转载

人工智能大举进入招聘业，HR真的要下岗了吗？

试想一下，在一个招聘竞赛中，如果告诉来自北美最顶级的8位猎头，要招产品经理、系统管理员（System Administrator）、地勤人员（Ground Service Agent）这三种完全不同岗位需求的人，给出5500份真实的简历，让你找出在这些简历中，谁最匹配这些公司的职位，成为最后这些公司需要招的人。

同时，第9位参赛者是一台能够进行人工智能匹配候选人的机器比赛，谁会赢？

是机器吗？

嗯，错了，第一名还是人。

不过，机器的准确度排到了第三。重点是，这个叫Brilent的机器，只花了3.2秒，就把合适的候选人筛选出来了。而第一名，花了25个小时。其他团队分别也花了4－9个小时等。

这是一个真实的案例，是今年3月由北美著名猎头公司SourceCon举办的一年一度的行业竞赛。如果机器已经如此快实现人与岗位的匹配，要是准确度再高一点，那岂不是未来HR们都要失业了？

人工智能大举进入招聘业，HR真的要下岗了吗？

今天，我们就来问问Brilent的创始团队，到底人工智能会不会让HR们面临失业了。

Brilent 的诞生，恰好源于创始人团队的痛点。

CEO Garry Ma告诉密探，创始人团队之前都在Facebook有着多年工作经验，作为数据科学家的他们，经常要帮团队招人。但他们发现，招聘这件事，重复性的事务多，比如要看大量的简历；客观性欠缺，就算面对应聘“软件工程师”岗位的同一个求职者，两个招聘官都难免会出现不同的意见。为什么不把数据相关的技术应用到招聘这个事情中呢？

于是，Garry 和同事廖宜华等人出来创办了Brilent。那么，Brilent 究竟是如何做的？

Brilent 是一个基于人工智能的给候选人进行排名和评估的系统。通过植入公司的内部人才数据库，比如应征者追踪系统（Applicant Tracking System，ATS）、客户关系管理系统（Customer Relationship Management，CRM），对人才数据进行筛选，将其与公司的公开岗位进行排序和匹配，找出条件匹配度最靠前的2%－3%的求职者。

从效率上看，Brilent 至少可以帮助企业的HR缩减1/8的工时。但是，速度并不是机器的唯一优势，Brilent 甚至提供关于候选人是否合适的原因的摘要，告诉公司，为什么这个候选人，在这个即将到来的时间内，适合这个给定的角色。也就是人、岗位、公司三者都尽量做到最佳匹配。

这离不开 Brilent 自身根据AI驱动的算法。这套算法除了对数据进行筛选、清理、更新和标准化之外，还参考了候选人的额外信息等多个纬度。

为什么需要参考额外信息？比如说，HR可能从网上发现不少合适的候选人，但发出60封邮件，只有1－2封才给出了正面的回应。如此低的回应率，是不是有点沮丧？因为这些候选人可能暂时并没有换工作的意愿，这就是重要的额外信息。

因此，Brilent 把候选人换工作的意愿强度加入到评估，候选人在未来90天内改变工作的可能性就包括：很可能; 更倾向于; 可能；不太可能; 不可能。此外，还包括过去的工作历史、雇主的历史、实际工作描述之外的相关角色等多种额外信息。

当前 Brilent 的客户包括猎头公司和一些比较大型的企业，比如1000人以上的公司，或者公司未来目标比较大的公司。每月，平均向用户收取几百美金的费用。

还有一个很贴心的功能，很多时间候选人由于跳槽等原因简历会过时，而Brilent会跟踪LinkedIn以及社交媒体渠道的变化，做出主动更新。

相关数据显示，仅在美国，招聘市场规模就达到1250亿美元，全球份额大约在4500亿美元。市场巨大，参与者更是不乏巨头。比如被微软收购了的LinkedIn，自身就拥有求职者海量简历和岗位，再加上谷歌、IBM等也对 AI+ 招聘的结合产生了兴趣，巨头们一旦试水，如何才拼得过？

在 Garry 看来，AI算法还是团队的核心技术，专注在筛选与匹配。另外，整个团队也是重要的竞争力。创始团队当中，所有成员都有着过硬的技术背景，担任过数据科学家和有着大公司招聘的经验。比如，Brilent的联合创始人廖宜华，博士毕业于UC Davis计算机系，是机器学习的专家，在数据科学领域有着长期的技术积累。密探也邀请到了廖宜华博士来分享人工智能在招聘领域的应用。

最近，甲骨文公司的销售副总裁Mark Reid加入了团队，担任首席营收官（Chief Revenue Officer）。

那么，Brilent 面临什么挑战呢？又是如何解决呢？

首先，是工作习惯的问题。一般来说，Hr会有很强的工作习惯，较难改变，比如用什么软件，如何查找候选人。是如何说服他们用新东西呢？那就需要产品不仅仅比现有产品好一点点，而是要好上5倍或者10倍。仅从时间上来说，可能就是几秒跟几十个小时的区别。

此外，就是规模化之后，如何保证匹配的准确率？

比如同样是招募程序员，每个公司的要求都不一样，即使是同样一份简历，两个招聘官都会有不一样的感受，而这只是一个IT行业，而如果Brilent要切入更多的行业，都需要通过大量的训练来保证匹配的准确率。

设想一下，公司确定了岗位需求，HR 可能想到的是去网站搜索简历、启动内部推荐机制、甚至找猎头。但机器人已经在数秒钟内抓取了各平台简历，并开始进行关键词筛选和匹配，自动打分按高低排列告诉你，谁才是更适合你们公司职位的。

这些过程中，基本实现了自动化，那要 HR 还有什么用呢？

Garry 认为，求职和招聘问题，其实是一个大数据问题。比如作为公司的招聘人员，其实不知道求职者是不是真正的合适这个岗位，或者真正对这个岗位感兴趣。求职的人也很难了解全部的岗位、机会。所以大数据关键解决的就是把人的数据和公司的数据进行匹配。

然而，尽管大部分过程可以自动化，但最重要属于人的部分－－即“关系”，是无法做到自动化的，人际交往仍然是招聘的核心。

这也是 Brilent 希望达到的目标：帮助每一个 HR 在招聘时，做得更快，随着人工智能替代了这些重复性的工作，HR 就能有更多时间专注于培养与候选人的关系，帮助求职者了解公司文化，为客户建立雇主品牌。

Brilent背后是机器学习、自然语言处理、聊天机器人等人工智能技术在招聘以及HR其他领域的应用。

正文到此结束