當然，這是一項高風險，高回報的工作。
從本質(zhì)上講，人工智能和機器學習只不過是工具罷了。它們就像其他的任何工具一樣，有利有弊。如果使用者不能夠明智地使用或配置，它們甚至可能會破壞你的工作流程或企業(yè)文化。尤其對于人力資源從業(yè)人員來講，這是一個巨大的風險，因為相比于技術專業(yè)人士而言，他們往往對這些工具的深層機制不太熟悉。
那么，作為一名想要把工作干好的人力資源專家，應該怎樣做呢？
首先，明確你正在解決的問題。也就是說，真正理解所要解決的問題。在發(fā)現(xiàn)問題并對問題進行正確評估之后，問問自己是否真的需要使用此項技術。如果不使用此項技術，工作進程是否會因此而拖后腿？應用此技術是否會使問題變得更簡單，從而使你有時間解決其他問題呢？或者你是否可以利用現(xiàn)有技術或不同的方法從事你所做的工作？
如果判定確實需要使用這種新穎的人工智能技術，那么你就必須了解人工智能的優(yōu)勢和劣勢。除了可以在谷歌上快速搜索瀏覽相關信息之外，還是有必要進行更加深入的了解。深入挖掘你所在專業(yè)的人脈并且充分利用公司里其他人的專業(yè)知識，并邀請他們參與評審你正在考慮使用的工具。
在正確利用的情況下，人工智能可以節(jié)省你大量的時間和精力，從而將人力資源工作從運營職能轉(zhuǎn)變?yōu)閼?zhàn)略職能。
選擇合適的工具以解決相應的問題。
并不能將所有的問題一刀切。而且算法也不一定適用于所有問題，所以必須確保人工智能適于解決你所遇到的問題。
算法不太適用于以下情況如下：
生成少量數(shù)據(jù)的問題，或者數(shù)據(jù)無法反映真實世界的結果或行為。
處于極端邊緣情況的問題，或者底層數(shù)據(jù)集存在嚴重偏差（但接下來有方法可以解決這一問題）。
需要價值判斷的問題（在這個例子中，既考慮人性化且包含算法，則可以產(chǎn)生最優(yōu)解決方案）。
從積極方面來說，算法可以很好地解決這樣的問題：
問題中有重要數(shù)據(jù)，且數(shù)據(jù)與你所感興趣的行為和結果直接相關。
涉及你所搜索模式的這些問題是可以預測的（或至少長期來看是一致的）。
請記住，人工智能并不總是夠能提升你的工作能力，所以僅僅使用自動化流程工具可能無法得到理想的結果。如果你正試圖改變員工行為，那就使用一些能夠幫助員工學習的工具。研究表明，在解決基于行為的問題時，及時、具體、可執(zhí)行且基于工具的反饋是非常有效的。
例如，Texito平臺會在你寫招聘信息的時候提供反饋，提出美化內(nèi)容的方法，從而使招聘信息更加吸引求職者。Joonko分析工作場所生產(chǎn)力的活躍度以及協(xié)作工具，尋找無意識偏見的證據(jù)，然后向員工建議糾正措施。
算法也是人的智力成果。
人工智能的設計與其說是一門科學，不如說是一門藝術。發(fā)明者可能會在不經(jīng)意間將自己的偏見融入到技術中，正如谷歌所熟知的那樣，在一項新興的面部識別技術中，深色皮膚的人被識別為大猩猩。
在做功課時，同時利用人工智能工具進行購物。弄明白這些模型是如何開發(fā)出來的，以及這些開發(fā)選項的意義所在。思考這樣的問題：
采取了何種數(shù)據(jù)集以訓練算法？此種數(shù)據(jù)中可能存在哪些偏差？模型是如何對此修正的？
舉例來說，就如Joonko所指出的那樣，如果某種算法讀取數(shù)據(jù)，數(shù)據(jù)顯示女性更有可能被分配到低優(yōu)先級的任務中，那么它可能會“理解”，女性并不勝任更高優(yōu)先級的工作。
隨著時間的推移，模型是如何演變的？偏差問題又是如何解決的呢？底線是什么？
人工智能和機器學習有可能從根本上改變?nèi)肆Y源職能，并且提升對人資專員所帶來的積極影響。但應用人工智能或機器學習并不會使得組織自身進行持續(xù)改變。如果你使用人工智能以加速正在發(fā)生的積極變化，那么你可以通過正在運行的其他戰(zhàn)略項目來強化基于技術的改變。
機器人不會取代我們，它們只會讓我們變好。
