artificial-intelligence/ibm-s-watson-recommended-unsafe-and-incorrect-cancer-treatments-stat-report-finds.html [2018.08.01].

[4] 来自视频: Google Cloud Platform. 2017. Google Cloud Jobs API: How to power your search for the best talent (Google Cloud Next ’17). URL: https://www.youtube.com/watch?v=Fr_8oNKtB98 [2018.08.03].

[5] Watson, Christine. 2018. RecTech is creating more – not less – need for the human touch. URL: http://www.daxtra.com/2018/08/03/rectech-creating-more-need-for-human-touch/?utm_content=75449136&utm_medium=social&utm_source=twitter [2018.08.09].

[6] Alexander Wissner-Gross. 2016. Datasets Over Algorithms. URL: https://www.edge.org/response-detail/26587 [2018.07.27].