与市场营销、通信、甚至医疗保健等其他领域相比，人力资源在机器学习和人工智能领域的发展一直比较缓慢。但机器学习在人力资源领域的价值现在可以衡量，这要归功于预测员工流失的算法的进步，或者深度学习神经网络(deep learning neural network)在显示特定结果或结论的原因方面正逐渐向更透明的推理靠拢。
超出了CEO和管理者号码值是功率在理解什么是公司即中实际发生的情况与他们的人。如闪烁的贾斯汀黑铰接在网络研讨会的人力资本研究所（HCI），管理人员和领导者需要，帮助他们指出了正确的方向的人的信息;信息销售数据，关键绩效指标，随着时间的推移等变化，和机器学习可以帮助拉出，否则可能采取的人力里姆斯或完全不被发现的洞察力和推理比人的反应更迅速。
虽然这不是一个详尽的列表，但以下是当今人力资源领域中机器学习和人工智能应用的实例，以及正在开发和不久的将来的应用。
当前机器学习人力资源应用
申请人跟踪与评估
在早期的机器学习应用程序中，特别是对于接收大量申请者的公司和职位，申请人跟踪和评估一直名列前茅。闪烁是不是AI公司，但他们使用的AI工具来帮助企业节省资金和提供更好的工作经验。机器学习工具帮助HR人员和管理人员雇用通过跟踪应聘者的旅程在整个采访过程中，帮助加快得到精简反馈给申请人的过程中新的团队成员。
Peoplise为帮助企业另一种解决方案计算新的人才拟合度打分，像数字放映和在线访谈结果，以帮助招聘经理在决定合并抵达工具。
虽然优秀的人才竞争已迫使许多HR部门使用的算法为基础的评估，一个CEB文章使用机器学习，以消除偏见警告说，人类的监督是最重要的仍。这是不够的直接数据洞察采取行动，但在串联与驾驶问题，如使用该信息：1）我怎么能申请特质链接到业务成果;2）在招聘时会结果应该是我们关注的焦点;和3）预测（雇用和其他）以无偏方式制成。
吸引人才
吸引人才招聘之前也见过在上去基于机器学习的应用在过去的几年里。黑色，谁是角闪烁的组织发展高级总监，名为LinkedIn作为基本的使用机器学习，推荐工作中最常见的版本之一的公司的例子。其他职业调查网站，包括事实上，Glassdoor，并寻求利用类似的算法来构建相互作用图谱基于用户以往的搜索，连接，文章和点击数据。
PhenomPeople是一套基于机器学习的工具，通过多种社会化媒体和求职渠道帮助领导潜质的人才对公司的职业网站的一个例子。布莱克指出，这真的只是一步过去的关键字搜索，尽管一大步计算，因为还有很多事情要做。
磨损检测
理解人，为什么他们决定留在或离开工作可以说是对HR回答最重要的问题之一。识别流失风险测量的变量数组要求先进图形识别。
在前面提到的HCI研讨会，黑色介绍识别基于分数的员工调查的具体风险因素的假设情况。如果一个人是试图发现女工程师在帕洛阿尔托用不到2年的任期中流失的风险，方差分析，以得出那个结论是数不胜数，比如寻找在大海捞针，但学习机允许我们连接这些点在几秒钟内，释放HR代表把时间花在支持球队，而不是分析数据。
Glint的员工参与平台
在NLP进展包括处理大量非结构化数据的能力，和算法也可以做这样的事情识别评论情感活动，并梳理出规范性的意见，或可操作的建议。黑色介绍“典型性”的算法可以拉出来代表什么大家的总和说个人的意见，从而使企业获得企业的流程和具体问题进行广泛的包容性，但消化的脉冲。
摩根大通显然是多家金融机构的一个也到位可调查员工的行为，并确定“流氓雇员”的算法任何犯罪活动发生，带来严重的自然减员的显然更隐蔽的形式之前，他讨论了这些新的保障措施的后果，观看彭博记者休儿子采访彭博科技。
个人技术管理/性能开发
机器学习是表示提高个人技术管理和开发其潜力。虽然肯定是有在这个舞台上，平台可以给指导校准，无需人工教练节省时间，并提供了更多的人在他们的职业生涯发展和保持参与机会的增长空间。劳动日仅仅是一个公司建立基于公司的需要，市场趋势和员工具体员工个性化的培训建议的例子。
黑阐述了实际读取时，这些类型的性能发展评估是有用的，这就是为什么这种类型的基于机器的反馈已成功为个人。但是，这将成为在组织，它几乎是不可能的巨额变化的数据的有意义的水平比较困难;这是在机器学习是不断发展的，并更加注重对企业晶格的整体性能的区域。
未来的机器学习人力资源应用
企业管理
由于在最后一个例子提到，企业管理和参与基于机器学习的见解是已经在这里早期形式，但还没有将要采取的规模。毕马威促进其定制的“智能企业法”，利用预测分析和大数据管理，帮助企业做出优化关键KPI和其他指标的业务决策。再保险:工作，它提供了最佳的工作场所做法，并从谷歌的想法和其他领先企业（包括KPMG），是熬夜到日期在这个空间的新工具和案例研究的优秀资源。
谷歌的人们分析部门已经在企业层面建立绩效管理引擎的先驱。从早期的阶段，团队（由普拉萨德Setty领导）提出了存在的问题，例如，什么是理想的尺寸为给定的团队或部门，但主要集中在为了寻找新的方法来使用数据来帮助回答这些问题。反过来，人们Analytics（分析）帮助铺平道路，为改善“Google员工”的生产和整体健康解决与员工生命周期的基本业务问题，重点的方式。正如大纲克里斯·德罗斯的大西洋在过去的5年里，这个团队提出了一些见解，从而改善了全公司范围内的行动，比如:
- 限制了申请人需要面谈的次数（超过四个没有带来更高的品质）
- 揭示最佳组织规模和部门大小
- 更好地管理产假（谷歌看到了背叛下降了50％）
- 创建入职议程员工的第一部作品的四天，最多的增加了生产力水平的15％
Post-Hire结果算法
CEB注意到，理想的招聘算法将预测雇佣后的结果(例如，减少接听客户服务电话的时间，同时保持客户满意度高)，而不是仅仅将工作要求与雇员的简历或雇佣前的评估结果相匹配。
这篇文章接着指出，有时候，预测工作表现的是与直觉相反的方面，也就是机器通过分析比人类推理更善于发现的信息。例如,CEB介绍了该链接呼叫中心的经验，从而导致性能低下呼叫中心代表角色创建的模型。而到了源或实际模型中的链接将是有益的，这个想法很有意思，反映了“隐形”模式识别机器学习的优势
内部管理
当人才Analytics（分析）首席科学家帕夏·罗伯茨讨论中的作用在人力资源管理预测分析在2016年的Emerj会议上，他提出公司内部员工的流动是人力资源和分析的一个独特问题。“你可以使用基于代理的建模来模拟和观察人们如何在公司内部流动……并更好地雇佣一个初级的人，这个人可能会在公司的阶梯上移动，”罗伯茨说。虽然已经有了早期的系统，但随着时间的推移，更多的数据应该会在未来5年为内部管理带来一个更加健壮和可伸缩的模型。
增加了行为跟踪和基于数据的决策
本Waber，总裁兼首席执行官Humanyze也是Emerj节目的一位嘉宾，她谈到了物联网可穿戴数据在工作场所的日益使用。这类小工具在企业层面更为常见——例如，蓝牙耳机和智能身份证徽章——而且公司还在继续向工作场所添加传感器技术，以收集数据。这是Waber作为麻省理工学院媒体实验室访问科学家时研究的一个领域数据从智能徽章收集看东西像员工对话，互动，网络公司，那里的人们度过了自己的时间，等内这似乎是隐私可能是一个问题，但像智能徽章技术也开始迅速增殖（与像爱特梅尔的厂商，在下面的视频，介绍新的和更新的应用程序为Android手机）。这种类型的数据，Waber说，让我们能够提出并解答重要的业务驱动的问题，我们不能前询问，如“多少钱我的销售团队跟我的工程团队？
事情要记住：机器学习人力资源
谷歌人物分析主管Ian O 'Keefe在the人的分析&未来的工作会议2016年1月，他的团队通过观察招聘决策、团队氛围和个人发展，努力量化效率、效力和员工体验等方面的内容。最后，他的团队发现，拥有更好数据的人做出的决策比单靠算法做出的决策更好。
布莱克表示，精心设计的人工智能应用程序有三个主要的交叉功能:主要专长、数据科学专长和设计/用户体验专长。目前，很少有供应商能同时做好这三件事。今天和不久的将来，最好的解决方案不是取代人类，而是强调使用机器作为工具和合作伙伴来扩展更好的决策。
我们对人力资源中的机器学习的调查阐明了一种更以人为中心的方法的发展，为更多有价值的程序和更少的浪费时间铺平了道路;减少程序中的偏差;更少的管理和更多的个人发展;以及主动行动而不是被动反应的能力，从个人到组织再到组织的无缝衔接。
图片来源：IT企业
