荣威RX5全方位解析，互联网汽车到底酷在哪

机器人并不只抢走人类的工作，它们也开始向人类发放工作岗位了。参加招聘行业的任何一场活动，你都会发现空气中弥漫着像“机器学习”、“大数据”和“预测分析”这样的字眼。

在招聘中使用这些工具的理由很简单。机器人招聘者可以快速筛选数以千计的应聘者，效率远高于人类。它们还能做到更加公平。因为它们不会像人类那样带着有意或无意的偏见，它们会招聘到一批更多元化和择优录用的员工。

这是个很诱人的想法，但也是危险的。算法的中立并非是其固有，而是因为它们看到的世界只是“0”和“1”。

首先，任何机器学习的算法，并不会比它所学习的训练数据更好。以学术研究者科林·李(Colin Lee)今年向媒体发布的博士论文为例，他分析了44.1769万份成功和不成功的求职申请，建立了一个准确度达70%至80%的模型，可预测哪些应聘者会被邀请参加面试。该新闻稿称，这一算法潜在可用作工具，用于在筛选大量简历的过程中避免“人为错误和无意识偏见”。

但这样的模型会吸收最初招聘决定中的人为职场偏见。例如，上述研究发现，年龄因素可以在最大程度上预测该应聘者是否会被邀请面试，最年轻和最年长的应聘者最不可能成功。你可能觉得这挺公平，因为没有经验的年轻人干不好，但拒绝年长应聘者的常见做法似乎值得调查，而不是被编入程序和得以延续。

科林承认这些问题的存在，并建议最好从简历中剔除一些属性（例如：性别、年龄和种族）再加以使用。即使那样，算法仍有可能带有歧视。在今年发表的一篇论文中，索伦·巴洛卡斯(Solon Barocas)和安德鲁·谢尔博斯特(Andrew Selbst)这两位学者使用了一个案例，即雇主希望挑选最有可能长期留在工作岗位上的雇员。如果历史数据显示，女性雇员在工作岗位上停留的时间大大少于男性雇员（可能因为当她们有了孩子便会离职），算法就有可能利用那些性别指向明确的属性，得出对女性不利的结果。

应聘者住址与办公室之间的距离如何？这也可能是预测该雇员出勤率和在公司服务年限的不错的预测因素；但它可能也会在无意间歧视某些群体，因为不同的住宅社区有不同的种族和年龄特征。

这些现象提出了一个棘手问题：在理性和非有意的情况下，歧视是否错误？这是一个模糊的法律领域。在美国，根据“差别影响”(disparate impact)原则，貌似中立的雇佣实践若超出比例地伤害了“受保护阶层”，即为不合法，即便雇主并非有意歧视。但雇主若能证明该做法有很强的商业理由，就能为自己成功辩护。如果使用算法的意图仅仅是为相关职位招募最佳人选，那可能是个足够好的辩护理由。

话虽如此，那些希望拥有更多元化的员工队伍的雇主，显然不能想当然地认为只需把招聘交给电脑去做。假如这正是他们想要的，那他们也得把数据运用得更富想象力一些。

比如说，与其将他们自己的公司文化设为既定条件，进而寻找统计学上最有可能在该文化中成功的人选，不如找到相关数据显示，一支更为多元化的员工队伍在哪些情况下会成功。

如果机器学习唯一学到的只是你的过去，那么它将无法推动你的员工队伍走向未来。