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] » 了解详情: 人工智能在人力资源管理中的潜力 »
技能再造和提升能真正解决当今的技能短缺问题吗？
/在： 新闻, 未分类, 知识库 /通过： JANZZ.technology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. » 了解详情: 技能再造和提升能真正解决当今的技能短缺问题吗？ »
JANZZ本体 – 赋能数据，实现智能应用
/在： 新闻, 未分类, 知识库 /通过： JANZZ.technology在过去的40年中，本体一直存在于人工智能（AI）的研究中。[1] 就像流行趋势总是来来去去一样，本体同样经历了起伏。本体在80年代被引入，并在90年代中期开始流行。在2000年机器学习（ML）出现之后，当时普遍的观点是，将来用计算机执行的任何任务（借助AI和ML）都可以用智能算法来解决。许多公司在这些算法上投入了大量资金，希望在人工智能方向取得新的突破。
随着AI和ML的飞速发展，特别是在卷积神经网络（CNN）出现之后，其核心技术-深度学习（DL）-在参数大小和计算复杂性方面迅猛发展。今天，一些最复杂的模型已达到数十亿参数的规模。 [2]
尽管如此，人们对当前主流的DL提出了担忧。以图像识别中的监督学习为例：用于训练AI模型的图像需要根据目标对象的位置和轮廓手动识别，以使模型能够在比较不同标记结果的数据后，找到图像之间的隐含模式特征。如果我们回想婴儿时代的学习方式，我们人类无需这种指导便可以轻松地识别和分类不同的对象。 [2]
尽管DL方法取得了长足的进步，能够从训练数据中提取知识。但是，这种知识无法被明确解释，因为所谓的“黑匣子”训练无法揭示模型内隐藏的复杂关系。当面对新问题时，当前的DL模型无法将其获得的知识有效地用于解决新挑战。 [2]
关于大数据及其相关的隐私问题同样值得担忧。此外，当前的DL方法基于海量数据，不适用于生成少量数据的行业，例如医学和人力资源中的某些领域。这种情况要求AI系统具有推理和判断的能力，目前只有在特定领域才能成功。 [3]
其实，在某些领域已经存在许多强大的本体，例如金融业业务本体（FIBO）以及用于医疗保健，地理或职业的众多本体。当前学界普遍认为，整合知识和DL是进一步扩大DL有效性的重要思路。因此，本体以及诸如知识图谱或知识表示之类的许多相似研究重新成为人们关注的焦点。
在2008年JANZZ.technology便开始构建其本体-JANZZon！，远远早于科技巨头Google发明并普及 “知识图谱”一词。 JANZZ本体一直由具有不同背景的领域专家构建（例如知识产权法，流体动力学，汽车维修，心脏直视手术或教育和职业系统等领域）。
如今，JANZZon！是职业数据领域中最大的多语言百科知识表示。其数据重点关注于工作，工作分类，软硬件技能，培训/资格等。其存储的节点和关系数超过3.5亿！
由数据驱动和专家咨询分类法集成，JANZZon！涵盖了Nesta的英国技能分类法，ESCO，O * Net，ISCO-08，GB / T 6556-2015，DISCO II等。目前，有9种语言（德语，英语，法语，意大利语，西班牙语，葡萄牙语，荷兰语，阿拉伯语和挪威语）全面涵盖职业，技能，专业，功能，教育等，我们正在努力于2020年实现同一水平的40种语言可供选择。
作为我们工作和技能匹配技术的核心，JANZZon！代表最底层的知识，其中所有实体都已在语义空间中进行了编码和向量化。因此，在搜索和匹配时，我们的技术可以真正理解一个概念及其语义含义，从而保证有意义的结果。
如果您想知道本体可以如何帮助您在人力资源和劳动力市场领域中增强数据能力并实现智能应用，请立即写信至 sales@janzz.technology
[1] ODSC. 2018. Where Ontologies End and Knowledge Graphs Begin. URL: https://medium.com/predict/where-ontologies-end-and-knowledge-graphs-begin-6fe0cdede1ed [2019.11.20]
[2] 李军. 2019. 深度学习: 新时代的炼金术. URL : https://www.ftchinese.com/story/001084827?page=1&archive [2019.11.20]
[3] 蔡芳芳. 2019. 清华自然语言处理科学家孙茂松：深度学习碰壁之后，我们还能做什么? URL: https://www.infoq.cn/article/OvhfhpPChTLpsMgrf43N [2019.11.20] » 了解详情: JANZZ本体 – 赋能数据，实现智能应用 »
人工智能在人力资源管理中的潜力
/在： 新闻, 未分类, 知识库 /通过： JANZZ.technology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] » 了解详情: 人工智能在人力资源管理中的潜力 »
职场中的两性隔离
/在： 新闻, 未分类, 知识库 /通过： JANZZ.technology职场上男女隔离的部分原因是男女对特定职业的偏好和能力不同所造成的。传统上，女性集中从事如教学，护理和其它与护理相关的服务工种。相比而言，大多数男性活跃于所谓的“蓝领”工作，包括建筑，设备操作和维修。
此外，由于女性占主导地位的职业报酬较低，相比之下，女性更倾向于进入男性占主导的职业。这从#MeToo运动和妇女配额制等活动中便能窥见一斑。但是这样的进步在男性缺乏的职业中却止步不前，比如早期育儿工作。
早在1996年，欧盟委员会儿童关怀组织便设定了战略目标，意在到2020年将男性在儿童保育中的就业率提高到20％。如今距离截止日期只有几个月的时间，但是该领域男性的就业率却仍远远低于目标人数。
在德国，目前每100名学龄前儿童保育员中只有6名是男性。在英国和爱尔兰，这一数字甚至不到100人中的2人。挪威在两性平等问题上被认为是全球的表率，其比例最高，每100名男性中就有9名从事早期儿童保育工作。但是，这个比例同样也远低于20％的目标。在欧洲以外的地区情况相似，美国和澳大利亚从事幼儿保育工作的男性人数分别只占4％和2％。
有趣的是，在德国斯图加特的一个儿童保育中心（通常指四岁一下儿童的托管机构），情况却大不一样。这个中心雇佣的12个保育员中，有一半为男性；此外，该中心还不断地收到更多男性保育员的工作申请。为什么这个中心对男性育儿工作者如此具有吸引力呢？
该中心的创始人，同样从事过儿童保育的Nöth先生解释说，与传统的有固定小组的育儿中心不同，在他的中心孩子们有七种不同的活动小组，包括绘画、手工和体操。每一个小组活动都在一个单独的专用房间进行，孩子们每天都可以参加不同的小组活动。Nöth先生指出，这种运作方式为儿童保育员提供了创造性工作的机会，例如单独设计和开展活动。这种高度自主性的工作方式正是吸引男性保育员的原因之一。〔1〕
工作场所中的性别陈规定型观念仍然存在，比如早期育儿工作就应该是由女性从事。这样的观念给男性育儿工作人员造成了敌对的环境。此外，当大多数同事都是女性时，也增加了男性保育员工作中的孤立感，难以在工作中建立友情和发展社交活动，这可能会促使这个行业中为数不多的男性退出。这一点也得到了斯图加特这个儿童保育中心的男性育儿工作者的认同，他们认为在相对较多的男性同事环境中工作，会感觉到更舒服。
这样的特殊案例或许给我们提供了一些启示，来突破当前任然存在严重两性隔离的行业。例如，我们需要为传统上特定性别主导的角色创建新的工作职能。这一点已经在某些蓝领职业中体现出来了。随着新技术的出现，一些工种正由“体力活儿”向涉及机器运用的复杂职能转变，从而吸引了越来越多的女性加入该领域。
另外一点是要集中那少部分的男性或者女性。在工作场所中，如果某一性别处于极少数群体，他们很有可能会有不愉快的工作经历。统计数据表明，对于女性而言，在男性雇员超过90％的职业中，这种不愉快感急剧增加。
在挪威，教育部门积极引导男性进入某几个特定师范学院，从而集中男性学生在一起避免某一学院只有一个男性学生的情况。这样一些小小的举措鼓励了更多的男性学生申请师范专业，并为早期保育培养了更多男性人才。
近十年来，JANZZ.technology一直在观察全球劳动力市场并与参与多个不同劳动力市场的合作项目。我们独特的工作匹配解决方案仅使用对工作匹配真正重要的参数，如职能，技能，专长，经验等，避免了由年龄，性别或出身等因素带来的偏见。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] Philipp Awounou. 2019. Kann Mann machen. URL: https://www.spiegel.de/karriere/kita-in-stuttgart-wo-das-halbe-personal-maennlich-ist-a-1281251.html [2019.10.03]
» 了解详情: 职场中的两性隔离 »
JANZZ.technology提供可解释人工智能（Explainable AI）
/在： 新闻, 未分类, 知识库 /通过： JANZZ.technology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]. » 了解详情: JANZZ.technology提供可解释人工智能（Explainable AI） »