美国劳动力市场在2022年继续重新校准。一项对2300多名高级管理人员的调查发现,65%的人希望在今年上半年增加新的长期职位。另有33%的人正在争相填补空缺,目前全美有超过1080万个职位空缺。作为一家工作在包容性就业前沿的咨询公司,我们在与客户的接触中清楚地认识到一件事。传统的招聘做法不是满足劳动力需求的可行手段。公司必须使其方法现代化以保持竞争力。这意味着拥抱基于技能的招聘。
基于技能的招聘强调候选人的技术技能和核心能力,而不是学位或证书,作为工作成功的最决定性因素。这种做法要求招聘团队定义一个角色所需的和首选的技能,并客观地评估这些技能,以此来减少招聘过程中的偏见。
领先的公司正越来越多地转向基于技能的招聘,包括许多参与OneTen、商业圆桌会议的多种途径倡议、马克尔基金会的Rework America联盟等。
但这一运动并非没有错误信息。下面我们讨论一些关于采用基于技能的方法的最大误区--以及你如何解决这些误区以推动你的公司和其他公司的文化转变。
基于技能招聘与应届生公平竞争
以技能为基础的招聘并不是要把大学毕业生排除在考虑范围之外或降低入职门槛。它是关于阐明学位旨在作为代理的具体技能。通过这种方式,学位持有者和通过其他方式获得技能的候选人都可以被考虑担任该职位。这有助于使所有人的经济机会民主化,并扩大公司可以获得的人才库。
学位通胀--以前不需要这种证书的职位对四年制学位的需求--助长了声望经济,使雇主付出了代价。在这种模式下,许多曾经向上流动的工作,除了那些能够负担得起日益增长的高等教育费用的人之外,已经变得不可企及。这已经不成比例地排除了低收入社区的人才,特别是有色人种。基于技能的招聘提供了一个切实可行的方法来解决这种不平等,并恢复66%没有学士学位的美国人的候选资格,包括超过75%的黑人和超过80%的拉美人。
基于技能招聘效率更高
采取基于技能的方法可以使候选人的筛选和聘用更加有效。基于技能的招聘对未来表现的预测性比基于教育的招聘高5倍,比基于工作经验的招聘高2.5倍。此外,许多雇主报告说,没有学位的员工同样具有生产力,甚至在某些情况下,比大学毕业生的生产力更高。
基于技能的招聘的其他优势包括缩短招聘时间,提高员工参与度,以及降低流失率。
基于技能招聘打破地理限制
从历史上看,招聘团队在招聘工作中采取了超本地的视角。随着远程工作的兴起,雇主可以发起更广泛的候选人搜索,并找到符合其市场技能需求的人。
在一个大的范围内,这可能看起来像与资源不足地区的劳动力发展组织建立伙伴关系,以建立熟练的不同候选人的管道来填补远程角色。通过这些伙伴关系,公司可以同时推动业务成果和经济公平。
虽然设计和启动以技能为基础的招聘需要时间,并且需要有意识地学习和解除学习,但你的公司、员工和社区将最终受益。现在对基于技能的招聘进行投资,将使企业为技能驱动的未来工作做好准备,并创造一个所有美国人都能有意义地参与这一未来的经济。
好文章,需要你的鼓励
这项由北京大学人工智能研究院完成的研究,首次从数据压缩理论角度揭示了大型语言模型存在"弹性"现象——即使经过精心安全对齐,模型仍倾向于保持预训练时的行为分布。
卢森堡大学研究团队开发的RLDP框架首次将强化学习应用于差分隐私优化,创造性地解决了AI训练中隐私保护与模型效果的矛盾。该方法如同智能教练,能动态调整隐私保护策略,在四种语言模型上实现平均5.6%的性能提升和71%的训练时间缩短,同时增强了抗隐私攻击能力,为敏感数据的AI应用开辟了新路径。
过去七年中,基于机器学习的AI工具几乎完全自动化了地震学的基础任务——地震检测。AI模型能够检测到比人工分析师更小的地震,特别是在城市等嘈杂环境中。斯坦福团队开发的地震变换器等模型使用一维卷积和注意力机制,在包含120万个人工标记样本的数据集上训练。这些工具通常能发现比传统方法多10倍以上的地震,为火山结构成像和地质研究提供了更全面的地震目录。
腾讯混元团队联合北京大学提出MixGRPO技术,通过混合ODE-SDE采样策略和滑动窗口机制,将AI图像生成训练效率提升50%-71%,同时在多项人类偏好评估指标上超越现有方法。该技术采用"从难到易"的渐进优化策略,专注于图像生成早期阶段的重点优化,并引入高阶求解器进一步加速训练过程,为AI图像生成的产业化应用提供了更高效可行的解决方案。