下载掌阅APP，畅读海量书库
立即打开
为了更好地学习和使用人工智能，让我们先来简单了解什么是人工智能。人工智能的发展可以追溯到20世纪中叶，从数据分析到机器学习再到深度学习，才发展成了现今的人工智能应用，整个历程反映了技术、算法和算力的进步。人工智能的发展大致有如下几个阶段。
1）早期的数据分析
在20世纪初，统计学和数学模型开始被用于数据分析，主要用于科学研究和业务决策支持。20世纪40年代，随着计算机的出现，数据分析开始数字化，提高了数据处理的能力和效率。1956年，约翰·麦卡锡等人在达特茅斯会议上提出了“人工智能”（AI）这一概念。最初的人工智能研究集中在逻辑推理和一些基本的学习算法上。
2）机器学习的兴起
20世纪80年代，随着算法的改进和计算能力的提升，机器学习开始崭露头角。这个阶段的机器学习主要是基于统计方法，如决策树、支持向量机等。机器学习专注于从数据中学习模式，并用这些模式来预测新的数据。
3）深度学习的突破
2006年，杰弗里·辛顿等人重新激发了对神经网络的兴趣，这标志着深度学习时代的开启。深度学习利用深层神经网络，能够处理和学习大量的数据，特别是在图像和语音识别方面取得了显著的进展。
4）人工智能的全面发展
随着算法和算力的持续迭代，基于深度学习的人工智能技术已经拓展到各个领域，更有力地支持分析、推理、分类、预测等任务，包括自然语言处理、自动驾驶、医疗诊断等。近十年来，人工智能技术开始广泛应用于一系列产品和服务，标志着人工智能从实验室全面走向实际应用。
5）生成式人工智能的爆发
生成式人工智能（AI Generated Content，AIGC）是人工智能领域的一个子集，它专注于创建或生成新的内容。例如，人工智能问答、人工智能写作、人工智能绘图、人工智能作曲、人工智能数字主播等，都属于生成式人工智能。
生成式人工智能利用了深度学习技术，尤其是神经网络，来模拟或复制人类的创造力。自2022年年底OpenAI推出ChatGPT后，生成式人工智能迎来了全面的爆发。随着人工智能技术的普及和影响力的扩大，对其潜在的社会影响、伦理问题以及监管需求的讨论也日益增多。
整体上，人工智能的发展从最初的数据处理到复杂的深度学习网络，反映了技术的进步和人类对智能系统理解的深化。在未来，随着技术的进一步发展和对人工智能理论的深入研究，人工智能将继续扩展其影响力和应用范围。
从人工智能发展简史可以看到，人工智能的本质是机器学习，因此接下来就再拓展一下，用尽量简单的方式来介绍不同的机器学习方法在人力资源领域的示例应用。
机器学习的定义有很多种，总结起来，机器学习就是针对某一个特定的任务，让计算机通过数据和算法进行学习后，使得这个任务的达成情况越来越好的过程。机器学习的关键用途，是可以由机器通过学习后更高效地给出答案，以此来辅助人进行各项决策或者直接由机器做出决策。所以，机器学习的核心技术就是如何让机器“学会”。按照机器的学习方式，主要有如下三种机器学习的分类。
1）监督学习
顾名思义，监督学习就是需要人介入比较多的学习过程。其中最主要的学习方法是要对各种数据打上标签后让机器进行学习。这就像家长教小朋友认识动物，如果想让孩子区分老虎和猫，那么就需要把各种不同类型老虎和猫的图片给孩子看，告诉孩子哪些图片是老虎，那些图片是猫，这就是给图片打上标签，然后再抓取一些特征，例如体型大小、斑纹等让孩子通过这些标签来学习如何进行判断。
监督学习在图像识别和语音识别领域的应用比较广泛。那监督学习在HR领域如何应用呢？我来举一个招聘中筛选候选人的例子。HR可以把过往所有公司内部员工简历中的学历、证书、就职经历等关键词，以及各类性格及智商评测结果提取出来作为标签。同时依据员工在企业中的绩效表现，打上高绩效、中绩效、低绩效的标签。把这些数据输入计算机进行监督学习，就能让计算机通过分析来寻找出具有哪些特质的人在公司中更容易成为高绩效员工。有了这个学习结果，我们就可以利用招聘系统来提取候选人的简历、测评结果，并让计算机来评估候选人成为高绩效员工的概率，供HR和用人经理参考。
2）非监督学习
非监督学习的做法和监督学习相反，在输入数据时不给出任何特定的标签，让机器自主通过算法实施对数据分类、找出相关性或者找出异常数据等操作。例如，在人力资源领域中，可以利用算法对员工敬业度报告中的员工对于组织文化、组织制度、组织流程、薪酬福利、发展机会、经理能力等各维度评估的打分进行相关分析。在我们自己也不知道答案的情况下，让算法自动找出哪些维度的分数高低是有相关性的。通过这样的相关因素分析，就有可能发现，薪酬满意度和敬业度的相关性可能不是所有相关性中最高的。因此就可以用数据来说服业务部门不要一谈到员工保留问题就抱怨HR薪酬分析没做好。
3）强化学习
强化学习更多强调的是让数字化系统通过与外界不断进行交互反馈来持续学习的过程。强化学习有点像父母和老师陪伴孩子成长的过程，以良好的家庭和学校环境为前提，放手让孩子自主向外界学习，允许试错。我们要做的是及时给予反馈，当孩子有了正确或者错误的行为时就及时指出，以此强化孩子的意识。随着时间的推移，孩子就自然会明辨是非，不断成长。回到机器学习在人力资源领域的应用，我们可以把强化学习应用在人力共享服务中心的智能客服机器人上。
为了让机器人能给出更贴近员工需求的答案，通常可以让员工在看到机器回答之后，给出机器回答有帮助或者没有帮助的反馈。借助这样的反馈，机器人就可以进行自我强化学习，逐步提升针对相关问题给出答案的准确性。
以上就是机器学习方法的简介，HR了解了这些机器学习的技术语言和思路，就可以更好地与IT部门或者软件供应商进行沟通，更合理有效地提出需求，达成合作。
我们从人工智能的发展简史和机器学习简介中可以发现人工智能的本质还是基于对过往数据的分析来产生各种不同的预测与结果。HR了解了这一点，就能明白在人力资源管理领域，要想真正用好人工智能，数据必不可少，如果没有数据，人工智能也就没有了输入。因此，在日常的人力资源工作中，HR要重视数据的积累。