Lakhasly

يشير آل تقليديًا إلى فئة واسعة من التقنيات التي تسمح للكمبيوتر بأداء المهام التي تتطلب عادةً إدراكًا بشريًا، بما في ذلك اتخاذ القرارات التكيفية. حيث تركز على فئة فرعية من الخوارزميات الموجودة داخل الذكاء الاصطناعي المستخدمة الآن والتي تعتمد بشكل أساسي على زيادة توافر البيانات لمهام التنبؤ. لقد تم إحراز تقدم كبير في بعض تطبيقات الذكاء الاصطناعي، مثل التعرف على الأنماط وترجمة اللغات، والتعلم العميق باستخدام الشبكات العصبية في بعض السياقات الغنية بالبيانات، مما جعلنا أقرب إلى الذكاء الاصطناعي الحقيقي. فيما يتعلق بإدارة الموظفين، حيث تم التعبير عن الوعد باتخاذ قرارات أكثر تعقيدًا بصوت عالٍ وفي كثير من الأحيان، لم تدخل سوى مؤسسات قليلة مرحلة البيانات الضخمة. تقول 22% فقط من الشركات إنها اعتمدت التحليلات في مجال الموارد البشرية (HR)، 2 وليس من الواضح على الإطلاق مدى تعقيد التحليلات في تلك الشركات. يمثل التطبيق الفعال للذكاء الاصطناعي على مشاكل الموارد البشرية تحديات مختلفة عما هو عليه في المجالات الأخرى. وهي تتراوح من العملية إلى المفاهيمية، بما في ذلك حقيقة أن تحليلات علم البيانات - عند تطبيقها على القرارات المتعلقة بالأشخاص - يمكن أن تخلق صراعات خطيرة مع ما يراه المجتمع عادة على أنه مهم لاتخاذ قرارات حاسمة بشأن الأفراد. فكر في استخدام خوارزمية للتنبؤ بمن سيتم توظيفه. وكما هو معتاد في مثل هذه المشاكل، فإن تطبيق تقنيات التعلم الآلي من شأنه أن يخلق خوارزمية تعتمد على سمات الموظفين والعلاقة بين تلك السمات والأداء الوظيفي. إذا وجدنا علاقة سببية بين سمة ما (مثل الجنس والأداء الوظيفي)، فقد لا نثق في خوارزمية تقول بتوظيف المزيد من الرجال البيض لأن الأداء الوظيفي في حد ذاته قد يكون مؤشرًا متحيزًا، وسمات القوى العاملة الحالية وخصائص القوى العاملة الحالية. قد تكون بياناتنا مشوهة بسبب الطريقة التي قمنا بها بتعييننا في الماضي (على سبيل المثال، قمنا بتعيين عدد قليل من النساء)،

يشير آل تقليديًا إلى فئة واسعة من التقنيات التي تسمح للكمبيوتر بأداء المهام التي تتطلب عادةً إدراكًا بشريًا، بما في ذلك اتخاذ القرارات التكيفية. إن مناقشتنا هنا أضيق، حيث تركز على فئة فرعية من الخوارزميات الموجودة داخل الذكاء الاصطناعي المستخدمة الآن والتي تعتمد بشكل أساسي على زيادة توافر البيانات لمهام التنبؤ. لقد تم إحراز تقدم كبير في بعض تطبيقات الذكاء الاصطناعي، مثل التعرف على الأنماط وترجمة اللغات، والتعلم العميق باستخدام الشبكات العصبية في بعض السياقات الغنية بالبيانات، مما جعلنا أقرب إلى الذكاء الاصطناعي الحقيقي. ومع ذلك، فيما يتعلق بإدارة الموظفين، حيث تم التعبير عن الوعد باتخاذ قرارات أكثر تعقيدًا بصوت عالٍ وفي كثير من الأحيان، لم تدخل سوى مؤسسات قليلة مرحلة البيانات الضخمة. تقول 22% فقط من الشركات إنها اعتمدت التحليلات في مجال الموارد البشرية (HR)،2 وليس من الواضح على الإطلاق مدى تعقيد التحليلات في تلك الشركات. يمثل التطبيق الفعال للذكاء الاصطناعي على مشاكل الموارد البشرية تحديات مختلفة عما هو عليه في المجالات الأخرى. وهي تتراوح من العملية إلى المفاهيمية، بما في ذلك حقيقة أن تحليلات علم البيانات - عند تطبيقها على القرارات المتعلقة بالأشخاص - يمكن أن تخلق صراعات خطيرة مع ما يراه المجتمع عادة على أنه مهم لاتخاذ قرارات حاسمة بشأن الأفراد. لتوضيح بعض هذه المخاوف، فكر في استخدام خوارزمية للتنبؤ بمن سيتم توظيفه. وكما هو معتاد في مثل هذه المشاكل، فإن تطبيق تقنيات التعلم الآلي من شأنه أن يخلق خوارزمية تعتمد على سمات الموظفين والعلاقة بين تلك السمات والأداء الوظيفي. إذا وجدنا علاقة سببية بين سمة ما (مثل الجنس والأداء الوظيفي)، فقد لا نثق في خوارزمية تقول بتوظيف المزيد من الرجال البيض لأن الأداء الوظيفي في حد ذاته قد يكون مؤشرًا متحيزًا، وسمات القوى العاملة الحالية وخصائص القوى العاملة الحالية. قد تكون بياناتنا مشوهة بسبب الطريقة التي قمنا بها بتعييننا في الماضي (على سبيل المثال، قمنا بتعيين عدد قليل من النساء)، ومن شأن كل من النظام القانوني والأعراف الاجتماعية أن يخلق صعوبات فرعية