但它们确实需要更多的工作和专业知识即便如此全球和本地化的解释仍然存在差异这可能是一个太大的话题无法在这里讨论。在一些流行的模型中例如随机森林您甚至可以轻松地理解某些变量的信息增益换句话说它们对确定结果有多大帮助但您将无法轻松地知道该变量朝什么方向摆动例如它是否使某人更有可能适合该工作或者不太可能。另一方面可解释的模型例如回归可能缺乏更复杂模型的嗡嗡声但它们会告诉您变量如何影响结果的大小和方向。
他们将能够告诉您邮政编码和种族是否共线。无论如何它们都不是完美的模型但如果您的公司重视透明度并且您拥有一支由技术和非技术人员组成的团队并且应该能够验证招聘决策的流程和结果 土耳其 WhatsApp 号码数据z 那么它们可能是一个很好的选择选择。缩小有人可能会使用一个复杂的模型并对其数据收集管道进行了改进的保护措施并最终得到一个偏差最小的结果就像有人可能会使用一个更简单的模型但由于数据质量差或缺乏数据而仍然保留偏差一样。
主动调试。拥有一个可解释的系统是构建强大且偏差最小的招聘系统的重要基础但与模型选择同样重要的是拥有一个致力于积极参与调试和解释模型的团队。因此在考虑模型的可解释性时不仅要关注模型的类型还要关注其可解释性的大局方法从数据收集到模型本身的部署。将数据科学融入招聘已经并将继续为公司节省时间并降低成本。它将继续撼动和扰乱招聘格局就像几十年前的申请人跟踪系统一样。有很多值得兴奋的事情但随着监管的到来在人工智能驱动的招聘中注意负责任公平的做法比以往任何时候都更加重要没有比回答一个基本问题更好的起点了你了解你的人工智能。 |
