如果不围绕超级智能技术这一主题，就几乎不可能就业务的未来进行对话。这是一门产生各种情绪的学科，在一场斗争中，人们害怕用机器代替人类才能来缓和发现的兴奋。人们担心即将出现的奇点有很多原因。不过，这是我未曾讨论过的想法。人们可能会担心，因为他们注意到数字流程正在变得有机，直观和敏捷，而某些人工流程却显得僵硬而机械。在人才招聘方面，确实似乎是这种情况，因为传统的招聘模式已经过时且线性化。那么，为什么不打破常规，反映出推动技术发展的成熟设计理论呢？最近，我在反思开发和管理AI系统的最佳实践，我意识到招聘人员可以采用类似的方法来改变游戏规则。

科幻小说是科幻小说

除了陈词滥调，科幻小说正在成为科学事实。这种观点上的转变体现在我们思考技术发展的方式中。虚拟现实现在是增强现实。同样，人工智能也失去了技巧。就我们现代的感觉而言，机器学习已成为更准确和实质性的定义。

正如我们一直在讨论的那样， 机器人时代已经来临。我真诚地相信，通过拥抱自动化并进行明智的投资，我们将发现各种方法，以创造强大的机会，以确保我们的未来繁荣和福祉。毕竟，这是指数技术的希望。设计思维 增强现实，机器学习和物联网（IoT） 不只是进步-他们很快就会融入我们的职业和个人生活的各个方面。即使在人员编制行业，这些进步也将重塑我们的运营方式。例如，人工智能（AI）正在迅速进入人力资源领域。我们看到开发人员激增 启动聊天机器人，类似于亚马逊的Alexa，可帮助招聘人员和人才做出明智的决策。

像Google和Amazon这样的开拓者不仅破坏了整个行业，还彻底改变了我们的思维方式。在业务环境中，大数据已经重塑了我们在销售，市场营销，客户服务和雇用中使用的方法。

招聘营销是当前人才招聘的金标准。零工经济通过促使消费者和购买者之间的巨大脱钩而影响了这一点。我们所期望的候选人越来越像消费者。我们正在出售，而他们正在购买。人才开始将雇主视为客户，而这些组织正在将工人视为服务提供者。鉴于所有这些变化，您很容易看到来自营销方面的见解 与Google一起思考公司的市场研究服务可用于增强聪明的招聘人员的工作。这是我们的事 探索 今年一月。

去年6月，我们通过强调 出行的重要性 和流动性，以克服手工流程中的低效率。候选人的外展，采购，参与和互动已成为移动体验。人们在智能手机上申请工作。招聘人员和潜在客户通过短信和社交应用进行交流。 “对话商务”的概念在世界范围内日渐流行。我们正在使用视频技术来展示就业文化，进行面试并协助入职。很快，我们将利用虚拟现实来加强这些工作。

所以对我来说，问题仍然是：“人类流程是否与技术流程保持同步？”在某些方面，简单的系统-过去机器的计算动作-似乎反映了我们继续处理人才培养的方式。 AI公司Talla的Will Murphy在VentureBeat的一篇文章中细分了从 人工智能的简单系统.

如果您在输入中输入A和B，C就会出来。如果您没有得到C，则说明您存在需要解决的缺陷。对于简单的系统，您可以一次又一次地使用相同的测试用例集，并且每次都期望相同的输出。

智能代理和其他基于动态AI的系统将这一概念变为现实，因为自学习软件会根据与其他系统和人员的各种交互输入不断调整其输出。当今，某些系统已经变得非常复杂（尤其是在企业中），但是引入更多基于AI的算法将使复杂性加速，超越以往。我们的系统将从难以理解到难以理解。借助智能代理，我们正在大量增加潜在输入的数量（有时，输入可以是整个语言中单词的任意组合），这又大大增加了解释输入并提供更大范围的潜在方式的数量输出。

这就是我如何看待人员编制行业的状况。新的经济模式引起了人才的不同分类-独立的自由职业者，承包商和企业家。他们也为 人云，基于人群的采购和雇用策略正在重塑工作的未来。因此，就墨菲而言，我们拥有更多的投入，更多的信息，无限的人才库，独立的招聘网络以及极少的地域界限。随之而来的是加速的复杂性。需要不断的分析和学习。但是，在很多情况下，我看到行业组织仍在依靠简单的系统进行招聘：A加B等于C。这是不可持续的。但是，通过遵循AI设计师采用的相同技术，我们可以复制这些课程以增强人才培养。

AI设计思维如何激发新的招聘思路

域焦点

墨菲：“限制您的域名可以帮助限制复杂性。” 墨菲指出，成功的AI设计首先要简化并专注于您可以控制的事物-客户的逻辑任务集和有关领域专业知识的逻辑知识集。这也是招聘的明智建议。

• 专注于您知道自己擅长在采购和安置方面的候选技能集。
• 专注于您获得最大成功的客户，行业或地区的类型。
• 不断学习，以便您可以扩展到其他“领域”。

学习反馈循环

墨菲：“每次互动都是学习的机会。” 本质上，人工智能系统不断学习。软件程序员实施“反馈循环”，以检查系统和用户之间的交互以进行自我纠正，学习并提供信息以优化流程。持续改进也应在人才培养中发挥关键作用。

• 衡量分析并发现成功的原因是什么过程或技术。
• “如果它还没有破裂，就不要修复它”，这是可怜的谚语。如果您不看，就不会知道有什么东西坏了。当它崩溃时，您最终会陷入危机响应模式。积极寻找可能导致失败的弱点或问题。定期尝试检测异常或潜在障碍。即使信息很关键，依靠候选人和招聘经理的诚实意见也只会有所帮助。
• 始终考虑如何将收集到的数据用于调整当前策略并计划未来需求。
• 识别趋势并开发预测需求或波动的方法。
• 开始进行高级别的优化，而不要过早进行过度优化-您可能会陷入创建不必要的解决方案的创新陷阱。
• 分析更大，更常规的数据集。寻找可以帮助客户解决的挑战。随着与候选人，招聘经理和工作平台的互动的增加，您可以根据客户或人才的实际反馈和使用情况，随着时间的推移完善流程。
• 检查数据的质量和收集的反馈，以确保可以将其用于培训。

上下文与数据一样重要

墨菲：“情境增加了智慧。” AI看似的奇迹在于其推断，预测和改变路线的能力。这需要上下文。单靠数据只能说明一个方面。正如马克·吐温（Mark Twain）打趣的那样：“有谎言，该死的谎言和统计数据。”没有上下文，仅凭人物就无法描绘出完整的肖像。

假设您在一家非常受欢迎的公司中任职的职位非常出色。薪资水平很高，文化令人难以置信，要求正好落在您的招聘最佳位置。但是，候选人没有回应。就业专家和分析人士发现，职位描述中微妙的上下文线索和措辞会无意间阻止求职者申请该职位。例如，美国心理学会的研究人员对4,000个职位描述进行了研究，结果发现 对男性的潜意识性别偏见。招聘职位过于男性化的招聘职位也是招聘女性候选人时很难找到的职位。

一个具有挑战性的描述写道：“我们是一家占主导地位的工程公司，拥有许多领先的客户。我们决心在竞争中脱颖而出。”但是，当研究人员将描述改写为：“我们是一个工程师社区，与许多满意的客户建立了有效的关系。”我们致力于深入了解工程师领域。”

智能故障转移反应

墨菲：“期待意外。” 人类是不可预测的。正如Murphy指出的那样，对于AI系统，“将无法预测的人与不可预测的机器结合在一起会加剧该问题。”人才获取过程也是如此。无论采用何种技术，大数据和优化的指标，招聘仍然是一个相当主观的过程。在这种情况下，机器可以代表几个要素：招聘经理的偏见，引人注目的或平淡的工作发布，沟通差距，面试计划，入职流程等。 AI最佳实践涉及智能故障转移经验，这些经验“可以要求明确性或将混乱传达给用户。”现代招聘也应为此而努力。

• 始终与客户和招聘经理保持联系。征求尽可能多的反馈。
• 定期与候选人互动，使他们随时了解整个流程，
• 让客户了解候选人的兴趣水平，关注点，问题，需求等。
• 计划意外。最好避免为您要填补的职位选择一个申请人。准备好专用的潜在候选人库。更好的是，与过去的工作经验丰富的表演者保持联系。为他们提供稳定的机会，使您能够继续赚钱和赚钱。这也增加了客户满意度的机会，这将得到回报。

创建用户价值

像所有成功的创新一样，人工智能通过解决问题创造价值。吸引用户的不是其内部功能的奇妙之处或技术的新颖性，而是AI使他们的生活更轻松。出色的人才培养对所有相关方都具有相同的成就：人才，招聘经理，MSP和人员配备机构。我们现在正在面对一个充满复杂动态的更大世界。有更多的输入和输出。还有更多细微之处要解决。我们可以从技术的发展中学到很多东西-胜利，缺点和教训。通过将这些发现整合到现代人类流程中，我们可以在数字时代保持相关性和生命力。