中文字幕无码av不卡一区,亚洲综合AV永久无码精品一区二区,黑人巨大白妞出浆,黄色高清无码免费看,久久久久免费精品国产,久久无码人妻丰满熟妇区毛片,欧美日韩国产综合草草,久久福利网站,亚洲一区二区三区中文字幕在线,av国内精品久久久久影院

立足場景，打磨技術工具，才是王道。

項目背景：

一家工廠請我的團隊做咨詢服務，說他們希望制作一個智能招聘的機器人程序。

因為他們有很多的工人招聘需求，而且工人的流動性很大，這就導致面試官應接不暇，雖然各個都面見，但是效果往往不好，難以摸清楚候選人的真實意圖，而且基于工種的特殊性，又無法省略面試。

于是我們對他們的需求進行了調研，發現對于他們的工種呢，需要具備良好的語言表達能力，性格和善，而且學歷要求不高，月薪資不能給超過4000元。

基于這些情況呢，我們分析了一下他們的具體場景，決定開發一款小程序來實現這個功能。

接下來我會盡量以業務方的視角去描述整個項目的思考邏輯，設計到底層NLP算法、問答模型、人機對話核心模塊的知識點大家可以慢慢了解，主要可以體會這種場景和應用的思考思路。

項目開展：

那么項目初期，我們分析了業務的具體需求，決定引入人臉識別和語義分析等技術，來實現他們的需求。那么對于初期來講呢，在初步的機器學習水準上，是不可能完全替代真人的，所以我們考慮制作一個管理后臺，把面試情況和結果展示給真人來做監督學習，給機器打分，從而讓機器知道自己的得失從而去改進。

那么前端我們需要做一個小程序入口，來給新人做報名的動作，這里著重要驗證新人的身份證號，這樣做的目的是在面試環節，可以調用公安部門的接口拿到照片，從而通過人臉識別和基準照片的比對來驗明正身。為什么不在報名的時候就直接做身份比對呢？首先虛擬面試環節是有替考可能的，所以需要校驗，這里是考慮到有一些替他人報名的情況，而且造假動機不足，我們決定后置這個檢驗，減少初始流程壓力，放更多的人進來。

那么其實還有一種做法，對于這種非緊急的情況，不同于視頻網站的鑒黃流程，我們可以采取事后批判的手段，比如在入職的轉正時，截取新人的虛擬面試圖片n張，來確認是否是本人，如果不是本人，予以辭退或處罰。在這里考慮到擔心法律糾紛的問題，選擇在簽訂勞動合同之前完成人身的核驗工作。

那么前后端的功能模塊搭建好了之后，我們還需要一個支持圖形存儲的數據庫，來將面試者的面試情況儲存起來。

接下來我們就要設計一下，如何讓機器學習介入這個流程。

第一步：收集初始學習資料

對于一個智能問答機器人的初始學習，是需要一定的問答量作為啟動的，所以我們讓線下面試官總結了一個500道題左右的題庫和問答樣例，作為機器學習的初始學習資料，但是并不意味著機器通過對這些問題和答案的深度學習可以達到面試官的標準，我們還需要模擬幾個面試者來對機器人進行初步的檢測和完善，所以我們在我們認知范圍內，又和機器人進行了數十輪的對話演練。

第二步：監督式學習

在機器人實際投入工作的過程中，我們發現情況有些復雜。通過之前業務給我們的信息，我們評估決定用問答式機器人即可，即類似于智能的FAQ，只要做基本的語義意圖分析即可。比如，「我缺錢」、「我沒錢」、「我想要錢」我們都可以將它記錄為「我要借錢」，這時推送信用卡辦卡鏈接即可。

但是實際應用的過程中，實際場景其實是流程化和多變的。比如，機器在第一階段的任務其實是挖掘到面試者的入職意愿，但是這個過程并不是我們想象的「你想要這份工作嗎」「是的」這么簡單的，我們需要聽取求職者的更多信息，比如機器需要再繼續追問2到3個問題，詢問面試者對于「通勤時間長」「你的愛好」等，來佐證這個事實。在完成了第一階段對于入職意愿的判斷，才能進入第二階段，進行對客觀條件是否符合的考量。

還有一部分復雜的情況是，如果機器問了「你叫什么名字」，而面試者回答「我是小芳，今年20歲」，那么下一個問題如果是正常人類的話，就不會問「你年齡多少」了。但是機器往往會忽略到除了目標信息之外的其它信息，所以這一點上也需要一定的訓練去把信息有效地吸收提取，如果機器認為「20歲」這個概念沒有明確的話，他會追問「您今年20歲嗎」，這樣面試者即可確認。

第三步：評價模型介入

在機器可以充分完成95%以上的面試場景時，意味著面試這部分工作可以通過機器來替代了，但是面試之后的決策，尚需拿捏。所以我們先給機器人對員工要求做了100多個標簽，再用新老員工的樣本數據錄入評價模型進行擬合和權重調整，最后拿出了一套初版的評價模型，參考意義很大。

在模型的不斷迭代過程中，我們發現已經可以滿足大部分的招聘需求了，從而加入了智能發offer的功能，點擊之后可以自動地給系統評判合格的候選人批量發出offer，對于那些給出拒絕意見的人，我們也可以逐個去檢驗一下，是否還有搶救的可能。

項目遠景：

未來來看，如果我們的面試流程和評價模型趨于穩定的情況下，完全可以考慮把更多的工作交給機器來做。而且工廠里的高清攝像頭，也成為了良好的建模觸點，我們可以觀察員工工作時的狀態和表情，看看是否工作量過大，需要輔導?；仡^還能驗證面試時的初步結論，從而對某個人的發展勢頭和潛力做一個長期的評估。

回頭來看，我們發現AI在對于客觀信息了解、核實方面，是有極大的潛力的。所謂知人知面不知心，當一個AI的微表情識謊和語氣分析可以遠高于人類的判斷力時，我們也是時候回頭看看這句話的可靠性了。

實際上，人工智能技術的推進，具有一定的辯證性。首先，天然的技術門檻和巨大的優質數據需求量決定了可以入局的企業量級，但同時，可以入局的企業也存在著某種猶豫。因為在技術推行的一開始，肯定是存在著和成熟人類員工或多或少的差距，但是能否順利扛過這個陣痛期，等待機器完成質變，是需要我們想清楚的。而且在機器完成質變后，我們給如何去信任他，迭代他？

其實人工智能的出現，跟汽車的出現很相似，都是可以讓我們的生活產生質變的技術型工具，比如汽車的出現，讓拉車夫和轎夫失業了，但我們不需要每一個人都學會造汽車。只要學會開汽車，就可以不被時代拋下。

立足場景，打磨技術工具，才是王道。

#專欄作家#

花生醬先生，人人都是產品經理專欄作家，微信公眾號：產品之術。金融業資深產品經理，對職涯規劃與個人發展有豐富經驗，產品涉獵廣泛，ERP、金融領域較多。

本文原創發布于人人都是產品經理。未經許可，禁止轉載。

題圖來自 unsplash，基于CC0協議