美国空军为了提高人员调度效率，利用人工智能的技术来解决人力资源问题，机器学习框架就是其解决方案的基本模板。在创建一个项目时，这个框架不仅会考虑效率问题，也会界定其中的商业价值或影响。虽然决策者可能更倾向于以每个项目的投资回报率（ROI）作为纯量化指标，但这类信息在提案阶段并不总是可得的。为了通过机器学习的框架来更好地界定一个项目的商业价值，首先要考虑每个项目所寻求产生的商业价值类型，并对项目对一个或多个人力资源管理目标的贡献做出可信的定量或定性陈述。项目的商业价值量化报告越可信，它对于资源配置过程中的决策者来说就可能越具有说服力，越能帮助人力资源配置工作。
商业文献表明，许多组织从AI工具投资中看到的结果令人失望，部分原因是他们的AI项目与清晰的商业价值之间没有强链接。特别是在使用AI支持人力资源管理方面，IBM的研究人员表示：“人力资源从业者应该更多了解从AI应用到AI产生的成果以及在业务中发生的相关ROI之间的联系。在AI应用实施之前，就应该建立起AI及其回报之间预期的联系。”
尽管美国空军面临着一个重大的限制，即其“业务”不存在财务绩效指标，但还有其他方法可以将AI决策支持工具与美国空人力资源管理的可信价值联系起来。将人力资源管理与组织成果联系起来的先前框架延伸，表1.1定义了AI决策支持工具可能寻求解决的四个人力资源管理目标。该表还列出了评估AI系统是否满足这些目标的关键指标。
表1.1 人力资源管理目标和评估商业价值的关键指标
7位具有美国空军部人力资源管理流程知识的重要专家对一共19个人力资源管理中的应用进行了评估。评分者使用三分制评估每个应用是否满足：
（2）中级：应用不是专门为实现目标而设计的，但它可能间接地实现目标；
（3）高级：应用是专门设计来处理人力资源管理目标的，为每个应用产生四个不同的分数。
在此阶段，应该根据应用满足特定目标的潜力或跨目标的累积效用来评估其业务价值。图1.1显示了每个人力资源管理目标和应用的平均评分。较大的值表示较强的感知对齐。例如，总的来说，这19个应用似乎与过程改进的目标最一致，而与增强机会的目标最不一致。
图1.1 每个应用实现的人力资源管理目标的评级
我们将图1.1所示的平均评级转换为低、中、高对齐度对应的类别标签。为此，我们将大于或等于2.5的平均分视为反映高度一致，大于或等于1.5且小于2.5的平均分视为反映中等一致，小于1.5的平均分视为反映低一致性。条形图的颜色与这些类别标签相对应。
在这些评级中，人力资源的应用对应的一致性程度因人力资源管理目标而异。在68%的应用中，过程改进的得分很高，而在性能改进方面只有32%，在动机方面只有26%，在机会方面只有11%。这意味着AI应用压倒性地支持过程改进。
一致性程度也因应用而异。有17个应用在一个或多个人力资源管理目标上被评为高分。其中，2个应用在三个目标上被评为高分，5个应用在两个目标上被评为高分（表1.2）。这意味着某些应用在商业价值方面可能特别有吸引力。
表1.2 具有最高业务价值的应用
（1）大多数应用直接或间接改善了流程。有些改进是策略性的。例如，课程调度器会减少生成课程表所需的人员数量；更有效的调度将减少培训时间并增加吞吐量。重要的是，这个例子使用AI来增强现有的流程。其他的则涉及更战略性的变化。例如，目前为所有官员提供职业指导是不可行的。一个启用AI的职业教练将为所有官员创建新的流程，无论其级别如何，都能提供发展性建议。
（2）许多应用通过发展个体的能力（例如，适应性训练）、将个体分配到能够利用他们独特能力的专业或职位（例如，职业分类）或保留具有高价值技能组合的个体（例如，设定选择性重新入伍奖励水平）来提高人力资源效果。
（3）一些应用增强了人员的积极性。对美国空军来说，主要的优势是，那些能增加积极性的应用可能会提高满意度，从而在关键的劳动力群体中增加留存率（例如，薪酬规划）。次要的点在于，提高满意度也可能会提高人员的工作效率（例如，适应性训练）。
（4）很少有应用增加了就业机会。这主要涉及个体发现他们未被发现的高价值才能（例如，任务推荐或职业教练）。考虑到有效改善这些应用中人员位置，包括确认个体是否会去追求由机器学习模型推荐的新机会，以及机器学习模型是否公平地给予就业机会。
评估者间的一致性通常较高，但某些应用与一些人力资源目标的组合后，评估得到的一致性出现显著差异。例如，43%的评估者表示，职业教练与流程改进的相关性较低，而57%的评估者说它具有高度相关性。当存在这样的分歧时，可能表明业务问题和分析解决方案定义不清。这些应用的合理性可能需要重新进行构思。另一方面，分歧也可能表明应用具有额外的商业价值来源，并不是所有评估者都能认清。在这种情况下，应允许评估者在讨论其评分理由的共识会议后调整他们的评分，并且修订项目描述以阐明其意图。
评估人力资源的影响是特定于每个提案的，并且取决于所考虑的人力资源管理目标，在整个集合中是不同的。例如，两个人工智能系统减少了执行人力资源管理功能所需的人员数量，节省的成本可以相互比较，但不能与提供适应性培训的第三个系统产生的熟练程度提高进行比较。
建模和仿真、业务案例分析以及演示项目的实现是一些可用于定量评估业务价值的工具。然而，在这个评估阶段，需要经验丰富的判断来推断数量级影响。
为了使人力调度过程中产生的应用都具有一定的影响力，关键在于提前阐明业务的商业价值。在分析阶段，价值的来源看似合理，但未经证实。应用可能与四个人力资源管理目标之一保持一致：过程改进、增强技能和性能、增强动机和增强机会。将这些应用与四个目标联系起来，确保它们具有潜在的业务价值，并且在决策框架的后面步骤中，还会出现优先选择处理的目标，以便项目能正确执行。
在这19个应用中，我们发现人工智能的潜在价值绝大多数涉及过程改进。此外，我们发现某些应用有助于三个或更多的人力资源管理目标。未来对收益数量级的量化将能够改进出具有最高业务价值的应用。
1. Fountaine, McCarthy, and Saleh, 2019.
2. Nigel Guenole and Sheri Feinzig, The Business Case for AI in HR, with Insights and Tips on Getting Started, IBM Smarter Workforce Institute, IBM Corporation, 2018.
3. Kaifeng Jiang, David P. Lepak, Jia Hu, and Judith C. Baer, “How Does Human Resource Management Influence Organizational Outcomes? A Meta-Analytic Investigation of Mediating Mechanisms,” Academy of Management Journal, Vol. 55, No. 6, 2012
作者：潘泊凡 中国科学院信息工程研究所
责编：蔡北平
原文始发于微信公众号（中国保密协会科学技术分会）：“机器学习”在美国空军人力资源管理的应用分析
评论