人工智慧已經打亂了我們生活的各個領域——從亞馬遜和阿里巴巴等公司精心策劃的購物體驗，到YouTube和Netflix等頻道用個性化推薦來推銷其最新內容。但是，說到職場，在很多方面，人工智慧還處於初級階段。尤其是當我們考慮到它開始改變人才管理的方式時，更是如此。用一個熟悉的比喻：職場中的人工智慧處於撥號模式。5G WiFi階段尚未到來，但我們毫不懷疑它會到來。誠然，對於人工智慧能做什麼和不能做什麼，以及如何定義它，人們有很多困惑。然而，在人才爭奪戰中，人工智慧扮演著一個非常特殊的角色：為機構提供對候選人職業行為、表現潛力更精準、有效的預測。與傳統招聘方式不同，比如員工推薦、簡歷篩選、面對面面試，人工智慧可以發現人眼捕捉不到的特徵。許多人工智慧系統使用真實的人作為特定角色的成功模型。這類人的集合作為訓練資料集，通常包含了被定義為“高績效”的管理者和員工。人工智慧系統處理並比較各種求職者的個人資料和它根據訓練集建立的“模範”僱員。然後，它為公司提供一個機率估計，即候選人的屬性與理想員工的屬性匹配的程度。理論上，這種方法可以更快、更有效地為合適的崗位匹配合適的人。但是，正如你可能已經意識到的，它已經成為一種希望和危險的源泉。如果訓練集是多樣的，如果無偏差的人口統計學特徵用於描述其中的人，且演算法是無偏的，那麼這個技術確實可以比人類更好地減輕人類的偏見、擴大多樣性、社會經濟包容性。然而，如果訓練集，實際的資料，或者兩者都是偏態分佈的，而且演算法也沒有充分的稽核，那麼人工智慧只會加劇招聘中的偏差和組織中的同質性問題。為了快速提升人才管理以及充分利用人工智慧的潛力，我們需要將重點從開發更具道德的人力資源系統轉移到開發更具道德的人工智慧。當然，從人工智慧中消除偏見並不容易。事實上，這很難。但我們的論點是基於我們的信念，即它遠比從人類自身移除它更可行。在識別人才或潛力方面，大多數機構還是會盡力而為。招聘人員在決定誰被淘汰之前只需要花費幾秒鐘的時間看一看簡歷。招聘經理利用所謂的“直覺”或是忽視硬資料，依靠文化契合度進行招聘——由於普遍缺乏客觀、嚴格的業績衡量標準，這一問題變得更為嚴重。另外，越來越多的公司實施的無意識的偏態的資料訓練往往被發現是無效的，有時甚至會使情況更糟。通常，訓練只關注個體的差別，而忽視了樣本量小的類別的結構化偏態。儘管批評者認為人工智慧並沒有更好，但他們常常忘記，這些系統反映了我們自己的行為。我們很快就會責怪人工智慧預測白人（可能也是白人男性）經理會獲得更高的績效評級。但這個發生的原因是我們沒有對訓練資料中績效評級的偏態分佈進行相應處理。因為人工智慧得到的偏態的招聘決策，我們感到震驚，但生活在人類偏見主導的世界也可以很好。看看亞馬遜吧，批評他們的招聘演算法有失偏頗的呼聲忽視了壓倒性的證據，即目前大多陣列織中人力驅動的招聘情況是不可避免的更加糟糕。這相當於表達了對無人駕駛汽車死亡事件的關注超過了每年120萬人由於車輛缺陷、駕駛員注意力分散和酒駕而造成的交通死亡。事實上，相比於影響激勵招聘者和招聘經理，人工智慧系統有更好的能力可以保證準確性和公平性。人類擅長學習但不擅長忘記。使我們產生偏見的認知機制，往往也是我們在日常生活中用來生存的工具。這個世界太複雜了，我們無法一直有邏輯地、有意識地進行處理；如果我們這樣做了，我們將被資訊過載所淹沒，無法做出簡單的決定，比如買一杯咖啡（畢竟，如果我們不認識咖啡師，我們為什麼要信任他？）。這就是為什麼更容易確保我們的資料和訓練集沒有偏見，而不是改變Sam或Sally的行為，對於一個人，我們既不能消除偏見，也不能真正何獲取影響他們決策的變數的實際輸出。從本質上講，分析人工智慧演算法比理解和改變人類思維更容易。為此，在任何階段，使用人工智慧進行人才管理的組織都應該從以下步驟開始。教育候選人並獲得他們的許可。向潛在的僱員進行詢問，向公司提供他們的個人資料，這些資料將被分析、儲存，應用於HR決策的人工智慧系統。準備向他們解釋關於what、who、how、why的問題。因為依賴黑箱模型的人工智慧系統是不道德的。如果一個候選人具備與成功相關的屬性，那麼不僅需要理解為什麼，還需要解釋因果關係。簡單來說，人工智慧系統應該設計為用於預測和解釋因果關係的，而不僅是發現相關性。另外你應該保證候選人的匿名性，以保護個人資料並遵守相關法律規定。
投資於最佳化公平性和準確性的系統。歷史上，組織心理學家曾指出，當候選人的評估模型為公平性而最佳化時，準確性會下降。例如，大量的學術研究表明，認知能力測試和工作表現一致，特別是在高複雜度的工作中。這種分佈對任職人數少，尤其是社會經濟地位低的個人產生不利影響。也就是說，公司如果想提升多樣性，創造包容文化，那麼在僱傭新員工的時候需要降低對認知測試的關注，這樣多元化的應聘者在招聘過程中就不會處於不利地位，這就是所謂的公平性/準確性權衡。
但是，這個權衡關係依賴的是半個世紀以前的技術，遠早於人工智慧模型的出現，而人工智慧模型可以用於傳統方法不同的方式對待資料。越來越多的證據表明人工智慧可以透過部署動態的、個性化的打分演算法，克服這個權衡關係，使其對準確性和公平性同樣敏感，可以共同實現最優。因此，人工智慧的開發者沒有理由不這麼做。此外，由於這些新的系統已經存在，我們應該質疑廣泛使用的傳統認知評估（對少數群體產生不利影響），在沒有偏見緩解的方式下是否應該繼續存在。如果組織解決了這些問題，我們相信，道德的人工智慧不僅可以減少在招聘方面的偏見，而且還可以增強英才管理，使人才、努力和員工成功之間的聯絡遠遠大於過去，從而大大改善組織。此外，這將有利於全球經濟。一旦我們減少偏見，我們的候選人池將不限於員工推薦和常春藤聯盟畢業生。來自更廣泛社會經濟背景的人將有更多機會獲得更好的工作——這有助於創造平衡，並開始彌補階級分歧。然而，要實現上述目標，企業需要做出正確的投資，不僅是在尖端人工智慧技術方面，而且（尤其是）在人類專業知識方面——這些人懂得如何利用這些新技術提供的優勢，同時最大限度地減少潛在的風險和缺點。在任何領域，人工智慧和人類智慧的結合都有可能產生比沒有人工智慧更好的結果。道德人工智慧應該被視為我們可以用來對抗自己偏見的工具之一，而不是最終的靈丹妙藥。原文標題：
Building Ethical AI for Talent Management
原文連結：
https://hbr.org/2019/11/building-ethical-ai-for-talent-management