越来越多的人力资源工具应用机器学习以及人工智能系统，其应用于工作场所以解决“员工问题”。随着组织架构的持续变革以及权力的逐渐下放，能够有效利用此类技术的组织机构才可以脱颖而出。
当然，这是一项高风险，高回报的工作。
从本质上讲，人工智能和机器学习只不过是工具罢了。它们就像其他的任何工具一样，有利有弊。如果使用者不能够明智地使用或配置，它们甚至可能会破坏你的工作流程或企业文化。尤其对于人力资源从业人员来讲，这是一个巨大的风险，因为相比于技术专业人士而言，他们往往对这些工具的深层机制不太熟悉。
那么，作为一名想要把工作干好的人力资源专家，应该怎样做呢？
首先，明确你正在解决的问题。也就是说，真正理解所要解决的问题。在发现问题并对问题进行正确评估之后，问问自己是否真的需要使用此项技术。如果不使用此项技术，工作进程是否会因此而拖后腿？应用此技术是否会使问题变得更简单，从而使你有时间解决其他问题呢？或者你是否可以利用现有技术或不同的方法从事你所做的工作？
如果判定确实需要使用这种新颖的人工智能技术，那么你就必须了解人工智能的优势和劣势。除了可以在谷歌上快速搜索浏览相关信息之外，还是有必要进行更加深入的了解。深入挖掘你所在专业的人脉并且充分利用公司里其他人的专业知识，并邀请他们参与评审你正在考虑使用的工具。
在正确利用的情况下，人工智能可以节省你大量的时间和精力，从而将人力资源工作从运营职能转变为战略职能。
选择合适的工具以解决相应的问题。
并不能将所有的问题一刀切。而且算法也不一定适用于所有问题，所以必须确保人工智能适于解决你所遇到的问题。
算法不太适用于以下情况如下：
生成少量数据的问题，或者数据无法反映真实世界的结果或行为。
处于极端边缘情况的问题，或者底层数据集存在严重偏差（但接下来有方法可以解决这一问题）。
需要价值判断的问题（在这个例子中，既考虑人性化且包含算法，则可以产生最优解决方案）。
从积极方面来说，算法可以很好地解决这样的问题：
问题中有重要数据，且数据与你所感兴趣的行为和结果直接相关。
涉及你所搜索模式的这些问题是可以预测的（或至少长期来看是一致的）。
请记住，人工智能并不总是够能提升你的工作能力，所以仅仅使用自动化流程工具可能无法得到理想的结果。如果你正试图改变员工行为，那就使用一些能够帮助员工学习的工具。研究表明，在解决基于行为的问题时，及时、具体、可执行且基于工具的反馈是非常有效的。
例如，Texito平台会在你写招聘信息的时候提供反馈，提出美化内容的方法，从而使招聘信息更加吸引求职者。Joonko分析工作场所生产力的活跃度以及协作工具，寻找无意识偏见的证据，然后向员工建议纠正措施。
算法也是人的智力成果。
人工智能的设计与其说是一门科学，不如说是一门艺术。发明者可能会在不经意间将自己的偏见融入到技术中，正如谷歌所熟知的那样，在一项新兴的面部识别技术中，深色皮肤的人被识别为大猩猩。
在做功课时，同时利用人工智能工具进行购物。弄明白这些模型是如何开发出来的，以及这些开发选项的意义所在。思考这样的问题：
采取了何种数据集以训练算法？此种数据中可能存在哪些偏差？模型是如何对此修正的？
举例来说，就如Joonko所指出的那样，如果某种算法读取数据，数据显示女性更有可能被分配到低优先级的任务中，那么它可能会“理解”，女性并不胜任更高优先级的工作。
随着时间的推移，模型是如何演变的？偏差问题又是如何解决的呢？底线是什么？
人工智能和机器学习有可能从根本上改变人力资源职能，并且提升对人资专员所带来的积极影响。但应用人工智能或机器学习并不会使得组织自身进行持续改变。如果你使用人工智能以加速正在发生的积极变化，那么你可以通过正在运行的其他战略项目来强化基于技术的改变。
机器人不会取代我们，它们只会让我们变好。
作者简介：Aubrey Blanche是位于Atlassian的多元化和包容性机构全球负责人。她在工作中严格基于实证社会科学，并为外部多元化报告开发了一种新的团队水平范式。她同时也是SheStarts的顾问、Sycamore的联合创始人。
（免责声明：本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。
任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时，应及时向本网站提出书面权利通知或不实情况说明，并提供身份证明、权属证明及详细侵权或不实情况证明。本网站在收到上述法律文件后，将会依法尽快联系相关文章源头核实，沟通删除相关内容或断开相关链接。 ）
