至顶网CIO与应用频道 02月01日 编译:说起来有点讽刺的是,人工智能和机器学习正在帮助人类解决人力资本管理问题方面。招聘是企业今天面临的最棘手问题之一,找到合适的人才对于企业的成功至关重要,退一步说,雇佣了错误的人选是要付出昂贵代价的。最新的估计是,找到并雇用一名新员工需要花费25万美元,如果这个选择错误了,那么很快这个成本就会变成天文数字。随着关于候选人和员工数据的不断增加,一些创新的人工智能公司正在致力于应对提高人才获取效率和效益的挑战。
招聘效率:容易实现的目标
招聘是涉及整个组织的利益相关者的高触感活动。有不少人工智能初创公司正在通过低层级任务的自动化,以及为决策者提供更好的信息,大大减轻运营负担。举例来说,X.ai的解决方案可以帮助解决日程安排等繁琐的事情;ClearFit通过自动查找和排列候选人来节省招聘人员的筛选时间;Filtered可以通过自动生成的编码来评估候选人(也提高了他们的有效性)。虽然这些对于HR来说可能不是杀手级应用,但可以在短时间内提供价值,同时帮助人工智能公司收集数据以扩展到新的领域。
招聘的有效性:具有挑战性的终极目标
改善有效性对企业来说是一个大大的惊喜。为了提高有效性,企业需要更好的数据和信息,使他们能够找到合适的人选,并在筛选时关注正确的指标。
每个招聘过程中都会生成大量的数据,但不会被捕获以备将来参考。当公司需要新的人才时,他们会发布招聘启事,寻找候选人,通过不同的面试筛选他们,最终选择一个来填补空缺。公司或候选人每次都要经历这个过程,他们必须从头开始,不仅要招聘活动要占用时间,还有宝贵的信息。Wade & Wendy公司正试图通过一个虚拟助理来解决这个问题,这个助手是第一个与候选人的第一个联系人,并且持续这个申请人将为申请人与公司建立一个互动关系。
在搜寻候选人方面,企业仍然很难在正确的时间传达信息,并瞄准合适的人选。人工智能初创公司正在利用现有的数据来解决这个问题。Textio公司旨在帮助企业创造更好的工作岗位,以帮助他们打造差异化;而Engage Talent可以让他们发现被动的求职者,并在适当的时候为他们提供个性化的信息。
筛选候选人往往依赖于简历,这既是一个人技能的间接指标,也是他们的成就和能力的不完整展现。Harver公司正打造一种新型的筛选方式,通过生成有意思的测试来评估应聘者在工作中所要完成的任务,而Ansaro正在整合所有公司对他们员工的数据,来建立预测模型,让他们更加智能地招聘人才。
商业模式的挑战
人工智能创业公司可以为企业和候选人提供重要的价值,但他们需要了解在定义业务模型时如何创造这个价值。招聘是一个双向市场,在非常分散的时间间隔(即招聘人员)创造高价值。这给科技公司带来了挑战,虽然他们习惯于经常性的收入来源,但他们的客户可能更愿意按每个工作/职位付费,而不是典型的SaaS模式。有办法来克服这个问题,要么通过针对具有高招聘需求的部分(如高周转业务/临时工),要么创造一个可以提供经常性价值的产品,但是在早期初创公司和投资者们不得不考虑基于佣金的模式,思考如何过渡到循环模式。
人工智能可以使招聘变得更加智能
虽然企业可以利用越来越多、越来越多多样化的数据来找到最合适每个职位的候选人,但是招聘过程仍然受限于过去,基于标准化的简历和(可能有偏见的)面试官的意见,因此企业备受困扰。即使我们谈论的是人,但机器似乎不仅能够帮助搜寻候选人,还能帮助筛选候选人。事实上,有研究表明人们在挑选合适候选人方面是非常糟糕的,有分析表明算法在招聘方面可以超越人类专家。
即使人工智能还远远不能自主决定公司应该雇用谁,谁最适合这个工作,但你可能想看看人工智能是如何更聪明地进行招聘的。
好文章,需要你的鼓励
数据分析平台公司Databricks完成10亿美元K轮融资,公司估值超过1000亿美元,累计融资总额超过200亿美元。公司第二季度收入运营率达到40亿美元,同比增长50%,AI产品收入运营率超过10亿美元。超过650家客户年消费超过100万美元,净收入留存率超过140%。资金将用于扩展Agent Bricks和Lakebase业务及全球扩张。
Meta与特拉维夫大学联合研发的VideoJAM技术,通过让AI同时学习外观和运动信息,显著解决了当前视频生成模型中动作不连贯、违反物理定律的核心问题。该技术仅需添加两个线性层就能大幅提升运动质量,在多项测试中超越包括Sora在内的商业模型,为AI视频生成的实用化应用奠定了重要基础。
医疗信息管理平台Predoc宣布获得3000万美元新融资,用于扩大运营规模并在肿瘤科、研究网络和虚拟医疗提供商中推广应用。该公司成立于2022年,利用人工智能技术提供端到端平台服务,自动化病历检索并整合为可操作的临床洞察。平台可实现病历检索速度提升75%,临床审查时间减少70%,旨在增强而非替代临床判断。
上海AI实验室发布OmniAlign-V研究,首次系统性解决多模态大语言模型人性化对话问题。该研究创建了包含20万高质量样本的训练数据集和MM-AlignBench评测基准,通过创新的数据生成和质量管控方法,让AI在保持技术能力的同时显著提升人性化交互水平,为AI价值观对齐提供了可行技术路径。