面向人力资源从业者的机器学习初学者指南

当你听到人工智能(AI)时，首先想到的是机器人;特别是史蒂文·斯皮尔伯格的电影《人工智能》，在这部电影中，一个机器人孩子被制造出来，可以像一个真正的人一样爱和行为。这个想法似乎更像是一个梦想，而不是现实。事实是，人工智能比我们想象的更普遍。从自动驾驶汽车、Netflix上的电影推荐、电子邮件垃圾邮件检测到苹果(Apple) SIRI等声控助手。事实是，人工智能已经出现在许多企业和各个行业，如下图所示。

尽管如此，有证据表明，人力资源部门仍然无法抓住与人工智能相关的大量机会。在某种程度上，加速采用人工智能可能需要针对人力资源专业人士的教育内容，而不是数据科学家。因此，我们提供了机器学习(ML)的简要指南，这是AI的一个重要子集，目的是揭开ML的神秘面纱，使其具体化。

什么是人工智能?

让我们从定义开始。人工智能是计算机科学的一个广泛领域，专注于制造能够以智能方式行动的机器，类似于人类。此外，我们可以对1求导。广义AI和2。特定的人工智能。广义人工智能背后的概念是开发可以执行多项任务的机器，就像斯皮尔伯格的机器人孩子一样。这一领域仍处于起步阶段。

与人力资源更相关的是特定人工智能，它指的是使用智能机器只执行一项特定任务，但比人类做得更好(例如更快、更准确或更客观)。例如，一个应用程序可以在几秒钟内读取数百份简历，并确定面试的最佳候选人，从而为人力资源专业人员提供更多的时间来执行人类比机器做得更好的任务(例如，建立融洽关系、共情、创造力、批判性思维等)。

什么是机器学习?

但是如何编程让机器以智能的方式处理信息(即数据)呢?答案是机器学习(ML)。ML是特定AI的一个子集，来自统计学和计算机科学的混合。它指的是计算机学习执行一项任务的过程，而不是遵循一步一步的指示。这通常是由数据科学家反复执行，告诉计算机它的决定是正确的还是不正确的。根据结果，计算机调整未来的决策方式——换句话说，“它在学习”。

说到ML，基本上有三种类型:

1. 强化学习,
2. 无监督学习和
3. 监督学习。

什么是强化学习?

强化学习最广为人知的可能是IBM的深蓝电脑，这是一个“机器人”，学会了如何下国际象棋并击败了人类世界冠军。

强化学习是一种技术，它使算法能够通过尝试和错误来学习，使用来自自身行动和经验的反馈。就像巴甫洛夫和他的狗一样，强化学习包括奖励那些导致成功的决定，惩罚那些导致失败的决定——最终使算法在这个过程中更加智能。

在人力资源领域应用强化学习的例子有点精简，尽管在教育(即根据学生的进度应用内容)、金融和投资(即高级预测)、供应链运营(即机器人在仓库中执行订单)、交通流优化和医疗保健(即活检图像的精确分类)等领域最为普遍。

什么是监督式学习?

跨行业，特别是人力资源领域，最常见的ML形式是监督学习，其次是无监督学习。

在监督学习中，我们尝试预测一个结果，比如员工是否会离开公司，员工受伤的风险，或者新员工理想的起薪。

为了做出预测，我们需要不同的输入变量(即，变量被数据科学家称为“特征”)。我们的输入特征仅限于我们的想象(即，我们认为重要的是什么)，我们可以得到什么数据，或者我们可以创建什么数据(例如，通过知道某人在哪里工作和他们住在哪里，我们可以创建一个关注员工通勤距离的变量)。

一个例子:监督学习通知员工离职

让我们看一个更详细的监督学习的例子——预测谁将离开一个组织。想象一下，五分之一的新员工在他们任职的前12个月就离开了一家公司。为了防止这种离职，我们可以建立一个监督学习模型，预测新员工离职的可能性，这样我们的人力资源和管理同事就可以介入。

在本例中，被预测的模型结果是离职风险，用于预测离职风险的特征可以包括员工的人口统计和就业特征(例如，年龄、教育水平、角色水平、相对于市场的薪酬、就业月份、存在发展计划等)。

假设这样一个模型是高度准确的，它将使我们能够从三个角度了解我们的新启动人群的更替。

1. 首先，在预测我国人口流动率方面最具影响力的因素是什么?下图展示了这种模型输出的一个例子，它说明了一个特征是防止人员流动率(绿条)还是促进人员流动率(红线)，以及每个特征在预测人员流动率方面的相对重要性(即越长的线表示越重要)。
2. 其次，该模型还对每个新员工离开公司的可能性进行评估，从而实现集中干预(即亚当在前12个月内离开公司的风险)。
3. 第三，该模型确定了每个员工预防或促进离职风险的特征。这种个性化的输出可以使人力资源专业人员采取知情和个性化的行动，而不管他们是否亲自了解每个员工。

用于预测新员工离职的监督学习模型有可能降低显著的成本，包括财务(例如，分离、空缺、招聘、培训和替换)声誉(例如，侵蚀执行副总裁和/或降低候选人吸引力)和生产力相关(例如，组织平均投资4周到3个月培训新员工)。其中一些成本可以很容易地量化，这样我们就可以根据防止的人员流失率确定组织节省的成本(即，防止十分之二的辞职可以节省xxx美元)。

什么是无监督学习?

与我们试图预测结果的监督学习不同，无监督学习同时分析许多变量，以确定数据中的相似性、模式或关系。无监督学习更多的是理解数据中的内容。无监督学习的两个最常见的用途是:

• 聚类:根据分析的特征之间的相似性自动将数据集划分为组。经典应用于消费者，但同样适用于组织，因此我们了解我们的员工群体(即集群)，并确定我们的人力资源政策是否服务于这些群体。
• 矿业协会:标识数据集中经常同时出现的变量集。例如，确定特定地点工人的伤害模式。

一个例子:无监督学习通知员工离职

聚类分析，最著名的无监督学习形式，也可以帮助我们更好地了解员工流失。这种方法可以帮助根据相似的特征(例如，地点、任期、国籍、教育水平、年龄、绩效水平等)对员工进行分组。

下图描述了对员工人口统计特征的分析结果。首先使用流形学习(另一种非监督方法)方法将多个人口特征简化为两个维度，然后使用T-SNE方法对这两个新维度进行聚类。下图向我们展示了如何将员工分组在一起，在这种情况下，根据他们的人口统计特征，分为12个集群。

分组后，下一步是确定每个组的人员流动风险。此外，有趣的是，确定是否存在一些共同的风险因素，实际上表明集群中的员工正在以类似的方式体验工作场所。

最后一个见解具有相当大的实际意义，因为它可以帮助我们针对特定的员工群体量身定制干预措施，从而产生最大的影响(即，留住员工并降低人员流动成本)和投资回报(即，每花费一美元，我们就会从减少人员流动中节省xxx美元)。

结论

我们已经开始打开人工智能的黑匣子，提供了ML的简单概述。我们研究了三种广泛的ML类型——增强型、有监督型和无监督型——并研究了每种类型的一些简单应用，其中可能与人力资源相关。我们真诚地相信，通过更多地了解ML的可能性，HRBP和组织决策者都将在这个技术领域期望更多，也愿意做更多。我们的下一篇文章将解释执行监督ml的逐步过程，使与People Analytics团队的讨论更加具体，不那么抽象!