摘要

隨着人工智能（AI）的突飛猛進，人們普遍擔憂AI的應用會替代人類勞動，影響就業。但是，從我們的實踐經驗來看，我們認爲AI首先能夠幫助人找到更好的工作，幫助企業找到更適合的人才；同時可以將人從重複性和危險的工作中解放出來。而我們每個人都需要主動擁抱新技術，並使自己保持競爭力。

嘉賓演講視頻及PPT回顧：http://suo.im/4OLMCM

內容來源：2017 年 7 月 29 日，獵聘網首席數據官張博在“CDAS 2017 中國數據分析師行業峯會【大數據與人工智能】”進行《人工智能與人的職業發展》演講分享。IT 大咖說（微信id：itdakashuo）作爲獨家視頻合作方，經主辦方和講者審閱授權發佈。

閱讀字數：2738 | 7分鐘閱讀

什麼是人工智能

Wikipedia有一段非常簡潔精要的介紹，它指出人工智能是一種智能體，能夠感受環境並且採取行動，目的是爲了達成某種目標或者利益最大化。

AI具體分爲強AI（Strong AI）和弱AI（Weak AI），所謂強AI（Strong AI）就是通用型的自動智能，它擁有類似人類的廣泛自主學習能力，並能夠適應不同的任務。而弱AI（Weak AI）則是爲了特定的某一件事情而設計的智能技術。比如說AlphaGo就是弱AI（Weak AI），它的算法和架構是無法直接遷移到其他的任務上去的。

目前強AI（Strong AI）能否實現仍然是未知數。我們所見到的都是弱AI（Weak AI）。而AI領域具體的研究問題包括學習、推理、知識、規劃等等。

AI如何助力職業發展？

職位推薦

對於求職者來說，最主要的需求就是找到合適自己的職位。不同的人羣尋找的是不同的職位。如何爲用戶提供個性化的、符合其意向的職位推薦是獵聘大數據研究院的核心任務。傳統的方式是用戶自己手動瀏覽搜索。這種方式不但費時費力，而且受限於用戶對行業、企業和專業的瞭解。而我們的推薦系統，通過運用大數據和機器學習技術，已經可以爲用戶提供更豐富更好的個性化職位選擇。

求職推薦難點

招聘求職的推薦和常見的電商、電影之類的推薦是不太一樣的。它對相關性有着更高的要求。尤其是在企業HR方面，因爲企業會更加的保守，他們通常不希望在推薦列表內出現一些對該行業或工作沒有經驗的人。

根據國家的一些行業劃分標準，我們初略統計了下有1200個細分行業，再往下細分就會有近萬個細分職能，如何能在如此多的行業和職能中進行精確的推薦，又是一個很大的挑戰。

解決方案

我們在給求職者推薦職位的時候採用了一個比較經典的架構。先使用文本挖掘和機器學習的方法構建了人才、職位、公司這三個畫像，接下來使用一些基礎的模型（策略）形成初始的結果，最終進行幾輪的篩選後，通過一個大規模的機器學習的模型進行精細排序。

前面那套的推薦系統是針對求職者的，而面向HR的則是另一套系統。不過也是類似的一套框架，即多個基礎策略然後加機器學習排序的方法。

健壯的機器學習系統

實現上述的推薦系統都需要一個健壯的機器學習系統。這套系統與一般的做機器學習實驗的系統有很大的不同，線上的系統不止需要計算出準確的模型特徵，還需要在實際運行中及時對環境的變化作出反應並穩健的運行。

上圖爲這樣的一個機器學習系統架構。數據會先通過一個實驗管理切分流量，接下來經過數據處理形成特徵。特徵形成以後是即時落地的，避免了滯後或者數據不一致的問題，然後再經由生產模型去產生預測。同時我們在系統中設置了監測模塊，隨時檢測數據存在的潛在問題。

模型/算法超參數

做過機器學習的人，應該都知道機器學習模型和算法都是有超參數的。比如神經網絡就需要去定義它的層數、以及每層的神經元數量等等。這些參數在以前都是要靠人工調節的，非常依賴於人工和經驗，也會消耗很多時間。

超參數的優化問題

超參數的優化其實相當於一個學習上的學習，它的目標是找到驗證數據集上效果最好的超參數。所面臨的挑戰在於參數空間巨大，效能函數是一個黑黑子，訓練和評估成本過高。

常見的超參數優化方法

這裏列舉一些比較常見的經典的優化方法：首先是格子搜索，這種方法通過選出一些均勻分佈的點，然後進行一個個的暴力搜索，這主要適用於一些簡單的問題。第二種方式就是隨機搜索，通過隨機的選取一些點來進行實驗，一些理論證明只要通過60%或40%的實驗就可以逼近最佳的那個點。第三種是採用均勻分佈的抽樣選取實驗的點，它看起來像是一個隨機搜索，但是由於進行了均勻抽樣，所以在理論上比隨機搜索更有效率。

貝葉斯優化

我們現在使用的是貝葉斯優化的方法，事先會假設目標函數符合某個先驗分佈，然後進行初始隨機試驗，根據觀測結果得到後驗分佈，接着利用後驗分佈選取下一個實驗的。

這裏面用到一個效用概率模型，其基礎是高斯過程迴歸。它將多元高斯聯合分佈拓展到一個無窮的函數集上，它帶來了這樣的一個結果：如果我們事先知道一些數據點，然後給一個新的數據點過來，就可以預測在這個點附近的效用函數的均值和分佈，有了這些我們就可以知道哪些點在哪些區域附近可能有比較好的結果。