-
算法
【柏林】农业科技公司hexafarms获得130万欧元种子轮投资，以增强商业室内农场主的能力
利用人工智能优化温室为未来粮食生产提供动力的农业科技先驱 hexafarms 宣布成功完成 130 万欧元的种子轮融资，本轮融资由欧洲领先的早期投资者 Speedinvest 领投，Mudcake 和 techstars 参投。有了这笔新资金，hexafarms 将进一步发展其人工智能和机器学习能力，并扩大其研发专家团队。
新一轮融资使 hexafarm 的融资总额超过 250 万欧元，这将使 hexafarms 能够继续投资于其人工智能和机器学习能力，提高预测的准确性，并扩大公司的作物组合。根据支持作物和栽培品种的公开信息，hexafarms 目前拥有全欧洲最广泛的作物组合，本季度预计将加工 900 万公斤草莓和西红柿。
公司创始人兼首席执行官David Ahmed说： "虽然全球农业在很大程度上发挥着基础性作用，但令人沮丧的是，它却没有得到充分优化。我们的使命就是彻底改变这一现状。通过不断发展的人工智能模型，我们的目标是在可变成本和损失方面挖掘出近 30% 的潜在节约潜力。通过利用算法的力量，我们可以在任何规模上满足每个工厂的个性化需求，从而超越人工干预的能力。
全球粮食生产生态系统目前正面临着巨大的挑战，所生产的粮食在收获和零售之间损失了 14%[1]，在种子到收获之间损失了约 10-30%[2][3]，加剧了粮食不安全和全球饥饿。考虑到西方城市消费的水果和蔬菜中约有 55% 是在室内栽培的[4]，要解决这一问题，在包括温室在内的室内空间采用简化的方法进行粮食生产至关重要。Hexafarms 正在利用受控环境农业市场带来的机遇，通过人工智能模型优化作物生产，减少可预防的损失，该市场到 2030 年有望达到 1000 亿美元的产值[5]。
hexafarms诞生于2021年，公司希望解决食品生产过程中依赖人工的低效率问题，这种解决方案既无法扩展，也不可持续。公司提供人工智能驱动的 SaaS 解决方案，以促进商业温室的优化食品生产，解决因生产优化不足而造成的 30% 投资损失。hexafarms为大型设施提供服务，利用hexafarms摄像头和传感器的各种数据得出有意义的见解，使高端作物的季节性收成提高了30%。hexafarms 应用程序为种植者提供有关收获时间的准确、有针对性的信息，并强调在生产过程中可以解决的问题，以优化植物生物学，从而成为了解生产的窗口。在全球粮食供应枯竭问题日益受到关注的情况下，公司的可扩展解决方案将植物生物学专业知识与人工智能模型相结合，在商业化粮食生产领域提供了比单靠人类专业知识更具竞争力的优势。
Speedinvest 气候技术与工业技术投资团队合伙人 Andreas Schwarzenbrunner 评论说： "农业部门迫切需要创新的解决方案，以应对气候变化对商业化粮食生产过程和粮食不安全造成的压力。我们对 hexafarms 充满信心，迫不及待地希望看到他们进一步发展人工智能和机器学习能力，扩大专家团队。我们坚信，他们的应用程序将通过优化和数字化改变商业食品生产。
Mudcake 的创始合伙人Anna Ottosson补充说："在未来几十年里，将有超过 90 亿人需要健康营养的食品。我们只有通过提高生产系统的效率才能实现这一目标。hexafarms利用其独特的人工智能优化软件为商业温室提供服务，将有助于确保当代和子孙后代的粮食安全。我们很荣幸能够支持他们完成这一重要使命。
-
算法
【美国首个立法】招聘算法反偏见法—美国纽约开始执行新的法律
摘要： 纽约市开始执行一项新法律，即本地法律144，该法律要求使用算法进行招聘、雇佣或晋升的雇主提交这些算法进行独立审计，并公开结果。该法还要求公司披露他们使用的算法以及不同种族、族裔和性别的候选人可能从这些算法中获得的平均分数。不遵守规定的公司将面临处罚。该法适用于在城市中执行或申请工作的任何人。然而，批评者认为该法并未做得足够多，可能只被解读为覆盖一部分招聘算法。
经过数月的延迟，纽约市今天开始执行一项法律，该法律要求使用算法进行招聘、雇佣或晋升的雇主提交这些算法进行独立审计，并公开结果。这项在全国范围内首创的立法（纽约市地方法 144 Law 144），还要求使用这类算法的公司向员工或求职者进行披露。
至少，公司必须公开的报告必须列出他们正在使用的算法，以及不同种族、族裔和性别的候选人可能从所述算法中获得的“平均分数”——以分数、分类或推荐的形式。它还必须列出算法的“影响比率”，该法律将其定义为特定类别（例如，黑人男性候选人）中所有人的平均算法给定分数除以最高得分类别中人们的平均分数。
未能遵守规定的公司将面临第一次违规罚款375美元，第二次违规罚款1350美元，第三次及任何后续违规罚款1500美元。每天一家公司使用不符合法律的算法，都将构成单独的违规行为——就像未能提供足够的披露一样。
重要的是，地方法律144的范围超出了纽约市的工人。只要一个人在城市里做工作或申请工作，他们就有资格在新法律下得到保护。
许多人认为这是迫在眉睫的。Applied的首席执行官Khyati Sundaram指出，特别是招聘AI有可能放大现有的偏见——在此过程中加剧就业和薪酬差距。
“雇主应避免使用AI独立评分或排名候选人，”Sundaram通过电子邮件告诉TechCrunch。“我们还没有达到一个地方，那里的算法可以或应该被信任，自己做出这些决定，而不是反映和延续已经存在于工作世界的偏见。”
不必远寻就能找到偏见渗入招聘算法的证据。2018年，亚马逊废弃了一个招聘引擎，因为发现它对女性候选人有歧视。2019年的一项学术研究显示，AI在招聘中存在反黑人偏见。
在其他地方，算法被发现根据是否戴眼镜或头巾等标准给求职者分配不同的分数；因为有黑人名字、提到女子学院，或者使用某些文件类型提交简历而惩罚申请人；并且对那些由于身体残疾而限制与键盘互动的人造成不利。
偏见可以深入人心。2022年10月，剑桥大学的一项研究暗示，声称提供客观、基于功绩的评估的AI公司是假的，认为去除性别和种族的反偏见措施是无效的，因为理想的员工历史上受到他们的性别和种族的影响。
但是风险并没有减缓采用的步伐。根据2022年2月人力资源管理协会的一项调查，近四分之一的组织已经利用AI支持他们的招聘过程。在拥有5000名或更多员工的雇主中，这个比例甚至更高——42%。
那么，雇主到底在使用什么形式的算法呢？这是多种多样的。一些更常见的是根据关键词对简历和求职信进行排序的文本分析器。但也有聊天机器人进行在线面试，以筛选出具有某些特征的申请人，以及设计用于从他们的语言模式和面部表情预测候选人的问题解决能力、才能和“文化适应性”的面试软件。
事实上，招聘和招聘算法的范围如此之广，以至于一些组织不认为地方法律144走得够远。
纽约州美国公民自由联盟的纽约分支机构NYCLU认为，该法在为候选人和工人提供保护方面“远远不够”。NYCLU的高级隐私和技术策略师Daniel Schwarz在一份政策备忘录中指出，地方法律144可能会被理解为只覆盖一部分招聘算法——例如，排除了将视频和音频面试的文本转录的工具。（鉴于语音识别工具有一个众所周知的偏见问题，这显然是有问题的。）
“……提出的规则[必须加强，以]确保广泛覆盖[招聘算法]，扩大偏见审计要求，并向受影响的人提供透明度和有意义的通知，以确保[算法]不会通过数字方式绕过纽约市的反歧视法，”Schwarz写道。“候选人和工人不应该需要担心被歧视性的算法筛选。”
与此同时，该行业正在进行初步的自我监管努力。
2021年12月，数据与信任联盟（Data & Trust Alliance）成立，该联盟旨在开发一个评估和评分系统，以检测和对抗算法偏见，特别是在招聘中的偏见。该组织一度包括CVS Health、德勤、通用汽车、Humana、IBM、万事达卡、Meta、耐克和沃尔玛等成员，并获得了大量的新闻报道。
毫无疑问，Sundaram支持这种方法。
“而不是希望监管机构赶上并遏制招聘AI的最糟糕的过度行为，这取决于雇主在使用AI进行招聘过程时保持警惕，并谨慎行事，”他说。“AI的发展速度比可以通过的法律来规范其使用的速度更快。最终通过的法律——包括纽约市的法律——可能会因此变得非常复杂。这将使公司面临误解或忽视各种法律细节的风险，反过来，会看到边缘化的候选人继续被忽视。”
当然，许多人会争辩说，让公司为他们正在使用或开发的AI产品开发一个认证系统从一开始就是有问题的。
虽然在某些领域不完美，但批评者认为，地方法律144确实要求审计由独立的实体进行，这些实体在测试的算法的使用、开发或分发中没有参与，也没有与提交算法进行测试的公司有关系。
地方法律144最终会影响变革吗？现在还太早说。但是肯定的是，其实施的成功或失败将影响到其他地方的法律。正如Nerdwallet最近的一篇文章所指出的，华盛顿特区正在考虑一项规定，该规定将使雇主负责防止在自动决策算法中的偏见。在过去的几年里，加利福尼亚州引入了两项旨在规范招聘中AI的法案。去年12月底，新泽西州引入了一项法案，该法案将规范招聘决策中AI的使用，以最大程度地减少歧视。
-
算法
【问题】临时工越来越多地被不透明的算法所评价
临时工越来越多地被不透明的算法所评价。这使他们变得偏执。
这些系统可以为自由职业者创造一个 "无形的牢笼"。
在互联网的某个角落，你很可能已经被评级了。
这些评级帮助各种企业做出决定，比如在哪里承担风险，以及如何改善他们的运营。但是，评级是如何影响被评级的人的呢？凯洛格大学的哈蒂姆-拉赫曼(Hatim Rahman)的新研究表明，尽管这些算法不透明--事实上主要是因为这种不透明--它们正在影响被评级者。
它们正在以意想不到的方式塑造人们的行为。
管理和组织学助理教授拉赫曼调查了算法对自由职业者在线劳动平台的影响。"Rahman说："现在有很多关于未来工作的对话，以及它将是什么样子的。"这些平台是下一个前沿领域的一部分。"
像许多承诺将自由职业者与付费客户联系起来的网站（其中包括Upwork、TopCoder和TaskRabbit）一样，接受Rahman审查的网站采用了一种复杂的算法对自由职业者进行评分。潜在的客户可以根据这个分数来分类和选择潜在的雇员。
为了了解这种不透明的评估系统对自由职业者的影响，拉赫曼加入了这个平台（他将其化名为 "TalentFinder"），并对自由职业者和雇用他们的客户进行了采访。他还分析了TalentFinder的书面通讯和自由职业者讨论区的帖子。
所有与他交谈过的工人都经历了持续的偏执，担心分数可能会突然下降，而且无法解释。他们对这种恐惧的反应与其说是取决于他们的评级强度，不如说是取决于他们以前是否经历过分数的下降--关键是，他们对平台的收入依赖程度。
拉赫曼解释说，传统上，学者们将工作场所的评价描述为帮助收紧工人的 "铁笼子"，因为它们允许雇主限制行为并设定成功标准。算法评价具有不同的、潜在的破坏性影响。
"拉赫曼写道："不透明的第三方评价可以为工人创造一个'无形的笼子'，"因为他们将这种评价视为一种控制形式，但却无法解读或学习成功的标准。"
当然，正如Rahman所指出的，我们中的许多人不仅生活在这种无形的笼子里，我们还在塑造它的条条框框方面发挥了小小的作用。每当我们给亚马逊购物或Lyft司机打分时，我们都在潜在地影响他人的生计。
"使用这些平台的人基本上没有意识到他们在影响这些系统及其算法方面的作用，"他说。"它只是感觉是一种非常交易性的关系。"
让评价标准变得神秘
"TalentFinder "是同类产品中最大的平台之一。2015年，超过1200万名自由职业者在该网站上注册，还有500万名客户在100多个国家注册。客户可以从各种各样的临时工中选择，从助理到营销人员到软件工程师。2013年，当拉赫曼在TalentFinder注册开始他的研究时，该平台根据一个透明的项目评分和综合评分系统对自由职业者进行评分。项目完成后，客户会根据 "技能"、"工作质量 "和 "遵守时间表 "等多项属性，对自由职业者进行1到5分的评分。将这些分数汇总后得出项目总分，并将这些项目分数（根据每个项目的美元价值加权）合并，得出五颗星的总评分，并将其列入自由职业者的简介中。
尽管这个评估系统很直接，但它给TalentFinder带来了一个问题：自由职业者的评分全面过高，缺乏对客户有帮助的差异性。有一次，90%以上的自由职业者至少有四颗星，80%的人有接近完美的评价。
"我认为无形的笼子的比喻更广泛地适用，因为我们正在进入这个系统，在这个系统中，我们所做的一切，所说的一切，以及我们如何互动，都在向我们不一定意识到的算法提供信息。"
- 哈蒂姆-拉赫曼
解决方案：一种算法。从2015年开始，自由职业者被按1到100的等级进行评级，依据的是有意的神秘标准。
"TalentFinder在算法推出三个月后的一篇公开博文中写道："我们不透露你的分数的具体计算方法。"这样做会使一些用户更容易人为地提高他们的分数。" 新算法实施后，只有约5%的自由职业者获得了90分或以上。
为了研究新评价系统对自由职业者的影响，拉赫曼从三个方面收集了2015年至2018年的数据。与自由职业者进行的80次访谈和与客户进行的18次访谈；书面交流，包括两千多条与算法有关的TalentFinder社区讨论板信息和TalentFinder关于该主题的所有公开帖子；以及他自己作为注册客户的观察。
普遍的偏执狂
当Rahman整理他的采访和书面资料时，他被他听到的抱怨的一致性所震惊。所有与他交谈过的自由职业者都对他们的分数可能突然下降感到偏执，并对他们无法从分数的波动中学习和改进感到沮丧。
"他说："最让我吃惊的是，平台上表现最好和最有经验的自由职业者在弄清算法如何运作方面并不一定获得任何优势。"一般来说，那些在一个系统中表现良好的人能够在某种程度上弄清楚发生了什么。但在这种情况下，即使是那些分数没有变化的人也非常紧张。"
拉赫曼观察到对这种偏执和沮丧的两种不同反应。一种反应是他所说的 "实验性反应"--自由职业者试图通过试验和错误来提高他们的分数，例如，只承接合同期短的项目，或主动要求客户发送反馈。
另一种反应是，自由职业者试图通过拉赫曼所说的 "受限活动 "来保护他们的分数。自由职业者试图通过各种方式来限制他们对评估算法的接触，有时要求他们在TalentFinder上遇到的客户离开该平台进行沟通和付款，这样他们的评分就不会受到影响。其他人则什么都不做，希望这样能保持他们的评级。
如何建立人人都能信任的人工智能
拉赫曼分离出两个主要因素，决定了哪些自由职业者进行了试验，哪些从平台上撤下来或干脆什么都不做：自由职业者对平台收入的依赖程度，以及他们的分数是否下降。
这取决于自由职业者的分数是高还是低。
高度依赖平台的高评分自由职业者根据他们最近是否看到分数下降来选择他们的策略。那些看到分数下降的人尝试了提高分数的策略；如果他们的分数没有下降，他们就会限制他们在平台上的活动，以保护他们的分数。对平台依赖度低的高绩效者限制了他们在 TalentFinder 上的时间，无论他们是否经历过分数下降。
对于分数较低的自由职业者，他们对平台的依赖似乎决定了他们走哪条路。如果他们依赖平台，即使分数继续波动，他们也会进行实验。如果他们不觉得与收入挂钩，他们就会逐渐限制自己的活动。
Rahman 解释说，与传统工作环境相比，这些平台上的工人职位感觉更不稳定，因为确实如此。虽然典型的雇主评估主要是为了帮助员工改进，但由 TalentFinder 等网站上的算法促进的评估主要是为了帮助平台自动化从庞大的人才库中挑选“最佳”员工的工作，从而满足其客户.
“对于平台来说，关键在于优化整体动态；他们的主要目标不是帮助员工改进，”拉赫曼说。“对于人们的日常生活体验，尤其是当他们依靠平台工作时，这可能会非常令人沮丧和困难。”
住在笼子里——并塑造它
自从进行这项研究后，Rahman 说他越来越了解我们大多数人生活在其中的各种隐形笼子。例如，他指出最近的报告详细说明了从我们的电视和真空吸尘器到我们用于医疗处方
和汽车保险的智能手机应用程序如何收集我们的数据并使用它以我们基本上不可见的方式训练专有算法.
“我认为，当我们进入这个系统时，隐形笼子的比喻更广泛地适用，在这个系统中，我们所做的一切、所说的以及我们互动的方式都被输入到我们不一定意识到的算法中，”他说。
他指出，有些人比其他人更自由地退出这些平台；这一切都归结为他们对他们的依赖程度。他说，未来研究的一个富有成果的领域可能是检查种族、性别和收入等特征与对平台及其算法评估的依赖之间的关系。例如，重要的是要了解来自某些种族群体的个人是否更有可能在租用公寓、开设信用卡或加入健康保险之前被算法“评估”（并可能被列入黑名单）。
“将这种隐形笼子的比喻带到最前沿的希望是让人们意识到这种现象，并希望以一种人们可以与之相关的方式，”拉赫曼说。“当然，即使我们意识到这一点，鉴于这些系统的复杂性及其算法的变化速度，也很难知道该怎么做。”
立法开始对仍然很大程度上不受监管的领域进行一些监督。2020 年加利福尼亚州消费者隐私法案是美国最强有力的此类立法，确立了在线用户了解、删除和选择退出个人数据收集的权利。2018 年，欧盟通过了更加激进的立法到同样的目的。“这是一个令人振奋的迹象，”拉赫曼说，“但仅靠监管远非万能药。”
作者：哈蒂姆·拉赫曼 凯洛格管理学院
-
算法
亚马逊卡车司机投诉自己被算法劫持
随着技术在工作场所中扮演越来越重要的角色，公司如何设置界限
一名亚马逊意大利的司机说，他被算法挟持了。亚马逊否认了这一说法。
此前，亚马逊告诉美国司机：需接受人工智能驱动的摄像头，否则将失去工作。
我们被一个算法所挟持，它为我们计算每天的路线，并要求在8小时的轮班中平均交付140次--这是亚马逊在意大利的第三方送货司机Daniele的说法。
据《金融时报》报道，Daniele--他的姓氏没有被披露--表示，他注意到去年有价值数百欧元的交通罚单被从他1600欧元（1800美元）的月薪中扣除。
上周，丹尼尔在Castel San Giovanni--皮亚琴察省的一个小镇和乡镇--进行抗议，他说，这些违规停车行为是由于公司苛刻的送货时间表造成的。
意大利亚马逊拒绝了关于送货司机被其算法施加压力的说法，声称工人受益于国家集体谈判。
不过，Daniele表示，司机 "预计每三分钟就会按包裹送货。当然，我们超速，或者把货车停在车道上，然后公司让我们支付罚款。"
上周举行的抗议活动是亚马逊在意大利的9500名员工的首次全国性行动，也是公司在零工gig经济中遇到的最新障碍。
与此同时，总理马里奥-德拉吉的新联合政府正在与西班牙合作，为工人制定新的规章制度，并推动整个欧盟范围内对零工工人权利的协调。
"我支持需要为这些新型的[商业]关系找到某种形式的保护，"劳工部长Andrea Orlando告诉《金融时报》。"这意味着帮助建立一个高效有序的系统。"
此前几周，美国各地的亚马逊送货司机被迫同意在他们的送货车辆中安装AI驱动的摄像头，否则将面临失业。
正如unleash此前报道的那样，这家电商巨头要求其所有司机签署一份生物识别同意书，该同意书为其提供司机的位置和移动信息，并收集面部识别等生物识别数据。
-
算法
人工智能如何预测员工需求？
本文讨论了个性人工智能如何帮助管理者预测员工的需求，以及促使员工在充满挑战的环境中表现更好的因素。这项技术可以通过简单地跟踪相关员工的眼球运动和肢体语言来预测他们的性格。
这项技术有助于分析数以百万计的数据点，以确定某人的个性，即使你对此人一无所知。这项技术可以通过简单地跟踪眼睛和其他人的动作来预测他们的性格。它包含了200多个眼球运动特征，如眨眼、注视的方向、瞳孔的扩大等。个性人工智能可以提供诚实和公正的结果。
个性AI所使用的方法比其他专家评估工具更快、更便宜且更准确。整个过程可以在很大程度上减少不良员工的数量。由于被录用的员工适合于特定职位，因此他们在组织中的停留时间会更长，从而提高了保留率。
被雇佣的员工会很乐意来办公室，他们也会开始喜欢可怕的星期一！
人力资源经理、候选人以及错误的雇佣
根据一份报告，有70％的有才能的人愿意从事有意义且有趣的职业和工作。
发生这种情况是因为大多数劳动力认为他们被卡在错误的工作上，而这并没有驱动或激励他们表现更好。他们是才华横溢的候选人，但在工作中，他们感到不能大展拳脚。因为，他们没有感到满足，所以他们无法表现最好。对于各种组织中的人力资源经理来说，这样的情况是一个挑战。
在这种情况下，人力资源经理需要检查候选人的人格，但在某些情况下，候选人会伪造人格测验以适合组织中的职位要求。在这里，个性化AI可以通过正确的分析帮助经理找到合适的候选人。
使用个性化AI招募候选人的公司
全世界许多公司都在AI的帮助下面试候选人。HireVue Inc.就是一个例子。它成立于2004年，总部位于美国南乔丹。该公司进行了基于视频的采访，其中包含了预设的问题，供考生在镜头前回答。然后对视频进行分析，以检查眼睛的运动、手的运动、手势等。
就像第一阶段一样，人工智能就像是一种魅力。它会对候选人的简历进行初步分析，以交叉检查技能。如果只有一个职位有很多申请人，这有助于加快招聘过程。人工智能可以用更少的时间来执行该过程，而人类则需要更长的时间。
一项研究甚至发现，使用增强软件的公司可以将人才获取效率提高16％。
人力资源经理和员工绩效的驱动因素
分析甚至可以帮助人力资源经理识别可能对员工绩效产生最大影响的活动。然后，组织可以将他们的努力引导到将吸引最大参与度的计划上。他们可以预测危险信号，例如表现不佳的员工，他们将来的表现可能会更好还是更差等。管理人员然后可以计划正确的策略以改善绩效低下的员工的绩效。
了解更多：https://hrtechchina.com/
人工智能和工作场所需求
人工智能将为组织带来新的成功水平，其中包括协作能力、学习、决策的有效性、实验、信息共享等。甚至会使工作场所保持公正，因为许多次人类下意识地偏向于自己喜欢的人。人工智能消除了所有人的偏见，只寻找候选人中的相关事物。在进行交互时，它还会检查他是否适合组织的文化，以便使他感到在工作场所有动力并努力表现更好。工作场所变得更加包容和开朗。
人力资源部门意识到，要吸引和留住顶尖人才，就需要依靠数据和科学，而不是凭直觉或直觉。科学有助于理解一个人的潜意识，有时候这个人本人也没有意识到。将合适的人加入团队后，可以提高集体团队的效率。
分析是算法的组合，有助于正确了解员工的工作偏好以及可能促使员工表现更好的各种因素。
以上由AI翻译，仅供参考！
作者：Robert Jordan
来源：hrtechnologist
-
算法
数字化劳动力的5个主要特征
文/Erik van Vulpen
有很多关于数字人力资源和数字劳动力的讨论。在本文中，我将回答什么是数字劳动力以及如何应用这些知识来做出更好的人员决策的问题。为此，我使用了任何数字劳动力都需要具备的五个关键特征。
什么是数字劳动力?
这个问题的答案有点讽刺意味。如果你上网搜索(我帮你做的)，答案很简单：没有人真正知道。根据德勤2017年全球人力资本趋势报告，它被评为非常重要！下图显示了受访者对这一数字人力资源趋势的“重要”或“非常重要”的百分比。
资料来源：德勤全球人力资本趋势,2017
当然，数字劳动力和数字人力资源是不一样的，但这有很大的关系!
要了解什么是数字劳动力，我们最好看看已经利用这一点的组织。这些是几年前像谷歌和Facebook这样的高增长公司。通过利用所有可用的数字功能，这些类型的组织可以非常迅速地扩展其工作人员。
如果我们能从这些高速增长的组织中学习，我们就能开始将这些经验应用到我们自己的组织中。
我将解释什么是数字劳动力，它将如何改变我们的工作方式，以及如何使用它使组织更有效。
数字劳动力的特点
数字劳动力由五个关键组件组成，可以通过SCALE缩略语来记住。
员工的需求
维护和利用社区
使劳动力更有效地工作的算法
利用技术使工作完全自动化
吸引剩余的劳动力
1. 员工的需求
数字化劳动力的一个关键特征是随需应变的员工。员工随需应变的中心是利用组织外部的人员。通常，这被称为分布式劳动力。
越来越多的公司不再雇佣签有合同的员工，而是依赖于员工的需求。优步(Uber)就是一个例子，该公司拥有一支司机队伍，只要他们想工作，随时都可以上网。有趣的是，任何时候司机的数量都与找出租车的人数有关。大多数优步司机喜欢在周末和特殊活动期间工作，因为这段时间有很多客户，非常忙。这样，员工的供给就与客户的需求相匹配。
Uber eats、Takeaway.com、Delivery Hero和Foodora等外卖服务也出现了类似的情况。对于Deliveroo，它是Delivery Hero的一部分，注册成为一名送货员需要2分钟，通常几天之内你就会收到Deliveroo工具包——包括他们的签名背包——你就可以出发了。在这种情况下，员工是非常有形的，但入职时的接触非常少，而且是数字化的。
我在视频中提到的其他例子还有Fiverr和Gigwalk。Gigwalk使你可以让你的产品在世界各地的任何商店由你没有雇用的人检查。通过这种方式，您可以获得关于您的产品的几乎实时数据，而无需亲自检查。Fiverr是一个自由职业服务市场，它可以让你用几美元得到几乎任何你想做的工作。
2. 社区
数字劳动力的第二部分是社区。可以利用社区和人群来获取想法和输入。例如，越来越受欢迎的黑客松或创新竞赛，奖励那些为现实生活中的问题提出最佳解决方案的团队。
社区的其他例子是前雇员的社区。当涉及到项目工作和专业任务时，能够接触到与组织非常熟悉的人才可以提供许多好处。
3.算法
算法让生活变得更简单——今天它们无处不在。有越来越多的工具可以用来简化工作。作为一名作家，我使用Grammarly(一种在线语法和拼写检查工具)和Hemmingway(一种强调复杂句子和常见错误的编辑器)。
对于其他工作，还有其他工具。简单的算法使您能够创建现成的契约，而像Lynn这样的工具使您能够检查保密协议(通常是高度标准化的)是否存在错误和可疑条款。另一款应用是FeeBelly，它会扫描隐藏费用或其他昂贵细节的一般合同，并将它们指出给用户。
如果你的公司有常规和可预测的任务，看看自动化的可能性。这些包括常规的人力资源流程，这些流程也有资格实现自动化。这通常会提高速度，改善员工体验和数据质量。
4. 利用技术实现任务自动化
在算法使工作更容易的地方，自动化使工作更轻松。真正的数字化员工不应该被日常和重复的任务所占据。麦肯锡全球产业报告显示，到2030年，美国23%的工作时间将实现自动化，全球15%的工作时间将实现自动化。引领这一潮流只会节省你的时间。
最有可能自动化的工作具有可预测的重复活动模式。下面，你会发现一份风险最大的工作列表。
新闻业也将面临自动化的风险。这篇文章可能是由一个机器人写的，基于其中包含的YouTube视频剪辑。你根本不知道。据《华盛顿邮报》报道，仅2016年，《华盛顿邮报》就发表了850篇由机器人撰写的文章。
自动化即将到来，它将产生非常真实的影响。它将使我们的生活变得更容易，但它也将挑战我们，让我们比以前更多地改变和与机器互动。更无聊和重复性更强的任务将被自动化，这将给我们更多的时间来解决问题和创造新的想法。这将大大提高我们的生产力。
5. 雇佣劳动力(剩余部分)
当员工在解决问题和创造性任务上花费更多时间时，保持正确的精神状态就变得更加重要。接触的重要性只会进一步增加。
敬业的员工有精力去面对一天的挑战，他们全身心地投入到工作中，全身心地投入到工作中。他们的工作效率更高，犯的错误更少，也更具创新性。
随着生产力的提高，敬业的员工对组织的回报将会更高。
为了让工人们进入正确的思维状态，他们需要首先把技术看作是让他们(工作)生活更容易的东西。这是组织和人力资源部门的任务，他们需要为一个更加自动化和技术驱动的未来做好准备。换句话说:他们需要在员工中创造一种亲技术的心态和文化。
一种方法是通过视觉讲故事。
尤其是当经理、人力资源和高管不知道如何向员工介绍新想法，或者不知道如何让他们参与新战略的实施时，视觉叙事可能非常有用。它是一个完整的包裹的意义，上下文和情感，吸引人们到一个特定的故事。因此，它可以促进理解，并为组织形成一种快速、一致和通用的语言，从而让员工参与其中。
结论
以上就是数字劳动力的主要特征。我希望本文已经向您展示了数字化是不可避免的——但是正确地利用它可以使员工和组织受益。利用数字技术可以节省时间、节省成本，让你的组织和员工专注于最具价值的任务。
以上为AI翻译，内容仅供参考
原文链接：5 Key Characteristics of the Digital Workforce
-
算法
芬兰两所监狱内服刑人员尝试新型劳役：协助训练AI算法。
新浪科技讯北京时间3月30日下午消息，据美国科技媒体The Verge报道，“狱中劳役”通常与体力活动相关，但是芬兰两所监狱内的服刑人员却在尝试一种新型劳役：归类数据，从而训练一家初创企业的人工智能算法。尽管这家初创企业Vainu认为这种合作形式是一种传授有价值技能的劳役改革，但是不少专家认为这种做法剥削了服刑人员的劳动力，因为囚犯的薪资待遇都非常低。
Vainu的联合创始人托马斯·莱斯利（Tuomas Rasila）表示，公司正在全球范围内建立一个综合性数据库，帮助企业找到承包商。为此，人们需要从互联网上阅读成千上万篇商业文章并进行标记，比如说一篇文章是关于Apple科技公司还是仅仅只是一家名字含有“Apple”的水果公司。（这些被标记的数据便会被用于训练管理数据库的算法。）
Vainu与监狱达成合作已有三个月时间。目前合作的两所监狱分别位于赫尔辛基以及图尔库。Vainu向这些监狱运送了10台电脑，并将根据服刑人员完成任务的情况向刑事制裁机构（Criminal Sanctions Agency）支付费用。尽管这笔费用与亚马逊劳务众包平台“Amazon Mechanical Turk”上完成任务支付的金额差不多，但是刑事制裁机构需要弄清楚服刑人员到底能够拿到多少钱并且挑选出能完成数据分类的囚犯。
莱斯利表示，机构的官员很乐于开展合作，尤其是这些新的岗位只需要一台笔记本电脑就够了。“这没有任何暴力风险。”他说道，“目前只有不到100名服刑人员参与这项工作，每天工作时间为几个小时。”（CSA的代表尚未回应置评请求。）
加利福尼亚大学圣地亚哥分校的通信学教授莉莉·伊朗（Lilly Irani）表示，这类工作在其他国家的需求也特别高。她表示，算法需要在特定文化下进行训练，大多数Mechanical Turk平台上的工人都是居住在美国境内的。
尽管莱斯利认为这种技能也许适用于未来，但他也承认这些任务都是“零学习曲线”，只需要识字即可，这就不免让人开始质疑该技能的用处。加州大学洛杉矶分校的信息科学教授萨拉·罗伯特（Sarah T. Roberts）表示，“这种类型的工作往往只是死记硬背、技术含量低的重复性工作”，且不需要具备任何高水平的技能。(一舟)
服刑人员表示，打死都不会再犯罪了，这个简直是酷刑啊~~
-
算法
e签宝：将商密算法应用于电子签名领域，能更好地帮用户把牢安全关吗？
来源| 猎云网
近日，e签宝透露，平台上的数据加密和解密过程已采用商密算法SM2，它也是国内首家支持该算法的第三方电子签名平台。
相比于原有的RSA算法，SM2在效率上更胜一筹。当RSA算法采用2048位的密钥时，SM2算法使用256位的密码即可达到同样效果。这意味着当SM2算法投入实际使用，它所占用的存储空间要小得多，用户使用的流畅度也会进一步增强。e签宝产品总监汪新宏告诉猎云网，当每日签约量达到千万级时，算法的优势将变得极明显。
此外，SM2的安全性也有显著提升，它由国家商用密码管理办公室制定，与国际通用的RSA技术有区隔，SM2的使用可保证无国外可利用的后门。国家密码管理局还下达了通知，到2020年要实现国产密码在金融领域的全面应用。
新算法有种种好处，为何应用该算法的电子签名平台仍然匮乏？
根本原因是行业生态仍不成熟，e签宝联合创始人兼产品VP 程亮比喻道，“就像你用美元结算，大家都认得，这就是共识，算法也要形成一种共识。”
RSA算法已进入运用领域多年，浏览器、Adobe阅览器、福昕阅读器等都能有效识别用该技术加密的数据，但能支持SM2算法的软件还不多。
面对这一现状，e签宝在落地SM2算法的同时，还在积极推动行业生态的丰富。它与福昕阅读器达成了战略合作，福昕阅读器已经能够解码e签宝用SM2加密的数据。
e签宝还在寻找更多的合作方，它希望随着生态的丰富，SM2技术能够成为国际通行标准之一。
团队在生态不成熟的情况下采用新算法，除了做行业先行者为生态丰富奠基的目的外，最主要仍是为了满足政府客户和金融客户对安全性的高要求。
事实上，e签宝在安全性上的建树不止于此，它还取得了商用密码产品型号证书。
不同于国内的其它电子签名平台，多数客户都来自于互联网行业，e签宝的客户群体中政府客户和金融客户占了很大比例。目前浙江省人民政府正与e签宝携手推动“最多跑一次”改革，它也是浙江省人民政府在电子签名领域的唯一合作方。此外，部分法院、仲裁委、公证处、医院等都采用了e签宝的解决方案。在企业端，华为和海康威视等公司也是其客户。
正是这些头部客户的现实需求，倒逼e签宝进行改革。
e签宝是国内最早从事研究和推广电子签名的企业，也是国内领先的第三方电子签名平台，从2002年创立到现在，e签宝已经拥有52项著作权、16项发明专利，承担2项国家级课题项目。
在刚刚结束的“电子证据与电子签名法律研讨会暨区块链技术电子签名应用论坛”上，金宏洲宣布了e签宝最新的签署数据，截至2018年5月底，e签宝已经服务超过100万家企业用户，1亿个人用户，累计签章量达到35亿次。
早在2005年，电子签名法刚出台，公司就以定制化软件的形式提供电子印章服务，并于2010年与政府建立深度合作。
程亮回忆道，到了2014年，互联网产业高速发展，出现了很多无纸化需求，公司遂顺势推出了e签宝这一线上平台，并将服务延伸至后端的法律服务。
在e签宝推出后，恰逢政府也在进行互联网＋改革，双方的合作持续至今。
谈及未来，团队表示将推进SM2算法应用于更多领域，程亮道，“到时候可能不限于政府和金融客户，我们也会推进一些标准，让它的使用范围更广。”
他认为e签宝今日先行一步，做了探路者的角色，而终有一天SM2将成为中国通用的底层算法，毕竟中兴的中国芯事件已为我们敲响自主研发的警钟。
-
算法
用算法优化工程师招聘流程，Triplebyte获1000万美元A轮融资
【猎云网（微信号：ilieyun）】3月1日报道 （编译：小白）
Triplebyte是一家位于旧金山的创业公司，成立已有三年时间。公司专门开发用于评估工程师技能且为他们匹配适合工作的软件和工具。近日，Triplebyte宣布获得1000万美元A轮融资，由Initialized Capital领投。
“任何公司都越来越需要发展其自身的软件业务，”Initialized Capital的联合创始人Alexis Ohanian说。并且，他还补充说，企业对工程师的需求只会不断增加。
另一方面，Triplebyte通过在线测试和技术面试来评估潜在求职者的技能水平。
随后，算法将把他们的技能与最适合他们的工作进行匹配。
目前，大约有40%的求职者居住在湾区以外的地区，且希望在硅谷找到一份工作。公司也与少量的纽约公司有合作，希望在不久的将来能够向西雅图扩张。
Triplebyte表示，其用于评估求职者的系统侧重求职者的真实技术技能，而不过分看重如知名学院或雇主等简历上经常浓重粉饰的常见偏见。
根据公司联合创始人兼首席执行官Harj Taggar的说法，公司可以帮助那些来自被忽视群体的求职者获得更加公平的竞争机会，因为公司的系统仅关注技术技能。目前，Triplebyte的人才池的多样性稍稍高于公司平均（30%为女性或来自少数族裔），但Taggar希望未来人才池的多样性能够得到进一步改善。
最终，Triplebyte希望可以帮助科技圈以外的公司招聘到更多来自本地人才库的优秀工程师。
-
算法
[纯技术] 工作职位推荐系统的算法与架构
Indeed.com 每个月有两亿不同的访客，有每天处理数亿次请求的推荐引擎。在这篇文章里，我们将描述我们的推荐引擎是如何演化的，如何从最初的基于Apache Mahout建立的最简化可用行产品，到一个在线离线混合的成熟产品管道。我们将探索这些变化对产品性能指标的影响，以及我们是如何通过使用算法、架构和模型格式的增量修改来解决这些挑战的。进一步，我们将回顾在系统设计中的一些相关经验，相信可以适用于任何高流量的机器学习应用中。
从搜索引擎到推荐
Indeed的产品运行在世界各地的许多数据中心上。来自每个数据中心的点击流数据以及其他应用事件被复制到我们在奥斯丁数据中心的一个中心化的HDFS数据仓库中。我们在这个数据仓库上进行计算分析并且构建我们的机器学习模型。
我们的职位搜索引擎是简单而直观的，只有两个输入：关键字和地点。搜索结果页面展示了一个匹配的职位列表，并基于相关性进行了排序。搜索引擎是我们的用户发现职位的主要方式。
我们决定在搜索引擎之上加入职位推荐作为一个新的交互模式是基于以下几个关键原因：
Indeed上所有搜索的25%只指定了一个区域，并没有搜索关键字。有许多的求职者并不确定在他们的搜索中应该用什么关键字
当我们发送有针对性的推荐时，求职者的体验是个性化的
推荐可以帮助甚至最复杂的用户来发现额外的未被搜索所涵盖的职位
推荐为亚马逊带来了额外35%的销量为Netflix75%的内容阅览。很显然，推荐能提供额外的价值
推荐职位与推荐产品或者是电影有很显著的区别。这里列举了一些我们在构建推荐引擎时仔细考虑过的因素：
（职位）库存快速增长：我们每天要聚合计算几百万新的职位。可以推荐的职位的集合在不断变化
新用户：每天有几百万新的求职者访问我们的网站并开始他们的职位搜索。我们想要能够根据有限的用户数据生成推荐。
流动性：在indeed上一个职位的平均生命周期是30天左右。内容的更新十分重要，因为老的职位的需要非常可能已经被满足了
有限的供给关系：一个发布的职位通常只招一个的应聘者。这和书籍或者电影很不一样，并不是只要有库存就可以同时推荐给很多用户。如果我们过度推荐一个职位，我们可能会让雇主收到到上千个应聘申请的轰炸。
如何理解推荐算法
推荐是一个匹配问题。给定一个用户集合和一个物品集合，我们想要将用户匹配到他们喜欢的物品上。有两种高层次的方法可以达成这类匹配：基于内容的和基于行为的。它们各有优缺点，此外也有将两者结合起来从而发挥各自优势的方法。
基于内容的方法使用比如用户偏好设置、被推荐物品的特性之类的数据来决定最佳匹配。对于职位推荐来说，通过职位的描述中的关键字来匹配用户上传的简历中的关键字是一种基于内容的推荐方法。通过一个职位的关键字来找到其他看上去相似的职位是另外一种基于内容的推荐的实现方法。
基于行为的方法利用了用户的行为来生成推荐。这类方法是领域无关的，这意味着同样的算法如果对于音乐或者电影有效的话，也可以被应用在求职领域。基于行为的方法会遇到所谓的冷启动问题。如果你只有很少的用户活动数据，就很难去生成高质量的推荐。
Mahout协同过滤
我们从建立一个基于行为的推荐引擎开始，因为我们想要利用我们已有的求职用户和他们的点击数据，我们的首次个性化推荐尝试是基于Apache Mahout提供的基于用户间的协同过滤算法的实现。我们将点击流数据喂给一个运行在Hadoop集群上的Mahout构建器并产生一个用户到推荐职位的映射。我们建立一个新的服务使得可以运行时访问这个模型，且多个客户端应用可以同时访问这个服务来获取推荐的职位。
产品原型的结果和障碍
作为一个产品原型，基于行为的推荐引擎向我们展示了一步步迭代前进的重要性。通过快速建立起这个系统并将其展示给用户，我们发现这种推荐对于求职者来说是有用的。然而，我们很快就遇到了一些在我们的数据流上使用Mahout的问题：
模型构建器需要花大约18个小时的时间来处理Indeed网站2013年的点击流数据，这个数据量要比今日的数据小了三倍。
我们只能一天执行一个模型构造器，这意味着每天新加入的用户直到第二天为止看不到任何推荐。
几百万新汇总的职位在模型构造器再次运行之前是不能作为可见的推荐的。
我们产生的模型是一个很大的映射，大约占了50吉字节的空间，需要花费数个小时将其通过广域网从其生成的数据中心拷贝到全球各地的数据中心。
Mahout的实现的提供露了一些可配置参数，比如相似度阈值。我们可以调节算法的参数，但是我们想要测试整个不同的算法这样的灵活性。
为推荐实现最小哈希
我们先解决最重要的问题：构建器太慢了。我们发现在Mahout中的用户间相似度是通过在n^2复杂度下的用户间两两比较的来实现的。仅对于美国的网站用户来说（五千万的访问量），这个比较的数量将达到15 * 10^15次，这是难以接受的。而且这一计算本身也是批量处理的，新加一个用户或者一个新的点击事件就要求重新计算所有的相似度。
我们意识到推荐是一个非精确匹配问题。我们是在寻求方法来发现给定用户最相近的用户们，但是我们并不需要100%准确。我们找了一些估算相似度的方法，不需要准确的计算。
主要贡献者戴夫格里菲思从一篇谷歌新闻学术论文上看到了最小哈希方法。最小哈希（或者最小独立序列）允许近似计算杰卡德相似度。将这一方法应用到两个用户都点击过的职位上，我们发现两个用户有更多共同的职位点击，那么他们的杰卡徳相似度就越高。为所有的用户对计算杰卡徳相似度的复杂度是O(n^2)，而有了最小哈希后，我们可以将复杂度降到O(n)。
给定一个哈希函数h1, 一个项目集合的最小哈希被定义为将集合中所有项用该哈希函数分别哈希，然后取其中最小的值。由于方差太大，单个哈希函数不足以计算近似杰卡徳相似度。我们必须使用一个哈希函数族来合理地计算近似的杰卡徳距离。通过使用一个哈希函数族，最小哈希可被用来实现可调节杰卡徳相似度阈值的个性化推荐。
“挖掘海量数据集”，一个最近的由斯坦福大学教授莱斯科维克、拉贾罗曼和厄尔曼讲解的Coursera课程，非常详细的解释了最小哈希。他们书的第三章——“挖掘海量数据集”，解释了最小哈希背后的数学证明原理。
我们针对推荐的最小哈希的实现涉及到以下三个阶段：
1. 签名计算和集群分配
每一个求职者被映射到一个h个集群的集合，对应了一个哈希函数族H（下面的伪代码展示了这一过程）：
H = {H1, H2, ..H20}
for user in Users
for hash in H
minhash[hash] = min{x∈Itemsi| hash(x)}
这里H是一个包含h个哈希函数的族。这一步的最后，每一个用户被一个签名集合所代表，也即一个由h个值组成的集群。
2. 集群扩展
共享相同签名的用户被认为是相似的，他们的职位将为被互相推荐。因此我们从每一个在集群中的用户开始，用其所有的职位来扩展每个集群。
3.生成推荐
为了给一个用户生成推荐，我们将h个用户所在的集群中的职位并起来。然后我们除去任何用户已经访问过的职位，从而得到最后的职位推荐。
为新用户推荐职位
最小哈希的数学属性使得我们可以解决为新用户推荐职位的问题，并且可以向所有的用户推荐新的职位。当新的点击数据到来的时候，我们增量地更新最小哈希签名。我们也在内存中维护新职位和他们的最小哈希族的映射。通过在内存中保留这两部分数据，我们就可以在新用户点击了一些职位后为他们推荐职位。只要任何新发布的职位被点击访问过，它就可以被推荐给用户。
在转移到最小哈希方法后，我们有了一个混合的推荐模型，由一个在Hadoop上的构建的离线每日被更新的组件和一个由当日的点击数据组成、在内存缓存中实现的在线组件。这两个模型被整合起来用以计算每一个用户的最终推荐集合。在我们做了这些改变之后，每一个用户的推荐变得更加得动态，因为它们将随着用户点击感兴趣的职位的同时发生变化。
这些改变中我们认识到，我们可以在性能和准确度上做出权衡，用小的误差增加来换大的性能提升。我们也认识到可以将较慢的离线模型通过在线的模型进行补充，从而得到更新的推荐结果。
工程基础设施的影响
包含每一个用户到他们的推荐的映射的推荐模型是一个相当庞大的文件。由于职位对于每个国家来说都是本地的，我们首先尝试将我们的数据基于大约的地理边界进行分片。我们在每一块区域运行模型构造器，而不是在整个世界运行一个。每一个地区都有多个国家组成。举个例子，东亚地区包括为中国、日本、韩国、香港、台湾以及印度的推荐。
但是在分片之后，一些区域产生的数据仍然十分庞大，需要花好几个小时才能通过广域网从欧洲数据中心拷贝到奥斯丁的Hadoop集群。为了解决这个问题，我们决定增量的传输推荐数据，而不是一天一次。我们重用了连续先写日志(sequential write ahead logs)的方法，通过日志结构合并树来实现。这一方法已经在Indeed的其他大型产品应用中得到验证，比如我们的文档服务。
我们修改了我们的模型构建器，将推荐数据存储成小的分段，而不是产生一个单独庞大的模型文件。每一个段文件使用顺序输入输出，并且为快速复制做了优化。这些分段在远程数据中心运行推荐服务时将被重新组装成一个日志结构合并树。
这一基础架构的改变使得用户可以比之前快数个小时在远程的数据中心上看到他们新的推荐。从我们的A/B测试的结果来看，由用户更快的得到新职位推荐带来了30%的点击量提升。
这一改进展示了工程基础设施的改进与算法的改进带来的影响不相上下。
改进A/B测试的速度
建立起计算和更新推荐的管道只是一个开始。为了改进覆盖率和推荐质量，我们需要加快我们的A/B测试的速度。我们为了调整最后的推荐集合做了很多决策。这些决策包括，相似度阈值，每一个用户的推荐包含的职位数量，以及各种不同的用来过滤掉低质量推荐的方法。我们想要调节和优化计算推荐的各个方面，但是这需要逐个对算法的每个改进都构建新的模型。测试多个改进想法意味着处理用户请求的服务器上多倍的磁盘以内存占用。
我们开始通过传输计算推荐的单独组件而不是最终的结果来改进我们的A/B测试。我们改变了推荐服务来执行最后的计算，即通过将碎片整合起来，而不是简单的读取模型返回结果。重要的推荐子组件是每个用户的集群分配，从每一个集群到这个集群中的职位的映射以及一个对于每个用户来说包含不应该推荐给他们的职位的黑名单。我们修改了我们的构建器，来产生这些组件，并且修改了我们的服务，将他们在收到请求时组合起来从而返回最终的推荐列表。
通过实现这种架构上的改变，我们只传输那些在每一个A/B测试中改变的子组件。比如说，如果测试只调节了什么样的职位会从一个用户的推荐中除去，那么我们只需要传输这个测试组的黑名单。
这一改变改进了A/B测试的速度的数量级。我们能够在很短的时间内测试并验证多个可以改进推荐质量和覆盖率的想法。之前，由于设置环境的开销较大，我们平均每个季度只能测试一个模型中的改进，
我们的经验表明A/B测试的速度应该在设计大型机器学习系统时就被考虑进去。你能越快地将你的想法放在用户面前，那么你就能越快地在上面迭代。
这篇文章总结了我们在构建我们的推荐引擎时做出的一系列算法和架构上的改变。我们迭代地构建软件，我们从一个最简单原型开始，从中获取经验，并不断改进。这些改变带来的成果是职位推荐的点击增加从2014年初最简原型时的3%增长到了14%。
我们将继续精炼我们的推荐引擎。我们正在使用Apache Spark建立一个原型模型，建立一个模型集成组合，并精炼我们的优化参数来应对流行偏见问题。
Preetha Appan
Preetha Appan是Indeed的高级软件工程师，是高性能推荐搜索分布式系统的专家。她对Indeed的职位和简历搜索引擎的贡献包括，文本切分改进、查询扩展特性以及其他重要的基础设施和性能改进。她乐于并享受解决机器学习和信息检索方面的挑战性的问题。
来源：OReillyData
扫一扫 加微信
hrtechchina
