人工智能当HR人力资源部的同事依然是你升迁路上的“温柔杀手”，从目前透露出的信息看，AI并不会在这一整套评估流程中发挥决定性作用。AI并不具有什么“来自数据世界的神秘力量”，它能给出的仅仅是参考。如果迷信并盲从AI的判断，不仅不负责任，甚至并不道德。
“张三，某名牌大学毕业，参与某课题研究……”毕业季满是这样的简历。“干涩雷同的简历背后，其实是一个个鲜活生动的个体。”BOSS直聘职业科学实验室负责人薛延波将这种简历呈现出的求职者形象地称为“纸片人”，“从数据角度看，求职者其实包括N维信息，如时间、性格、心理等。”薛延波说，然而现有的求职过程中，求职者无法从多个维度被了解到。
人工智能的出现，有望改变“纸片人”与“N维”之间的矛盾。7月25日，BOSS直聘宣布成立科学实验室，薛延波表示，找工作时“纸片人”的信息状态可被人工智能最大限度“还原”，在“信息维”的世界中，岗位也将从单一的职位描述、招聘启事“还原”为社会运转中切实的“零部件”。
无独有偶，日前有媒体报道，IBM已在利用AI(沃森)预测员工未来的工作潜力，其动机同样是认为传统纸片式的评估方法，难以得到与岗位匹配的正确结果。正如IBM薪酬和福利副总裁Nickle LaMoreaux所说：“只依据历史表现决定能否晋升，太局限了。”
人工智能“读心术”，如今要“升级”人岗匹配方案。它该如何突破，助力人岗匹配获得最优解?
确立目标，设计“咬合”匹配的双边市场
“人岗匹配度低，导致了大量人类时间消耗在待岗、错配以及消极行动中。”BOSS直聘CEO赵鹏表示，目前存在的才不对岗、人不对位情况其实是人才市场不必要的“内耗”。
在求职过程中，“人”被单一化是形成“内耗”的原因之一。AI有能力将求职者立体、历史地呈现。“不仅是多维度匹配，还包括什么时间匹配，如何匹配最优等问题。”薛延波解释道，例如一个工作岗位今天提供给某个应聘者和7天后提供给他，得到的结果可能不同。
“机器人考评”在一些单位正逐步被应用，却并未考虑时间维度的考评系统。例如，机器人不会识别出应聘者当天状态的短暂波动，或许会认为这是常态。这类系统的局限性也无法反映宏观层面人岗市场的匹配情况。
薛延波认为“咬合”的匹配可描述为两个可解方程：一是不存在A与B偏好对方却没有配对;二是不会出现A与B、C与D已经配对，却有更优组合使得整个市场的情况更好。而从微观到宏观，通过个体或部分市场的匹配，整个职业市场将体现出“稳定”状态。而职业科学利用人工智能手段，所要实现的目标即是一个稳定的市场，并且是可通过模块拆解、算法建模等进行规划设计的科学问题。
与一些问题明确的科学问题不同，招聘用人的问题还需考虑人文要素。薛延波说，传统用大数据分析来解决招聘问题，主要是通过计算科学、数据挖掘等方法，将其看成工程问题。而我们认为，需要加入的参数还要包括心理学、社会学、经济学、劳动关系学等内容。将人文学科拆解成模块引入AI的参数中、参与到深度学习神经网络的映射关系中，将更有可能建立“稳定”的双边市场。
大数据为基础，生成型机器学习为补充
对于人工智能来说，无论是哪个专业领域，数据始终是寻求最优解的基础。选取哪些数据、从什么维度选取、选取多少是第一步。
资料显示，IBM的“沃森”调用的数据包括员工资料、接手的历史项目、员工的经验和表现、内部培训系统中记录的员工培训及学习情况等。
不同来源的人力资源数据积累工作始终在推进。据人社部相关负责人去年年底介绍，人社部开启的人才素质测评服务当时已测评近50万人次。而BOSS直聘的相关数据显示，该平台目前掌握的数据样本量在4000万左右。
“现有数据已经足够支撑我们去做一些启动的科研项目。”薛延波表示，但对于一些敏感或还未获得的数据，一些机器学习的方法可以“补缺”，例如生成型机器学习方法。他补充解释道：如果平台上有张三和李四，而在数据中又需要张三和李四之间的一个人物，就可以训练一个机器学习模式，“派生”出符合张三和李四中间特征的人物，用以进行现实世界中的职位匹配等研究工作。
算法和模型仍在探索中