-
数据挖掘
人工智能对领导者和员工工作场所的影响
在人工智能诞生一周年之际，变革性数据显而易见。值得注意的是，Gartner 在 2023 年进行的一项调查显示，包括谷歌和亚马逊等科技巨头在内，超过 70% 的企业已将人工智能无缝集成到日常运营中，这表明这些技术已得到广泛采用。
实时实例凸显了人工智能在优化流程方面的关键作用。亚马逊对预测分析法的使用就很突出，其算法可以预测客户偏好、完善库存管理并缩短送货时间，从而提高客户满意度。此外，由自然语言处理技术驱动的聊天机器人等虚拟助手已在微软等公司中普及，促进了无缝客户互动。
1. 人工智能领导力的优势
大多数企业和组织都要求员工执行耗时的重复性工作，如数据录入和开具发票。让我们来看看这些公司如何解放员工，让他们专注于需要更多创造力和批判性思维的重要工作：
1.1 预测分析
预测分析是人工智能的一个子领域，它利用数据挖掘、机器学习和统计算法分析近期和历史数据，预测未来的模式或事件。预测分析可以帮助企业通过洞察数据中的模式，对库存控制和客户行为做出更好的判断。
公司利用预测分析技术，通过分析历史销售信息和市场趋势来预测某些商品的需求。通过避免缺货，预测分析可帮助企业优化生产和库存水平，最终降低成本并提高盈利能力。
1.2 自然语言处理
自然语言处理（NLP）是人工智能的一个独特领域，致力于理解和解读人类语言的复杂性。NLP 算法对文本数据进行细致入微的检查，提取细微的含义、情感和意图。这不仅能让企业深入了解客户反馈，还能简化客户服务互动，促进量身定制内容的创建。
1.3 欺诈检测
在欺诈检测领域，企业普遍担心欺诈活动可能带来的经济损失、法律后果和声誉损害。欺诈的性质错综复杂，尤其是当欺诈行为复杂且具有针对性时，有必要采取多方面的方法。这涉及机器学习、行为分析和自然语言处理的融合，以及人工智能在分析大量数据集方面的能力。这些分析方法的协同作用可以识别出与常规不同的异常情况或模式，从而发现潜在的欺诈活动，如不正常的消费模式或交易。此外，人工智能仔细检查用户网络的能力有助于发现欺诈团伙，从而采取先发制人的措施阻止访问并挫败进一步的非法活动。
2. 领导者如何利用人工智能举措改进决策
人工智能的成功融合需要精心制定的战略和不同利益相关者的共同努力，而企业领导者在确保此类举措取得成功方面发挥着关键作用。领导者和高管需要采取积极主动的态度，包括战略性分配充足的资金、人才招聘和发展、与外部实体合作，以及认真考虑道德影响。以下主要方法阐述了领导者如何有效利用人工智能计划来加强决策：
2.1 制定愿景和战略
领导者必须首先掌握人工智能的潜在效益和风险，并将这一认识与总体业务战略结合起来。在领导者向组织阐明自己的意图和目标时，沟通是最重要的，它可以促进利益相关者的支持，确保达成共同愿景。
谷歌首席执行官Sundar Pichai阐述了人工智能整合的全面愿景，强调要创造一个更加互联和智能的世界。这种远见卓识的方法指导着谷歌的人工智能计划，使其与总体业务目标保持一致。
2.2 战略投资和资金分配
高管应全面分配资源，而不仅仅是提供资金支持。重点在于确保和培养合适的人才，并确保组织拥有必要的技术基础设施。这通常涉及招聘专家，如数据分析师、人工智能工程师和其他能够设计、开发和部署人工智能系统的专家。
最近的一份风险投资报告显示，去年人工智能初创企业获得了前所未有的 200 亿美元融资。领导者们现在已经认识到，分配足够的资金来培育和推动人工智能项目作为长期投资，具有重要的战略意义。
2.3 促进合作与伙伴关系
我们鼓励领导者促进与外部实体（从技术供应商到研究机构）的合作。这样可以确保持续了解最新的人工智能趋势和创新，使组织处于进步的前沿。
以辉瑞公司为代表的制药行业展示了合作的力量。与人工智能初创企业的合作加快了药物发现过程，展示了外部合作如何增强组织的人工智能能力。
2.4 解决伦理问题
人工智能的道德层面包括数据隐私、偏见和透明度等问题，需要领导者保持警惕。要确保负责任地开发和使用人工智能系统，就必须实施强有力的控制和保障措施。
亚马逊最近围绕人工智能驱动的招聘工具引发的争议凸显了领导者主动解决道德问题的迫切需要。领导者必须把握偏见和道德影响，确保人工智能应用符合社会期望。
2.5 有效的变革管理
实施人工智能计划不可避免地会引发组织变革，领导者必须理解并善于驾驭变革。与利益相关者的持续对话以及全面的培训和支持变得不可或缺，尤其是在管理抗拒组织变革的团队时。
Elon Musk在特斯拉的领导力提供了一个令人信服的案例。通过强调量身定制的培训计划，马斯克确保了员工适应人工智能自动化的平稳过渡，从而提高了运营效率。
结论
行业领导者的战略决策、对人工智能相关技能激增的需求，以及影响人工智能原则的道德考量，都证明了这一点。
随着企业的不断发展，对员工技能再培训的重视成为适应人工智能驱动经济的一个重要方面。公司投资于员工发展和福利的成功案例，以及提高生产率和创新带来的切实利益，都说明了人工智能与人类合作的积极潜力。
未来的征程需要在拥抱技术进步与维护以人为本的工作场所核心价值观之间取得微妙的平衡。持续学习、道德考量和促进创新必须始终处于组织战略的最前沿。在这一转型时期，领导者和员工如果能拥抱变化，战略性地利用人工智能，并优先考虑员工的福利，就不仅能应对挑战，还能在人工智能不断发展的动态环境中茁壮成长。
-
数据挖掘
数据挖掘公司 D square nv 完成 500 万欧元 B 轮融资
D square nv日前完成 500 万欧元 B 轮融资，融资方为 Gemma Frisius Fonds, Jürgen Ingels, Limburgse Reconversie Maatschappij, Fortino Capital。
D square nv 成立于 2007年12月，总部位于比利时哈瑟尔特。当时由创始团队自掏腰包 13.5 万欧元作为种子轮。后于 2008年7月，获得 45 万欧元的天使轮投资，资方为 Gemma Frisius & Vinnof。2010年9月，再次获得 250 万欧元的 A 轮融资，投资方为 Gemma Frisius Fonds 和 Limburgse Reconversie Maatschappij。
D square nv 是一家提供数据挖掘应用软件和性能优化解决方案的公司，可以帮助工厂管理部门检测、分析和解决流程工业上的关键瓶颈，达到甚至超过最严苛的生产目标。D square nv 把商业咨询、数据挖掘及创新打包成实时软件产品，在每个操作环节提供支持和交互。
TrendMiner 是 D square nv 旗下的产品名称。在测试阶段，TrendMiner 就已经占据荷兰和比利时试用地区 15%的市场份额，并且和化学、石油、天然气行业的知名企业合作。这些客户甚至帮助其确定了最终的产品性能。
为了保持产品的高速发展，TrendMiner 的团队成员已从 15 人扩张一倍到 30 人。D square nv 的老办公室，在奋斗了四年的情况下，也已人满为患。下一步，D square nv 会在美国建立一支销售团队。
本文参考信息来源：crunchbase.com
-
数据挖掘
从帮助猎头公司挖掘简历数据开始，TalentBot想给HR做一个简历的公有云
HR在招聘中经常会遇到的问题往往不是收不到简历，而是如何筛简历。职位发布后，从前程无忧、51Job、拉勾、周伯通等网站涌过来的简历少则五六十、多则七八百，每份都要一一查看。更糟心的是，费劲筛掉的简历，之后就变成了归类管理都很麻烦的闲置资源。
泰博数据(TalentBot)就打算解决企业和HR筛简历麻烦的问题，为企业提供免费的简历管理SaaS工具。这套工具可以用数据挖掘的方式，自动提取出每封简历中企业关心的信息（如候选人的工作年限、工作内容、职位、地理位置等），再将简历进行打分排序，并自动对每份简历生成详细的《简历分析报告》。
市面上这种打“数据挖掘”牌的公司很多。TalentBot 创始人郭炎彬表示，TalentBot的系统集成了“自然语言分析”技术，相比简单提取关键词，系统可以“理解”整句话表达的意思。同时，随着特定职位简历数据累加，系统的“机器学习”会让算法模型越来越准。
他告诉记者，“一个熟练的猎头顾问通过5分钟的阅读分析，凭借经验给出分析报告，与TalentBot在5秒钟内计算出来的报告几乎一样。”
但实现这样的“效果”是有前提的。首先要明确职位的类型，然后，“根据某一特定职位分析1万份以上的简历之后，学习的模型才能基本起到作用，简历数量超过了10万的门槛之后，这套系统才能和人工筛选的效果相提并论。”去年推出人才智能投递系统的哪上班也有类似的经验，他们创业之初就想做智能匹配和推荐，但由于样本数量太少，无法享受到数据和算法的红利。
因此将所有使用TalentBot的企业和HR提供的数据集中在一起就成了必然，这些被系统分析过的简历汇集在一起，形成一个“简历池”。
“简历池”又衍生出了其他的想象空间。HR在搜索自己库内简历候选人时会收到来自系统推荐的相似人才，这些人才来自于另一家公司向社区开放的简历资源（不愿意共享简历可设置保密），如果企业和HR对TalentBot推荐的人才感兴趣，可以付费下载推荐人的简历。
也就是说，使用TalentBot服务的公司构成了一个简历“公有云社区”。这无形中减少了企业之间重复向招聘网站购买简历的成本。郭炎彬告诉36氪，每封简历的上限是10元，他们做这个事，主要是想盘活文章一开始提到的闲置的“简历资源”。
据郭炎彬透露，目前使用TalentBot服务的公司已经有438家。TalentBot使用阶梯定价的方式，计算简历在1万封一下的免费，往上分为1-5万，5-10万和10-50万封几个等级，算得越多，收费越高。对于这个定价策略，郭炎彬解释道，一般的公司需要计算的简历其实比较少，而到了10-50万封这个数量级的基本上是大猎头公司，一般大猎头公司价格敏感度不高，他们更看效果。
用“大数据”提升HR招聘效率的还有e成，e成用一个基于60多个维度数据的模型，帮助HR选择适合于本企业的入职率更高的面试人选；提供“简历管理工具”服务的则有去年刚刚拿到B轮2000万美元融资的猎上网“简历宝”，“简历宝”为猎头免费提供批量简历解析、处理，简历搜索等服务，目的是帮助猎头更好的管理招聘流程；做房地产垂直的找沃网鼓励HR们在平台上交换“闲置简历”，HR可以给手中的简历“定价”，买简历的企业还能不满意退货。
郭炎彬认为，相比招聘公司，TalentBot更像是一家“大数据服务”公司。未来会围绕数据挖掘去开发一些新的服务。在接下来几个月里，TalentBot会对企业和HR对人才的选择的偏好进行记录，尝试优化对企业推送人才的效果。同时，他们也会针对求职者端推出“海投神器”，根据企业的条件来匹配求职者。
TalentBot创始人郭炎彬是连续创业者，曾在人力资源行业工作多年；CTO 王珣昱曾做过美国自然科学基金(National Science Fund)的大数据挖掘和分析产品；CMO樊少霞曾担任万得资讯市场经理，负责推广金融数据终端平台。
TalentBot准备在今年4月进行融资。
来源：36氪 作者：饭遥
扫一扫，关注“HRTechChina",聆听人力资源科技的声音！
-
数据挖掘
大数据流程处理“三要”“三不要”
大数据时代处理数据的三大转变：要全体不要抽样，要效率不要绝对精确，要相关不要因果。
具体的大数据处理方法确实有很多，但是根据笔者长时间的实践，总结了一个普遍适用的大数据处理流程，并且这个流程应该能够对大家理顺大数据的处理有所帮助。整个处理流程可以概括为四步，分别是采集、导入和预处理、统计和分析，最后是数据挖掘。
大数据时代处理之一：采集
大数据的采集是指利用多个数据库来接收发自客户端(Web、App或者传感器形式等)的数据，并且用户可以通过这些数据库来进行简单的查询和处理工作。比如，电商会使用传统的关系型数据库MySQL和Oracle等来存储每一笔事务数据，除此之外，Redis和MongoDB这样的NoSQL数据库也常用于数据的采集。
在大数据的采集过程中，其主要特点和挑战是并发数高，因为同时有可能会有成千上万的用户来进行访问和操作，比如火车票售票网站和淘宝，它们并发的访问量在峰值时达到上百万，所以需要在采集端部署大量数据库才能支撑。并且如何在这些数据库之间进行负载均衡和分片的确是需要深入的思考和设计。
大数据时代处理之二：导入/预处理
虽然采集端本身会有很多数据库，但是如果要对这些海量数据进行有效的分析，还是应该将这些来自前端的数据导入到一个集中的大型分布式数据库，或者分布式存储集群，并且可以在导入基础上做一些简单的清洗和预处理工作。也有一些用户会在导入时使用来自Twitter的Storm来对数据进行流式计算，来满足部分业务的实时计算需求。
导入与预处理过程的特点和挑战主要是导入的数据量大，每秒钟的导入量经常会达到百兆，甚至千兆级别。
大数据时代处理之三：统计/分析
统计与分析主要利用分布式数据库，或者分布式计算集群来对存储于其内的海量数据进行普通的分析和分类汇总等，以满足大多数常见的分析需求，在这方面，一些实时性需求会用到EMC的GreenPlum、Oracle的Exadata，以及基于MySQL的列式存储Infobright等，而一些批处理，或者基于半结构化数据的需求可以使用Hadoop。
统计与分析这部分的主要特点和挑战是分析涉及的数据量大，其对系统资源，特别是I/O会有极大的占用。
大数据时代处理之四：挖掘
与前面统计和分析过程不同的是，数据挖掘一般没有什么预先设定好的主题，主要是在现有数据上面进行基于各种算法的计算，从而起到预测(Predict)的效果，从而实现一些高级别数据分析的需求。比较典型算法有用于聚类的Kmeans、用于统计学习的SVM和用于分类的NaiveBayes，主要使用的工具有Hadoop的Mahout等。该过程的特点和挑战主要是用于挖掘的算法很复杂，并且计算涉及的数据量和计算量都很大，常用数据挖掘算法都以单线程为主。
整个大数据大数据时代处理的普遍流程至少应该满足这四个方面的步骤，才能算得上是一个比较完整的大数据处理。
【文章来源：199IT】
扫一扫 加微信
hrtechchina
