機(jī)器人并不只搶走人類的工作，它們也開(kāi)始向人類發(fā)放工作崗位了。參加招聘行業(yè)的任何一場(chǎng)活動(dòng)，你都會(huì)發(fā)現(xiàn)空氣中彌漫著像“機(jī)器學(xué)習(xí)”、“大數(shù)據(jù)”和“預(yù)測(cè)分析”這樣的字眼。

在招聘中使用這些工具的理由很簡(jiǎn)單。機(jī)器人招聘者可以快速篩選數(shù)以千計(jì)的應(yīng)聘者，效率遠(yuǎn)高于人類。它們還能做到更加公平。因?yàn)樗鼈儾粫?huì)像人類那樣帶著有意或無(wú)意的偏見(jiàn)，它們會(huì)招聘到一批更多元化和擇優(yōu)錄用的員工。

這是個(gè)很誘人的想法，但也是危險(xiǎn)的。算法的中立并非是其固有，而是因?yàn)樗鼈兛吹降氖澜缰皇恰?”和“1”。

首先，任何機(jī)器學(xué)習(xí)的算法，并不會(huì)比它所學(xué)習(xí)的訓(xùn)練數(shù)據(jù)更好。以學(xué)術(shù)研究者科林·李(Colin Lee)今年向媒體發(fā)布的博士論文為例，他分析了44.1769萬(wàn)份成功和不成功的求職申請(qǐng)，建立了一個(gè)準(zhǔn)確度達(dá)70%至80%的模型，可預(yù)測(cè)哪些應(yīng)聘者會(huì)被邀請(qǐng)參加面試。該新聞稿稱，這一算法潛在可用作工具，用于在篩選大量簡(jiǎn)歷的過(guò)程中避免“人為錯(cuò)誤和無(wú)意識(shí)偏見(jiàn)”。

但這樣的模型會(huì)吸收最初招聘決定中的人為職場(chǎng)偏見(jiàn)。例如，上述研究發(fā)現(xiàn)，年齡因素可以在最大程度上預(yù)測(cè)該應(yīng)聘者是否會(huì)被邀請(qǐng)面試，最年輕和最年長(zhǎng)的應(yīng)聘者最不可能成功。你可能覺(jué)得這挺公平，因?yàn)闆](méi)有經(jīng)驗(yàn)的年輕人干不好，但拒絕年長(zhǎng)應(yīng)聘者的常見(jiàn)做法似乎值得調(diào)查，而不是被編入程序和得以延續(xù)。

科林承認(rèn)這些問(wèn)題的存在，并建議最好從簡(jiǎn)歷中剔除一些屬性（例如：性別、年齡和種族）再加以使用。即使那樣，算法仍有可能帶有歧視。在今年發(fā)表的一篇論文中，索倫·巴洛卡斯(Solon Barocas)和安德魯·謝爾博斯特(Andrew Selbst)這兩位學(xué)者使用了一個(gè)案例，即雇主希望挑選最有可能長(zhǎng)期留在工作崗位上的雇員。如果歷史數(shù)據(jù)顯示，女性雇員在工作崗位上停留的時(shí)間大大少于男性雇員（可能因?yàn)楫?dāng)她們有了孩子便會(huì)離職），算法就有可能利用那些性別指向明確的屬性，得出對(duì)女性不利的結(jié)果。

應(yīng)聘者住址與辦公室之間的距離如何？這也可能是預(yù)測(cè)該雇員出勤率和在公司服務(wù)年限的不錯(cuò)的預(yù)測(cè)因素；但它可能也會(huì)在無(wú)意間歧視某些群體，因?yàn)椴煌淖≌鐓^(qū)有不同的種族和年齡特征。

這些現(xiàn)象提出了一個(gè)棘手問(wèn)題：在理性和非有意的情況下，歧視是否錯(cuò)誤？這是一個(gè)模糊的法律領(lǐng)域。在美國(guó)，根據(jù)“差別影響”(disparate impact)原則，貌似中立的雇傭?qū)嵺`若超出比例地傷害了“受保護(hù)階層”，即為不合法，即便雇主并非有意歧視。但雇主若能證明該做法有很強(qiáng)的商業(yè)理由，就能為自己成功辯護(hù)。如果使用算法的意圖僅僅是為相關(guān)職位招募最佳人選，那可能是個(gè)足夠好的辯護(hù)理由。

話雖如此，那些希望擁有更多元化的員工隊(duì)伍的雇主，顯然不能想當(dāng)然地認(rèn)為只需把招聘交給電腦去做。假如這正是他們想要的，那他們也得把數(shù)據(jù)運(yùn)用得更富想象力一些。

比如說(shuō)，與其將他們自己的公司文化設(shè)為既定條件，進(jìn)而尋找統(tǒng)計(jì)學(xué)上最有可能在該文化中成功的人選，不如找到相關(guān)數(shù)據(jù)顯示，一支更為多元化的員工隊(duì)伍在哪些情況下會(huì)成功。

如果機(jī)器學(xué)習(xí)唯一學(xué)到的只是你的過(guò)去，那么它將無(wú)法推動(dòng)你的員工隊(duì)伍走向未來(lái)。