人力资源的本质就是管理人员——那么在强大生成式AI工具无处不在的未来,这项工作又将迎来怎样的变化?
在劳动力管理方面,同理心、高情商以及对人性的理解可谓至关重要。而这显然不是机器——哪怕是像ChatGPT这样与人类高度相似的机器——所拥有的特质!
那么,未来的人力资源部门是否会被冷酷、精于算计的聊天机器人所广泛取代,任由高效运转的AI系统无情衡量人类员工的效率表现与技能缺失?
但愿不是。相反,我认为人力资源专员可以使用生成式AI自动处理日常工作与重复性事务,帮助自己腾出时间在人与人之间培养并发展出高价值任务所必需的宝贵技能。
以下是我对人力资源部门未来工作形态的展望——必须承认,这波变革当下已经有所表现。此外,我们还将探讨人力专员的社会地位在未来五到十年内将如何演变,进而引发更加广泛且深远的影响。
物色人才从来都是个艰巨的挑战,但生成式AI工具将帮助我们完成日常与管理工作。也就是说,它不仅让我们做得更快,还能帮我们找到更有效、更个性化的方式来接触潜在人才并向其宣传新的工作环境。
在流程起步阶段,生成式AI将围绕理想的候选人勾勒出大致轮廓,为可能适合该职位的申请者建立技能、素养与个性特征概述。之后,它可以创建动态且个性化的职位描述,从而鼓励更多申请者参与考察。
对于每年雇用数千人的大企业来说,生成式AI可以用于初步评估,确保候选人们符合基本要求。之后,它还能够提供模拟面试与职能扮演场景,帮助候选人做好充分准备。生成式AI本身并不应被视为独立的筛选形式,而更多是种工具,能够帮助招聘人员及其他人力资源专员在与候选人见面之前,就充分了解对方独特的技能组合与性格特征。
企业需要确保其员工掌握在AI时代取得成功的必要技能,而这项责任也将落在人力资源工作者们的肩上。
生成式AI非常适合培训应用——它可以创建从复杂的技术手册到简单分步演练的任何内容。像ChatGPT这样的公共模型已经能够做到这一点,但企业未来将投入更多资源,着力训练出适合自身需求的私有AI模型。
这些模型能够根据个别学习得的独特技能与学习要求进行个性化微调。
随着探索的持续推进,生成视频甚至是世界模拟工具也将开始发挥作用。这些成果将用于创造出更具吸引力、个性化程度更高的培训体验。语言模型还将提供实时反馈,如同给受训者们各自配备一名伴学教练。
这里当然也存在一定风险——我们都知道生成式AI的输出效果波动很大,可能会给出危险的错误信息或者“幻觉”。因此,这些系统的运作方式以及人工监督机制应当始终保持透明。
生成式AI工具无需耗费大量时间研究指标和统计数据,而能够快速分析数据并整理出能够凸显关键劳动力趋势的报告。
生成式AI可以确定未来的人员配置需求,并突出显示人员流动率高的领域及其原因。它将提供关于员工情绪及满意度等因素的快速、高相关见解,还能够围绕人力资源战略决策的影响生成叙事与视觉资料。
这种种能力都将简化人力资源专员对于该如何推动业务成功,消除可能引发失败的潜在人为因素的深刻理解。
当然,在将人类活动与情感转化为数字形式时,我们也必须小心谨慎。数据收集或分析方式一旦出现偏差,很可能会导致不公平的结果;过度侵入性的数据收集或AI管控举措也可能令员工们感到不满。必须认真评估并防范所有这些领域中的潜在风险。
人力资源部门的职责,就是为整个企业内的员工创造更加包容且积极的体验。具体来讲,确保员工能够有效履行职责,而不受内部流程的阻碍或拖累正是人力资源部门的一大关键任务。
在这方面,生成式AI能够创建与新员工个人相关的入职材料,通过聊天机器人为常见的人力资源问题提供个性化且契合度高的答案,并收集和解释员工反馈。
在这类用例中,服务质量往往至关重要。相信大家也有同感,没有什么比跟质量低下的聊天机器人交谈更令人恼火的了。与此同时,越来越多的人也开始意识到,只要使用得当,这类AI方案完全可以成为一种非常高效的信息获取方式。
这一切将帮助人力资源部门持续跟进员工感受,了解他们在开展日常工作、探索个人职业道路时所遇到的高频“痛点”。
随着生成式AI逐步接管工作中的日常管理要素,人力资源专员在工作场所内扮演的角色也将发生巨大变化。他们工作中“以人为本”元素的可见度将越来越高,这意味着人力资源不再被视为“后台”甚至是“毫无存在感”的职能,而开始在同事间的工作生活中变得更具影响力。人力资源专员在员工健康、工作-生活平衡发展以及促进包容性与多样性方面的作用,将愈发受到人们的关注。
这意味着人力资源专员的战略价值将呈指数级增长。他们不仅是运营效率的促进者,更有机会成为主动组织变革和道德技术应用的倡导者,以及健康、宽容工作场所文化的实际管理者。
好文章,需要你的鼓励
研究人员基于Meta前首席AI科学家Yann LeCun提出的联合嵌入预测架构,开发了名为JETS的自监督时间序列基础模型。该模型能够处理不规则的可穿戴设备数据,通过学习预测缺失数据的含义而非数据本身,成功检测多种疾病。在高血压检测中AUROC达86.8%,心房扑动检测达70.5%。研究显示即使只有15%的参与者有标注医疗记录,该模型仍能有效利用85%的未标注数据进行训练,为利用不完整健康数据提供了新思路。
西湖大学等机构联合发布TwinFlow技术,通过创新的"双轨道"设计实现AI图像生成的革命性突破。该技术让原本需要40-100步的图像生成过程缩短到仅需1步,速度提升100倍且质量几乎无损。TwinFlow采用自我对抗机制,无需额外辅助模型,成功应用于200亿参数超大模型,在GenEval等标准测试中表现卓越,为实时AI图像生成应用开辟了广阔前景。
AI云基础设施提供商Coreweave今年经历了起伏。3月份IPO未达预期,10月收购Core Scientific计划因股东反对而搁浅。CEO Michael Intrator为公司表现辩护,称正在创建云计算新商业模式。面对股价波动和高负债质疑,他表示这是颠覆性创新的必然过程。公司从加密货币挖矿转型为AI基础设施提供商,与微软、OpenAI等巨头合作。对于AI行业循环投资批评,Intrator认为这是应对供需剧变的合作方式。
中山大学等机构联合开发的RealGen框架成功解决了AI生成图像的"塑料感"问题。该技术通过"探测器奖励"机制,让AI在躲避图像检测器识别的过程中学会制作更逼真照片。实验显示,RealGen在逼真度评测中大幅领先现有模型,在与真实照片对比中胜率接近50%,为AI图像生成技术带来重要突破。