-
人工
创业公司：其实，我们的聊天AI是员工自己假扮的
来源/果壳网
作者/Olivia Solon
编译/EON
编辑/Ent、东风
还记得前段时间谷歌演示的智能助手Duplex吗？它能模仿人类打预约电话，甚至还会发出人类惯用的语气词，接电话的店员甚至没有意识到，电话的另一端根本就不是真人。
然而，你可能没注意到的是，当开发者们共同致力于让AI变得更像人时，有些创业公司却打起来了另外的算盘：让人冒充AI。
谷歌CEO介绍Duplex | Google
对于这些公司来说，这一招既可以省下大量的研发费用，还可以忽悠到投资。正如ReadMe公司的CEO格雷戈里·科贝格（Gregory Koberger）所说的那样，“把活儿交给真人，能让你跳过大量技术和业务发展方面的挑战。”
他在推特上吐槽道：“如何建立一家AI创业公司？
雇佣大量廉价劳动力假扮成假扮人类的AI。
等着AI被发明出来。”
这种做法已经是业界周知的秘密了，但是大部分消费者还蒙在鼓里。
创业第一步——假装有AI
前不久，据《华尔街日报》报道，谷歌允许大量第三方应用的开发者读取Gmail用户的邮件。在被曝光的第三方公司中，圣何塞的艾迪森软件公司（Edison Software）就在用假的AI。他们的AI工程师会浏览用户的个人邮件，来改善所谓的“智能回复”功能。不过，他们的隐私政策并未提及人类会看到用户的邮件。
其实，早在2008年，就有一家名为Spinvox的公司作假了。他们号称能将语音留言转化为文字，结果被指控这些工作都是海外电话中心的人工来完成的。
2016年，据彭博社报道，在X .ai和Clara这样的日程应用公司，人类员工每天都要花12小时假扮AI聊天机器人。这项工作太令人头脑发麻了，以至于员工们说他们期待机器人能真正取代人类。
2017年，业务支出管理应用Expensify承认，他们通过人工转写收据，而不像对外声称的那样用“智能扫描技术”。扫描过的收据会被发布到亚马逊的劳力众包平台Mechanical Turk上，然后接受低薪的人来阅读和转写这些收据。
人工并不便宜
在某些情况下，人类被用于训练AI系统，来提升AI的精确度。例如，名叫Scale的公司用大量的人类工作者，向自动驾驶系统和其他AI系统提供训练数据。此外，谷歌的Duplex也用到了人类训练者。
M聊天界面 | Facebook
Facebook曾在2015年推出虚拟助手M的测试版。M能预约和提供礼物建议等，只不过，它也是由人工协助的。当时我们用不到它，因为它只对旧金山湾区的1万人开放，而现在，Facebook彻底关闭了这一项目。虽然我们用不上它了，Facebook表示M的特性将会保留在聊天应用Messenger里。
这种人工协助AI的出发点其实是好的，AI系统会在人类的协助下学会应答各种指令，最终变得更加智能。然而，它的代价还是有点大。
首先，Facebook需要大量昂贵的劳动力，因此将服务扩大不太可行。
其次，当M完成一项任务时，用户总是会提出更难完成的要求。就这样，M要达到的自动化程度远远超过了当前的机器学习技术。
AI技术应该更加透明
心理学家艾莉森·达西（Alison Darcy）表示，“作为心理学家，我们有伦理准则作为指导。其中，不去欺骗人们就是非常明确的一项。”
Woebot可以提供心理方面的支持 | Woebot
研究表明，当人们认为自己在和机器而非人类交谈时，他们更愿意袒露心声，这是因为精神卫生方面的求助常常和污名化联系起来。南加州大学的研究团队用虚拟心理咨询师Ellie测试了这一研究。他们发现，当患有PTSD的退伍军人知道Ellie是AI，而不是人类操作的机器时，他们更有可能坦诚讲述自己的症状。
另外一些人认为，公司们应该一直公开自己的服务是如何运行的。
“我不喜欢人们假装成AI。”罗谢尔·拉普兰（Rochelle LaPlante）说，他为很多提供假AI服务的公司工作过。
“对于我来说，这不太诚实，而且有欺骗的意味。我希望自己正在使用的东西不是这样的。而从工作者的角度来看，这就像是我们被推到了幕后。我不希望我提供劳动的公司转变态度，而且向客户隐瞒真相。”
这样的道德困境也出现在试图让AI更像人类的项目中，例如谷歌的Duplex。该项目在最初演示的时候，AI 并没有向打电话的对象表明身份。Duplex立刻引发了争议，人们担心这种略带欺骗性的技术会被有心之人利用。
“人们对AI已经有很多主要的担忧了，而缺乏透明并不能帮助我们解决问题。”达西说。
-
人工
聘宝：用算法＋人工打造的一款推荐为导向的招聘工具
对于某些企业及其职位需求，如果无法获得足够的曝光，就难以获得足够多、匹配的简历（及人才）。另一方面，即便候选人没有投递行为，也很可能对某职位或公司很来电。
聘宝创立于 2013 年 9 月，据知，他们的目标是成为招聘领域最高效便捷的第三方推荐服务，更智能、高效地对接企业和人才。在美国，Jobr 与聘宝异曲同工——前者上线数月，就拿到了 200 万美金天使投资。
“我们做的是推荐型的招聘产品，而不是搜索。”
我觉得这像极了通用类知识引擎的发展思路。
推荐与搜索类的招聘产品，有着相似的出发点：更快地找到信息。区别呢？搜索的场景 ＝ 你明确知道一个要求，用该要求进行信息筛检。 与此相比，推荐的场景 ＝ 你只知道需求范围，得阅读相关信息进一步明确需求。同时，推荐与个性化几乎是天生一体。相同的需求输入，不同用户获得的推荐结果不尽相同。
聘宝调研后发现：招聘方在 Po 出某些岗位时，其实很难决定，嗯，这个工作需要你有 “三年以上” 或者 “两年以上” 的相关经验——2.5 年的你要还是不要呢？或者在某些公司（比如：BAT）有从业背景——在某知名创业公司工作过的，你觉得会不会输给 BAT 出来的呢？当筛选条件过于严苛（而死板），企业就很可能错失优质的候选人。求职者方面，则往往难以确定适合的行业——是电商、PM、还是运营？
而据聘宝方面介绍，他们的推荐系统则在了解招聘需求的同时，根据用户行为不断修正推荐结果。推荐会愈发接近使用者偏好，同时提供探索性内容。
具体怎么做？
企业登录聘宝，进行简单的勾选，就能完成招聘需求录入
聘宝收到招聘需求后进行解析、匹配，并将算法认为匹配的候选人推荐给该企业的某条招聘需求
每次仅推荐 3～5 份候选人简历，以确保推荐准确
企业收到推荐时，可选直接下载联系，或发送求职意向确认
候选人收到企业的意向邀请邮件时，可选择“感兴趣，愿意进一步接触” 或 “不感兴趣”
同时，聘宝会记录用户行为、分析用户喜好，以便下次推荐更符合用户需求（HRTECH编编认为，通过将信息解析，匹配后推荐候选人或者推荐企业的方法的确会给我们用户带来方便，省去了时间。据小编所知，有几家招聘网站也有类似的过程，但匹配度总是差强人意，所以要做好这一步非常不容易，如果做得好，无疑直接会增强用户的体验感。）
聘宝的原始数据来自于自身的 IT 猎头团队，同时还创造了“人才伙伴”的独立角色——上传闲置人才，推荐成功则获得其他简历的下载额度。
为了更快地切入 C 端，聘宝预计 12 月上线微信版本。求职者能匿名录入部分信息、获得工作推荐。当对某一份工作确认求职意向时，再录入完整信息。（HRTECH编编认为，虽然这样的创意不错，如果求职者想跳槽，匿名也一定程度上避免了让熟悉的人看到，毕竟很多人在想要跳槽的初期并不想让太多的人知道；但是问题来了，如何确保求职者在求职初期匿名的时候填写的信息是真实的？HRTECH编编认为这是要需要解决的）
同时，我们得知聘宝方面也在考虑对接第三方语音录入接口，尽可能简化移动端用户的信息录入。”
谈谈聘宝的技术
聘宝的算法 ＝ 大数据＋人工优化——人工中的招聘经验和知识体系是基础：
首先，建立行业招聘的 “人工智慧”。
每开通一个行业，会先邀请这个行业有猎头经验或 HR 经验的顾问，来共同讨论、建立原始模型和知识库。聘宝团队内部还全职招募了 2 名前 IT 行业猎头。
其次，算法设计比较深入、全面。更好的“理解”需求和文本简历是机器算法的基础——聘宝的匹配算法不仅是纯文本的包含关系匹配，还扩展到知识体系、薪资测算等数十个环节。
再次，聘宝算法的目标是做到 “大规模定制化”。当用户行为数量足够多时，算法能更快了解用户偏好——从而做到同样的招聘需求文案，不同招聘方得到的推荐结果会依据偏好差异而不同。
（对于一个刚上线不久的产品来说，目标还是值得赞的！希望聘宝能早日实现目标）
聘宝将自己不光定义成是一样互联网产品，也是一项服务
作为一项“服务”，聘宝希望无论用户处于何种场景，都能便捷地获得人才或工作推荐。
想象一下这样的使用场景：当 HR 工作时，收到一份业务部门发送的招聘要求。接下来，HR 只要将招聘要求邮件转发给聘宝，后者就会迅速开始匹配人才，再回复邮件将匹配结果发给 HR。另一方面，求职者能通过微信方便地获得匹配的工作推荐。
聘宝内测版已于去年 12 月上线，邀请了少量用户参与体验。今年 6 月正式对外发布，据聘宝方面告诉记者，不到半年已获得 1500 名企业用户。
扫一扫 加微信
hrtechchina
