沃顿商学院商业人工智能笔记（七）
P6：5_数据管理基础设施.zh_en - GPT中英字幕课程资源 - BV1Ju4y157dK
欢迎回来。在本次会议中，我们将深入探讨数据基础设施。
公司在开展大规模 AI 驱动的业务之前需要做好准备。
转型。为了帮助我们理解公司需要什么样的数据基础设施。
我们已经准备好了，今天在这里的是产品管理总监克里斯·查尔德。
在Snowflake。克里斯，欢迎你。请告诉我们一下你在这个领域的背景。
谢谢，Karthik。我很高兴在这里。所以，正如你提到的，我在Snowflake工作，负责计算。
这是一个云数据仓库公司。我在数据领域工作了我的整个职业生涯。
作为投资者和现在的运营者，我帮助构建有助于发展的系统。
公司能够做出更好的决策，并真正更好地运营业务。所以，克里斯，我。
我们开始的好地方是谈谈，您知道，数据库到底是什么。
企业到底是如何考虑各种不同类型的数据库的？这是什么。
过去几年中的演变一直是这样吗？当然。实际上，这里有两种类型。
大多数公司最终需要的数据库。第一个是我们所称的事务性数据库。
数据库。这是一个记录重要信息的系统。
一种日常经营业务的方式。因此，如果我们以银行为例。
银行会有一个事务性数据库，用于记录所有客户的余额。
每当有人开始交易时，你都会使用这个来找出原因。
如果他们的账户中有足够的资金来借记或贷记他们的账户。
并保持持续的余额。这些非常有用，并且它们需要非常快速。
它们往往非常昂贵。另一方面，你最终得到的是所谓的分析性。
数据库或分析系统用于处理更大、更大规模的数据集，持续很长时间。
一段时间。所以，继续以银行的例子，我可能想要保留一个历史记录。
我所有客户曾经拥有的每一笔交易和每一个余额。它将是。
保持这部分在我的事务数据库中非常昂贵。于是，我将那些数据转移到一个单独的。
将数据库转换为分析数据库，以便我可以保留这些庞大的历史记录。然后在那里。
我可以问这样的问题：“我想要一份所有客户的名单，他们的余额增加了。”
在过去五年中的四年里至少增加了10%。我的事务数据库将无法。
要回答这个问题，我的分析数据库会这样做。"所以，转向分析数据库。
显然，这将涉及基础设施的投资。我们所谈论的是什么类型的基础设施？
关于这个？是的，所以当你最初设置数据仓库或分析数据库时。
你需要购买特殊的硬件。你需要购买非常昂贵的软件。
来自不同的供应商。再说一次，我们谈论的是20、30年前的事情。
这套存储数据的方法论就是在这里发挥作用的。因此，随着。
人们从许多不同来源收集的数据量，不管那是什么。
来自移动应用、网站、营销活动，甚至是你正在收集的数据。
你在商店里对发生的事情的实际情况，或来自整个供应链的信息。这里有。
许多不同的数据来源开始涌入。这些类型的专业分析。
在特殊硬件上运行的数据库开始变得非常昂贵，运营成本逐渐增加。
并不能真正满足那海量数据的性能需求。所以。
这次我们经历了某种第一次重大演变。然后从。
这些定制构建的专业分析数据仓库，巨量的数据开始。
存储在一个名为Hadoop的新系统中。Hadoop是由Google开发的，用于处理。
他们收集和追踪的大量网络数据，此外还被设计为可运行在。
一张由非常廉价的硬件组成的庞大网络。因此，不再需要这些专用的、非常昂贵的。
服务器，你可以在数百台非常便宜的服务器上运行。结果就是这样。
一种更具成本效益的方法来管理和处理这些大量、巨大的数据。现在。
这难道不是创建数据湖的真正意义所在吗？我们难道不在一个过程中吗？
看到许多公司转向更新的大数据工具或技术，如Spark等，您有什么看法？
当然。因此，数据湖是人们用来指代基本上是庞大数据集的术语。
硬盘中存储着所有这些数据。所以这是一个你可以倾倒的地方。
像湖泊一样的大量数据，然后你可以使用像Hadoop或现在的Spark这样的工具。
这是一个更现代的Hadoop计算引擎版本，用于从数据湖中提取数据。
对其进行一些计算和转换，然后再放回去，以便你可以。
稍后再找到它。通常我们看到的是，一旦人们完成所有这些。
计算，他们希望能够非常快速地查询这些数据。所以他们会结束。
把这些数据放入他们最初使用的数据仓库中。现在他们已经开始。
将这些称为数据集市，这里是你的一小部分客户或内部数据所在的地方。
用户可以获取数据的一个子集。但为了加载一个新的数据集，你。
必须回去编写Hadoop或Spark作业，以便将数据转换并加载到。
那些数据集市或数据仓库。对于那些不熟悉的你们，Hadoop和Spark。
这些是用于存储和处理大量数据的技术，基本上涉及分布式存储。
数据的分布式处理和大量并行化的创建有助于它们。
数据处理变得更快。现在回到你身边，克里斯。
我们现在也看到了向云数据仓库的转型。
那么你能具体说明什么是数据仓库吗？
这在整个对话中如何适应？
公司将数据迁移到数据湖和数据集市的趋势如何？绝对如此。
很多人发现使用这些数据湖和数据集市时，它是。
仍然很难跟踪所有数据。数据分散在多个庞大的地方。
大量的它。它是一种不一致的格式。访问它时常常需要你的。
工程团队实际上编写可以在这些大型并行系统上运行的代码。
大约十年前，许多研究开始关注现在所称的内容。
云数据仓库。这些是来自亚马逊、谷歌或雪花公司的系统。
对传统数据仓库的重新构想。它们旨在在大规模并行环境中运行。
一组廉价硬件，就像Hadoop一样。一般来说，它们运行在你。
从像亚马逊、谷歌或微软这样的云服务提供商租用，而不是自己管理这些。
自己搭建服务器。但从外部来看，它们的外观、操作和性能都很相似。
传统数据仓库的。 所以这意味着他们使用一种语言与它们进行交流。
被称为SQL，这是数据仓库和数据库使用的。这意味着你可以原生地。
直接使用 Tableau、Looker 或其他分析和商业智能工具。因为。
他们使用那个标准语言，同时也能很好地与大量工具集成。所以。
正如我们之前稍微提到的，你真正想从你的数据平台中获得的东西。
整体上，这是一个存储所有这些数据的地方，你需要一套数据摄取工具。那么你该如何做呢？
如何将数据导入你的数据平台？由于是基于SQL的，你可以使用多种不同的方式。
专门为此构建的工具。然后你需要一组变换来。
获取传入的原始数据并将其转化为有用的信息。正如我相信你已经知道的。
在这节课中谈到的技术之一是机器学习，你可以。
用于处理这些原始数据并对其进行评分，预测并弄清楚接下来会发生什么。
但是也有简单的事情，比如，我可能会获取关于一组动作的数据。
用户每天都在进行这项操作。而实际上，我想从每月的角度来审视这一点。
所以一个转变就是将其汇总为按月进行。然后是最终的。
你需要的部分是一个查询和可视化引擎。正如我们提到的Tableau或Looker。
或其他类似工具，实际上运行查询的一种方式，让你的分析团队能够构建。
仪表盘基本上是在数据经过转换后提出问题。
因此，人们在使用Hadoop或基于Spark的技术时面临的一个重大挑战。
生态系统是这些工具往往需要为该生态系统量身定制的。 而。
如果你使用云数据仓库，你将获得高性能，你将获得Hadoop的可扩展性。
但你也可以访问标准工具生态系统。所以克里斯。
当我们开始交谈时，我提到在公司可以开始之前。
使用机器学习或其他预测技术时，他们需要建立数据基础设施。
建立这一数据基础设施显然需要资金，且不能。
不可轻视。那么，管理者在进行这样的练习之前应该问哪些问题呢？
绝对是这样。因此，我看到人们反复犯的一个错误是认为。
拥有这样的数据基础设施本身就是一件重要的事情。因此。
他们会设置这个并加载大量数据，还会购买一堆工具。
他们实际上不会从中获得任何价值，因为他们没有提前思考。
关于他们试图解决什么问题，他们希望解决哪些困难的时间。
用数据解决问题。所以我建议任何准备开始这段旅程的人。
首先仔细考虑你希望问但却不能问的那些问题类型。
因为你没有所有的数据，正在回答的问题类型。
今天，但这需要很长时间。一个例子是你问某人任何事情。
让你团队花两周时间收集数据并在Excel中进行分析，这些都是。
如果你拥有适当的资源，能够在几分钟内解决的问题的合适候选者。
需要建立正确的数据基础设施。最后，思考你需要哪些数据。
为了回答这些问题。一般来说，收集每一个单独的东西并没有太大用处。
你能想到的任何一条数据。相反，哪些数据是重要的呢？
对于您的业务，这些将帮助您回答那些关键的商业问题。
让你可以更好、更高效地经营你的业务。实际上，这一切归根结底。
这就是最终目标。克里斯，这是一套非常有帮助的提示和概述。
数据基础设施是公司需要深入思考的内容。非常感谢你的参与。
谢谢你，Karthik。非常感激。感谢你让我参与。 [BLANK_AUDIO]。
P60：26_金融欺诈检测中的机器学习.zh_en - GPT中英字幕课程资源 - BV1Ju4y157dK
在这次讲座中，我们将探讨机器学习在中的一些应用。
更详细地讨论财务。因此在我们与APUR的对话中。
我们讨论了机器学习的几种应用。
在前台和后台都有。因此，我们将从APURVE提到的后台应用开始。
欺诈检测。现在让我们从信用欺诈检测开始。在过去。
信用欺诈检测在实时中是无法完成的。
最常见的情况是，一旦发生欺诈，通常会在很久之后才。
是某人检测到了欺诈。最常见的是客户在查看其信用时发现。
信用卡账单上，他们会注意到一笔不合法的交易。
他们可能会随后联系公司，公司可能会撤销该交易。
然后发送新卡。
但在这种情况下，客户受到影响，这可能造成了很多损失。
消费者焦虑的情况。此外，交易已经发生。
因此，尽管客户可能会得到赔偿，但信用卡依然会遭受损失。
公司或商家。如今，信用卡欺诈检测的世界正在转变，机器。
学习算法在交易发生时实时评估。
因此，当客户使用信用卡时，无论是在网上还是在店内。
在面对面时，算法可能会评估该交易，然后检测潜在欺诈。
如果它判断交易可能是欺诈，那么客户就会。
被提醒，如果需要，客户会重新发卡。
这项技术实现的是我们能够在客户体验之前检测到欺诈。
任何不满或焦虑，同时帮助避免第一次的欺诈交易。
从而为商家或信用卡公司节省了资金。
现在，机器学习应用于欺诈检测时无疑是非常有价值的。
这些算法的准确性极为重要，因为假阳性或假阴性。
负面影响可能代价高昂。假阴性发生在商家未将交易识别为欺诈时。
这让欺诈者能够完成购买。
在这种情况下，实际持卡人发现了收费，提出异议并可能获得退款。
由银行承担，但商家或银行要负责出售商品的费用。
给欺诈者带来损失，因此其中一个会遭受损失。
另一种可能性是误报。这发生在一笔交易被标记为欺诈并被阻止，尽管实际上。
潜在购买实际上并不是欺诈。
在这种情况下，挑战在于它影响客户体验，因为交易。
即使在非欺诈情况下也被阻止，这可能会影响客户的长期保留。
简而言之，对于公司来说，确保它们的机器学习算法。
用于欺诈检测的算法准确度高，假阳性率和假阴性率低。
现在，如果我们打开黑箱，看看内部，看看使用了什么样的算法。
正在被公司使用，它们同时使用监督学习算法和无监督学习。
学习算法。
监督学习算法基于历史数据进行训练，这些数据本质上是。
传递的数据涉及那些随后被标记为欺诈的交易或。
根本没有被标记为欺诈。我们可能会使用这些数据来训练算法，以确定什么构成欺诈交易。
看起来与常规或合法交易不同。
无监督学习算法基本上会查看任何交易并本质上。
进行异常检测。它们会查看这笔交易与其他交易有什么不同。
数据库中包括同一客户的其他交易。
因此，一笔看起来不同的交易会被标记。
所以让我们看看这些想法。首先，监督学习。对于监督学习。
我们需要大量的训练数据。鉴于训练数据。
算法正在查看交易的某些属性。
这些是基于特定交易的一些属性。例如。
这张卡在哪个国家使用，在哪个国家发放的？
或者，进行支付的网站的IP地址是什么，类似的事情。
它们也可能会使用行为数据。例如。
这张卡在多少个不同的国家被使用过？
在过去一个小时内，这张卡的交易数量相较于什么情况。
在这个时间段内交易的常见频率是多少？
所以这些是可能被使用的数据。
监督学习算法可能本质上会使用一个大型数据集。
客户过去交易的各种交易数据。凭借这些知识。
请记住，监督学习算法需要明确标记的输出。
所以它们需要知道那些过去的交易是否是欺诈。
基于这些数据，他们基本上试图识别一个独特的签名或一个独特的。
欺诈交易的特征或标识符集。
然后他们将其应用于未来的交易。
基于这些历史数据，可以学习到，例如，我所提到的决策树。
如图所示，在这个决策树上，算法主要关注某些。
交易属性。例如，首先查看交易金额是否大于或小于。
$20。如果大于$20，接下来会询问交易是否在加拿大进行。
如果金额少于$20，它会询问这张卡是否在超过两个国家使用过。
因此，它会查看这种数据以决定是否认为一笔。
交易是否为欺诈。这种决策树将基于历史数据进行学习。
因此，决策树的准确性依赖于拥有大量的数据，回顾我们的谈话。
在机器学习算法上。你需要大量的数据行和每行中大量的列。
因此，大量的数据行意味着我们需要数百万甚至数十亿的历史交易。
而大量的列意味着对于这些过去的每笔交易，我们需要知道很多。
信息。不仅仅是几张幻灯片之前表格中展示的简单信息。
而是针对每笔交易的非常丰富的数据，关于交易发生的地点。
交易的金额是多少，IP地址是什么，各种信息。
这时我们可以构建准确的监督机器学习算法。现在。
正如我之前提到的，这将与无监督学习算法结合使用。
进行异常检测。你可能会说，这笔交易的金额相对于过去的交易异常高。
而且，这笔交易发生在此人之前没有进行过交易的国家。并且在过去。
外国交易之前是到该国的航班购买。
而这次没有看到。因此，所有这些因素使这笔交易看起来像是一个异常，这可能会导致。
交易被标记为欺诈。
机器学习实际上在当今的银行中被广泛使用。
我们仍处于将机器学习应用于欺诈检测的早期阶段，它可以。
增加巨大的价值。首先，算法可以比任何人类更快地检测欺诈交易。
因此，检测速度极为重要，因为它有助于预防欺诈，而不是。
事后检测欺诈。
解决方案的规模在这里极为重要，因为人工干预或人类检测。
诈骗交易的检测并不容易扩展，而算法检测可以。
迅速扩展。
最后，使用机器学习的效率以及能力也是关键。
检测欺诈的准确性比人类可行性更高或更好。
考虑到银行今天在欺诈交易中损失数十亿美元，这个价值。
将机器学习应用于降低欺诈率的效果实际上非常显著。
银行和其他金融机构。同时。
使用机器学习进行欺诈检测存在一些局限性。
其中之一是一些最先进的机器学习算法往往。
变得更加不透明，比如深度学习算法或梯度提升等。
因此，它们变得难以解释。如果它们难以解释。
有时可能很难发现算法的问题。
如果我们不理解算法的具体运作方式。同时。
算法中可能存在偏见，导致拒绝某些交易。
在某些邮政编码中，少数族裔可能居住，必须对此有所担忧。
这就是为什么人们对可解释机器学习的理念产生了浓厚兴趣。
被称为可解释的人工智能。其理念是如何使机器预测附带解释。
我们将在第四模块中进一步讨论这个话题。
最后，将机器学习应用于欺诈检测的另一个局限是。
机器学习在大量数据下效果最佳。
所以小型组织在数据量非常有限的情况下无法获得最佳效果。
由于这个原因，机器学习的效果有限。[BLANK_AUDIO]。
P61：27_金融其他应用中的机器学习.zh_en - GPT中英字幕课程资源 - BV1Ju4y157dK
在本讲座中，我们将讨论机器学习在金融中的其他应用。
超越仅仅是欺诈检测。在与APU的对话中，我们谈到了这些例子。
但在本讲座中，我们将深入探讨如何将机器学习应用于各种。
在金融服务中存在不同的需求。首先。
让我们讨论身份验证和身份确认。
这在金融服务中极其重要，因为如果允许消费者。
进行交易或转账，我们希望确保实际操作的人。
启动交易的人是他或她声称的那个人。
所以我们需要进行身份验证。传统的身份验证方法是使用密码或PIN码。
数字方面，机器学习的应用将体现在生物识别识别上。
例如，进行人脸识别、指纹识别或语音识别。
识别以确定谁实际上在与公司的网站互动。
或在移动应用程序上。现在就这些应用而言。
你可以想象一种情况，顾客正在尝试。
在网站或移动应用上登录他们的银行账户，我们可能会询问那个人。
在登录过程中拍摄自己的照片或对着设备说话或。
也许使用指纹尝试登录。因此，这些是一些例子。事实上。
在中国的银行中，ATM使用人脸识别并不少见。
所以当顾客走到ATM前时，ATM上的摄像头实际上可能。
识别客户，然后对其进行身份验证，允许他们使用ATM。
而这实际上现在正在中国的多家银行使用。
生物识别识别不必仅仅关注一个人的指纹。
或他们的声音。随着时间的推移，企业和研究人员也在测试其他客户识别的方法。
比如观察他们握手机的独特方式或其他独特方式。
人们轻触手机。这项技术尚不够成熟。
目前尚不清楚它是否会在实践中被使用。
但如今生物识别在身份识别方面有多种用途，所有这些用途往往。
依赖机器学习来进行识别。
这些技术的优势当然是生物识别提供的额外安全性。
相对于密码等内容，提供相对的安全性。当然，限制是它们并非万无一失。
它们并不能保证不会发生欺诈。
但它们肯定可以显著减少这种情况。
机器学习的另一个应用是在贷款和保险的承保中。
因此，如果你查看贷款批准决策，今天是由贷款官根据。
一些关于客户的信息。但是，越来越多的人对将机器学习算法应用于指导表示兴趣。
或者自己做出贷款决策。因此，这些算法通常是监督式机器学习算法，因此它们会获得一个。
训练数据集。训练数据集将包括多个特征或协变量或X变量。
包括客户数据，如他们的年龄、收入、就业及其过去的历史。
他们的信用评级等等。同时，还将包括干净标记的结果变量，比如他们的信用。
过去的评分或他们按时还款的历史，或者是否。
他们是否违约。因此，如果你查看数据，你可以看到数据是如何被使用的。
你可以看到数据是如何被使用的。
你可以看到数据是如何被使用的。你可以看到数据是如何被使用的。
你可以看到数据是如何被使用的。你可以看到数据是如何被使用的。
你可以看到数据是如何被使用的。你可以看到数据是如何被使用的。
你可以看到数据是如何被使用的。你可以看到数据是如何被使用的。
你可以看到数据是如何被使用的。你可以看到数据是如何被使用的。
你可以看到数据是如何被使用的。你可以看到数据是如何被使用的。
你可以看到数据是如何被使用的。你可以看到数据是如何被使用的。
你可以看到数据是如何被使用的。你可以看到数据是如何被使用的。
你可以看到数据是如何被使用的。你可以看到数据是如何被使用的。
你可以看到数据是如何被使用的。你可以看到数据是如何被使用的。
你可以看到数据是如何被使用的。你可以看到数据是如何被使用的。
你可以看到数据是如何被使用的。你可以看到数据是如何被使用的。
你可以看到数据是如何被使用的。你可以看到数据是如何被使用的。
你可以看到数据是如何被使用的。你可以看到数据是如何被使用的。
你可以看到数据是如何被使用的。你可以看到数据是如何被使用的。
你可以看到数据是如何被使用的。你可以看到数据是如何被使用的。
你可以看到数据是如何被使用的。你可以看到数据是如何被使用的。
你可以看到数据是如何被使用的。你可以看到数据是如何被使用的。
你可以看到数据是如何被使用的。你可以看到数据是如何被使用的。
你可以看到数据是如何被使用的。你可以看到数据是如何被使用的。
你可以看到数据是如何被使用的。你可以看到数据是如何被使用的。
你可以看到数据是如何被使用的。你可以看到数据是如何被使用的。
你可以看到数据是如何被使用的。你可以看到数据是如何被使用的。
你可以看到数据是如何被使用的。你可以看到数据是如何被使用的。
你可以看到数据是如何被使用的。你可以看到数据是如何被使用的。
你可以看到数据是如何被使用的。你可以看到数据是如何被使用的。
你可以看到数据是如何被使用的。你可以看到数据是如何被使用的。
你可以看到数据是如何被使用的。你可以看到数据是如何被使用的。
你可以看到数据是如何被使用的。你可以看到数据是如何被使用的。
你可以看到数据是如何被使用的。你可以看到数据是如何被使用的。
你可以看到数据是如何被使用的。你可以看到数据是如何被使用的。
你可以看到数据是如何被使用的。你可以看到数据是如何被使用的。
你可以看到数据是如何被使用的。你可以看到数据是如何被使用的。
你可以看到数据是如何被使用的。你可以看到数据是如何被使用的。
你可以看到数据是如何被使用的。你可以看到数据是如何被使用的。
你可以看到数据是如何被使用的。你可以看到数据是如何被使用的。
你可以看到数据是如何被使用的。你可以看到数据是如何被使用的。
你可以看到数据是如何被使用的。你可以看到数据是如何被使用的。
你可以看到数据是如何被使用的。你可以看到数据是如何被使用的。
你可以看到数据是如何被使用的。你可以看到数据是如何被使用的。
你可以看到数据是如何被使用的。你可以看到数据是如何被使用的。
你可以看到数据是如何被使用的。
你可以看到数据是如何被使用的。你可以看到数据是如何被使用的。
你可以看到数据是如何被使用的。你可以看到数据是如何被使用的。
你可以看到数据是如何被使用的。你可以看到数据是如何被使用的。
你可以看到数据是如何被使用的。你可以看到数据是如何被使用的。
你可以看到数据是如何被使用的。你可以看到数据是如何被使用的。
你可以看到数据是如何被使用的。你可以看到数据是如何被使用的。
你可以看到数据是如何被使用的。你可以看到数据是如何被使用的。
你可以看到数据是如何被使用的。你可以看到数据是如何被使用的。
你可以看到数据是如何被使用的。你可以看到数据是如何被使用的。
你可以看到数据是如何被使用的。你可以看到数据是如何被使用的。
你可以看到数据是如何被使用的。你可以看到数据是如何被使用的。
你可以看到数据是如何被使用的。你可以看到数据是如何被使用的。
你可以看到数据是如何被使用的。你可以看到数据是如何被使用的。
你可以看到数据是如何被使用的。你可以看到数据是如何被使用的。
你可以看到数据是如何被使用的。你可以看到数据是如何被使用的。
你可以看到数据是如何被使用的。你可以看到数据是如何被使用的。
你可以看到数据是如何被使用的。你可以看到数据是如何被使用的。
你可以看到数据是如何被使用的。你可以看到数据是如何被使用的。
你可以看到数据是如何被使用的。你可以看到数据是如何被使用的。
你可以看到数据是如何被使用的。你可以看到数据是如何被使用的。
你可以看到数据是如何被使用的。你可以看到数据是如何被使用的。
你可以看到数据是如何被使用的。你可以看到数据是如何被使用的。
你可以看到数据是如何被使用的。你可以看到数据是如何被使用的。
你可以看到数据是如何被使用的。你可以看到数据是如何被使用的。
你可以看到数据是如何被使用的。你可以看到数据是如何被使用的。
你可以看到数据是如何被使用的。你可以看到数据是如何被使用的。
你可以看到数据是如何被使用的。你可以看到数据是如何被使用的。
你可以看到数据是如何被使用的。你可以看到数据是如何被使用的。
你可以看到数据是如何被使用的。你可以看到数据是如何被使用的。
你可以看到数据是如何被使用的。你可以看到数据是如何被使用的。
你可以看到数据是如何被使用的。你可以看到数据是如何被使用的。
你可以看到数据是如何被使用的。你可以看到数据是如何被使用的。
你可以看到数据是如何被使用的。
[空白音频]。
P62：28_Carleigh Jaques访谈.zh_en - GPT中英字幕课程资源 - BV1Ju4y157dK
Carli Jake 在硅谷担任了20年的科技投资银行家，因此参与了。
在现代科技团队的演变中，13年前。
Carli 加入了 Visa，负责战略和企业发展。四年前。
她担任了CyberSource的总经理一职，该公司是Visa的全球业务。
商户和收单平台。欢迎，Carli。对于Grom来说，这是你的视角。
你能告诉我们你在Visa的角色以及你负责的业务CyberSource吗？当然可以。
非常感谢你，玛丽。CyberSource 是我们所称的支付管理平台，有时在行业中也被称为。
我们称之为一个门户。这实际上意味着，如果你考虑传统的台面体验，那里。
你在柜台上用那个设备轻触或插入你的卡，这就是进行支付、交易。
CyberSource 实际上是这一概念的数字版本。
所以如果你想想移动体验，无论是早上醒来后购物。
你的咖啡、你的交通票，或者也许是稍后买的停车费、买一件毛衣。
在白天，从自动售货机购买小吃时，我们很可能为该交易提供动力。
在2020年，我们处理了大约210亿笔交易，价值约6000亿美元。
音量。哇，那些真是一些非常大的数字。因此考虑到这一点和一个非常大的工作。
Visa及其间接价值驱动因素是什么？
CyberSource的客户与AI应用相关，以及AI是如何被应用来解决问题的。
为你的客户解决问题？例如。
Visa正在具体通过哪些使用案例进行部署。
在数字世界中，使用人工智能和机器学习？
商家承担不良交易的责任。因此，商家对此非常关注。
了解那些支持商家的人的确非常重要。
所以CyberSource积极参与欺诈工具的开发，以支持商家。
并且获取。我们去年在欺诈方面处理了大约2000亿的支付金额。
这大约是二十亿笔交易。我们正在做的工作是从全球范围内再次审视这些交易。
考虑来自超过250个不同来源的欺诈信号，并将其应用于。
一种情况。而在 COVID 中发生的一件事情是，我们看到了大幅度的激增。
在电子商务流量中。我们不幸地也看到欺诈活动大幅增加。
所以根据我们的经验，我们看到商家正在部署我们的能力。
传统方式。但是，他们在与我们合作开发新方案方面也表现出了极大的创造力。
用例。所以在疫情初期，有一个有趣的现象就是出现了很多囤积行为。
发生了。我们的一个客户利用我们的能力在偏差层面进行了非常细致的调整。
并观察囤积行为，基本上限制你能购买的Clorox瓶数。
可以购买，以便它能为更广泛的社区提供服务。
所以这是一个为特定用例开发的能力集，但具有灵活性。
我们的技术确实使其适应了各种场景。
所以考虑到你分享的那个确切例子，似乎COVID确实加速了这一过程。
签证和网络来源必须以不同于五年前的方式接触人工智能。
更具体地说，你发现自己在与客户互动时更加迭代吗？
现在与五年前相比？是什么让你变得更加灵活？
当你把数据科学家引入这些客户商业问题时，你会吗？
你是希望我翻译具体的文本内容吗？
但也许可以让人们对那五年的时间有一些视角。
所以我想说，从根本上讲，我们的发展方法已经发生了相当大的变化。
当你身处一个非常技术性、非常复杂的行业时，这是一种非常。
复杂的生态系统。 从我所称之为“由内而外”的视角出发构建非常简单。
我们的团队喜欢去白板上画出交易流程的方式。
将要在全球范围内进行导航。我们真正看到的是，思考客户体验是至关重要的。
我们经常使用“客户旅程”这个术语来思考。实际上。
与我们技术互动的体验是什么？
我们具体想要解决的商业问题是什么？
而这些类型的方法已经彻底改变了我们产品的体验。
就是在整个领域。所以，再一次，这涉及很多事情，比如JAD会议，对吧？
与我们的客户一起参加应用开发会议，和我们的技术人员及产品团队合作。
开发团队。在这些类型的会议中，数据科学家绝对是不可或缺的一部分，因为。
欺诈的运作方式是非常行业特定的。并且，除非我们理解客户的商业背景。
我们可能拥有卓越的技术，但实际上并没有针对我们期望的结果进行优化。
所以当你谈论商业背景时，你已经在这个背景下设定了。
过程和你的数据科学家，你能与客户交流吗？
你能多谈谈框定商业问题有多重要吗？
并且可能涉及帮助构建该商业问题的人员，为什么这如此重要？
所以，欺诈是非常行业特定的。如果你是在交易环境中出现的。
你正在思考的是，如何优化并接受尽可能多的良好交易？
那么我该如何筛选掉不良交易呢？但不良交易的成本在不同的行业中可能差异很大。
如果你拥有数字商品，对吧，你的利润率极高，但交易却很糟糕。
实际上对你的业务影响并不大。另一方面。
如果你处于一个利润非常薄的行业，每一笔糟糕的交易。
对你的底线影响巨大。所以这是你需要理解的事情。
而且，这种商业环境中的迭代元素是极其重要的。因此，再次强调。
可能稍微回想一下COVID的例子，说明了事物是多么动态。
商业背景可以是。即使你的行业保持不变。
我们早期看到的事情之一是，有很多单向的国际。
航空公司机票正在发生变化。我们在航空业有着非常大的影响力。
这是一个实际上存在相当数量欺诈的地方。
人们通过票据窃取凭证，然后继续前进。
所以很多国际单程票通常会是一个非常糟糕的结果，以及那些。
本来会顺利通过。实际上，发生的事情是模型阻碍了他们。
但是我们看了看，发现这实际上是很多人只是因为COVID而这样。
努力回家。我们需要改变模型的工作方式，以支持当前的商业环境。
所以我想说，背景确实是一个常青的现象。
所以根据你的经验，你能否突出构建出良好内容的关键要素。
模型及其重要性，但你的模型的好坏取决于你的数据。
或许提供一个数据归一化为何如此重要的例子。
所以我的意思是，数据就像是秘密调料，而你的模型的好坏完全取决于你的数据。我是说。
我简单地认为，这就是代数。
如果你没有一套好的价值观来解决问题，那你就会。
从一开始就完全偏离了目标。在我们的行业中。
我们看到的事情之一是，我们确实需要理解数据。
理解我们所称的真实数据何时进入场景。
所以如果信用卡行业出现了不良交易，实际上是需要报告的。
由消费者或商家向您的银行进行。裁决结果的过程通常需要大约90天。
所以你可以有一个90天的时间段，在这段时间里你不知道这是否确实是合法的。
好交易或坏交易。这里的关键在于如果你有一个商家。
例如，谁在建立移动渠道。实际上，这可能与电子商务渠道或面对面渠道有不同的欺诈向量。
因此，当你思考从数据和分析中获得的见解时。
一旦你跨越90天的标志，模型就会变得更好，因为你已经看到了如何防范欺诈。
正在特定频道中工作。再一次。
最重要的收获是，你需要理解你的模型是如何工作的，才行。
你决定他们在商业成果方面所带来的价值。
这确实是我们关注的关键之一，那就是倾听我们的数据科学家。
并理解我们的模型在其成熟度方面所处的位置。
然后还有新数据洞察的开发，例如。我们可能还会引入一个新的数据集。
我们想要看看那个数据集是否能产生我们预期的提升。
这不仅仅是一个假设。随着你深入分析你所谈论的良好数据。
最后，你能告诉我们关于你的数据定义更多一点吗？
在Visa和CyberSource的数据治理及其重要性。我是说，我们要进行数据定义。
我们非常重视数据治理。我们拥有庞大的数据集。
我们也非常关注隐私以及所有这些不同的维度。
关于数据使用。此外，还有这个整体的标准化因素，再一次。
因为我们有——这不是普通消费者可能知道的事情。
但至少有20种不同的方式可以影响交易。
它们都有不同的属性。当这些属性被汇总以考虑缺失卡交易时。
所以可以考虑更多的是数字交易或面对面交易。
如果你没有在不同数据源之间正确映射这些内容，你就会。
去破坏你的结果。然后同样，如果你考虑吸收增量数据源。
这是我们定期进行的事情，而且今天关于增强数据的方法只会越来越多。
例如，你正在处理的设备有哪些属性？它来自哪里？
它击中了哪个IP地址？消费者在该网络财产上的行为是否与我们传统的方式一致？
看到真实的人与机器人互动的区别吗？所有这些都是我们可以用来增强的类型数据。
但是如果我们的定义没有相同的基准，我们就会出现扭曲。因此我们非常。
非常专注于此。太惊人了，卡莉，制作信用卡时你需要考虑的所有事项。
交易。我想我再也无法简单地看待那些机器，并了解所有不同之处。
发生的事情。非常感谢你让我们明白AI和机器学习在Visa中的应用。
以及CyberSource和信用卡交易。感谢您今天的时间。
很高兴认识你和这个业务。所以非常感谢你。谢谢，玛丽。
[空白音频]。
P63：0_课程介绍.zh_en - GPT中英字幕课程资源 - BV1Ju4y157dK
大家好，欢迎你们的到来。很高兴你们能与我们同在。这是我们关于影响的节目。
人工智能在人员管理及相关问题上的应用。我的。
我的名字是彼得·卡佩利。我在沃顿商学院担任教授已经35年了。
运营我们的人力资源中心，以及其他事务。还有我一直在布置工作场所。
很长一段时间以来。最近，我一直在关注人们的变化。
关于薪酬、绩效管理方式的变化，以及我们所经历的更广泛的转变。
看到过去一代人朝着更加开放的劳动力市场和员工流动的发展。
我和我的同事们在这个项目中一直在探讨人工智能的角色。
正在管理人员。马修·比德威尔，你会很快听到他的声音，他是这里的同事。
这里在沃顿商学院创建人力分析课程的是索尼·坦比和他的同事。
我想我们可以说，他是一位改行的计算机科学家，研究工作场所。
问题，特别是各种电子市场如何影响招聘等问题。
所以我们将花大约接下来的四个小时与你在一起，具体取决于你观看这个内容的时间。
讨论这些问题。那么让我先从管理人员的一般观点开始。
可能有一些人正在观看这个，他们在管理方面的经验不多。
在此之前，人们，尤其是如果你是从数据科学或人工智能的角度来看这个问题。
智力方面。管理人员是一项巨大任务。如果我们考虑相关成本。
在一个典型的组织中，例如，三分之二的成本来自员工。
或者进行各种类型的劳动。如果你仅仅查看美国，每年我们雇佣6600万。
每年都有很多人。 而这仅仅是从1.6亿的劳动力中得出的。 所以你能感受到一些。
那些人正从一扇门出去，再走进另一扇门。 这是另一个问题。 沿着。
我们必须讨论如何管理人们的表现，因为关键问题在于如何。
我们如何让人们做我们想让他们做的事，以及我们需要他们做的事？我们必须思考。
关于我们如何支付他们、他们所走的职业道路，以及我们如何帮助他们转变所有这一切。
这些问题。要了解这有多大，如果你仅仅关注这个行业。
这是由人们推动工作外包、管理人员问题、薪资等形成的。
还有绩效问题，以及人员配置和招聘问题。如果你将其总和。
这个行业，仅在美国就有五千亿美元。所以这几乎是。
现在整个美国建筑行业的规模。因此，这这是一个非常重要的问题。
对组织和社会而言，涉及到真实金钱的后果。尤其是对企业而言。
他们关心的事情之一是公司品牌如何受到人员管理的影响。
问题。我们现在看到很多关于性骚扰、多样性和包容性的关注。
问题是它们如何影响公司的财务表现。现在许多公司被要求。
以证明他们遵守各种多样性包容政策和反骚扰措施。
政策。当我们思考公司如何竞争时，商业战略中的关键问题。
至少在我看来，这个问题是关于能力的，究竟一个企业如何运作。
以一种能够让他们与竞争对手竞争并取得成功的方式掌握某项技能。
在他们周围。几乎所有的对话现在都归结为人们和的相关问题。
我们管理它们的方式，因为这在各家公司之间几乎没有差别，坦率地说。当然，
最终，关于所有这些话题令人担忧的原因在于管理人。
影响他们的生活。管理不善会导致一系列与健康相关的问题，压力相关。
特别是问题，坦率地说，这只会让人痛苦。如果我们能够管理好人，嗯。
我们可以让他们的生活变得更好。因此，这本身就是一件重要的事情。
绝对值得我们认真对待。那么我们来稍微讨论一下我们面临的问题是什么。
接下来几个小时我将和你讨论的内容。我们开始吧。
关于什么是人工智能的问题。那我们来看看是否可以谈论这个。
等一下。这是一个动态目标，人工智能。其背后的理念是这些。
这种智慧所能做出的决策种类，只有人类才能作出。
问题在于这是一个动态的目标，因为我们在计算机科学上不断进步。
以及决策等。我们发现我们可以进行越来越多的决策。
目前人们谈论人工智能时，我们所拥有的就是这些。
主要是数据科学。数据科学的核心是对数据的工程化处理。
所以你可以说，这相当于工程与科学的关系，数据科学。
是统计学。因此，统计学是数据科学所基于的基础学科。现在。
数据科学特别应用统计学和相关的数据分析工具来解决问题。
优化的意思是什么？我们指的是什么？举例来说，就是考虑供应链。
思考我们如何确保将适量的货物送到我们的商店。
在恰当的时间段内。你可以考虑类似于最优调度的事情。
例如，卡车车队，以确保我们知道我们恰好拥有适量的卡车。
恰到好处的舰队。 然而，当我们思考人时，问题在于与之不同。
也许是卡车， people get sick， people also get angry and they act out when they're angry。 They quit。
如果他们对工作没有投入，他们就不会在乎它。他们会放慢事情的进展。
他们实际上可以破坏。 这在工会界是一种旧技术，称为按规章工作。
如果你对管理层真的很烦恼，你可以做的是。
只需从手册中直接提取工作规则，逐字遵循它们。你完全可以。
基本上就是让组织停滞不前。所以这会带来很多后果。
你如何管理人以及许多与优化截然不同的影响。
数据科学的规范源于研究机器和设备等方面。
在过去一个世纪左右或自开始以来，管理领域的根本辩论。
关于管理的内容，我们将在节目稍后讨论一些。
管理观点与领导观点之间的划分，后者认为人是理性的。
演员，并考虑沿着那些等效的线条管理人员。与运动相比。
这项研究始于1930年代，但直到1950年代才真正发展起来，更多地受心理学的影响。
思考人们实际的反应。有时人们称这些为理论 X 道格拉斯。
麦格雷戈在这里著名的区分。理论X是指人们是理性的。这实际上意味着。
他们并不真的想工作，除非你支付他们，如果你不检查，他们就不会努力工作等等。
理论Y认为，如果你正确管理他们，他们实际上可能会。
做你希望他们做的事情。因此，测试你认为自己在这个区别上的位置的方法是。
是思考，是告诉你的员工该做什么更好，还是问他们该做什么。这是友善的。
两种极端观点的对立。前者是一种X理论的观点，而后者。
这是一种理论 Y 的观点。理论 X 的观点与工程原则相一致。
稍后我们将看到。数据科学及其相关的数据管理。
这基于机器学习等技术。你可以举两个设备的例子。什么。
他们在尝试做什么？我们正在试图弄清楚球轴承在这个上可能何时会失败。
一件非常昂贵的设备。那我们想怎么做呢？我们可能会说我们。
不太在乎，只要你能预测到就行。我们只会听，可能会放上麦克风。
在那里查看或寻找石油方面的申请，或者你知道的其他任何事情，只要它。
预测轴承何时会发生故障，我们不关心是如何做到的。这就是我们所关心的全部。
这已经足够好了。一旦你转向员工，如果你问这样的问题。
那么这些员工什么时候会辞职呢？而且你做了像窃听他们的事情。
比如打电话或去他们的社交媒体查看。我认为这就是区别所在。
我们关心你是如何得出那个答案的。这个答案不仅仅是一个好的预测。
当人们准备放弃时。如果你有一个很好的解释，人们会变得非常恼火。
可以以100%的准确率预测谁会辞职。如果结果显示我们是通过倾听得出的。
到你的电话记录。所以，当然，管理中最不同的一件事是。
人们认为，像公平这样的议题非常重要，而公平问题体现在。
例如，法律在政府对所有就业方面的规章中起着重要作用。因此，当我们。
开始处理就业问题和决策时，我们开始遇到这些公平性。
在实践中，这意味着我们经常与法律发生冲突。而你并不。
在数据科学的其他方面也可以看到这一点。因此，与管理相关的一个大问题。
当我们将数据科学与之对抗时，人们面临的问题是变更管理。
一种在管理中非常重要的通用能力。基本上是变更管理。
意味着我们有一些组织一直在以一种方式运作，而我们希望它们发生改变。
所以在数据科学出现之前，我们有一个非常复杂、可以说是非常混乱的情况。
员工管理系统。如果你不同意，可以去你的人力资源部门。
并要求查看那里描述员工如何工作的文件和手册。
应该是被管理的。你会发现现在一切都是电子化的，但你会看到很多。
还有很多文件和数百页解释我们应该如何管理人员。我们已经投入。
在培训人们如何管理员工方面花费了很多时间。如果结合数据科学的话。
我们采用了一种截然不同的方法来对某些事情做出决策。
招聘时我们面临这个变化的问题。我们有一个复杂的系统，其中人们。
他们已经深度投入了，我们现在要求他们以不同的方式来做。因此。
这是一个我们也需要稍微思考的大问题。即使在我们拥有时。
数据科学工具非常出色，能够完成我们想要的任务，我们该如何使用它们。
让人们采纳它们。这部分是关于我们如何让他们放弃的故事。
他们目前正在进行的一些决策，将会转交给这些算法。
所以，简单理解的话，如果你将数据科学应用于某些事物，比如。
分配酒店房间时，让我们思考最佳定价，以确保我们保持我们的。
房间的入住率达到100%或尽可能接近。酒店房间是不会起诉你的。
如果你在这方面犯了错误。但是如果你在工作任务中分配员工。
例如，工作分配的情况，结果发现这些分配对某些方面有一定的影响。
公平性可能导致员工最终起诉你。相同的算法。
在不同的环境中会导致截然不同的结果。因此，我们的其中一件事。
需要考虑的不仅仅是人力资源界的抵抗。
目前以完全不同的方式工作的基层管理者。所以这是好的。
仔细管理这一过程的原因，是为了考虑尝试做得更好。
变化的机会。所以让我们稍微思考一下这里的机会。我认为在。
我的一生回顾我所见过的那些改变商业的事物。
并改变了对人们的管理。这可能是其中最大的变化之一，因为。
它的潜力在于我们通过施加影响改变决策方式所产生的连锁反应。
上面的数据科学工具改变了我们收集数据的方式，进而改变了资源的分配。
关于影响这些公平问题的决策权分配给不同人的各种情况。
有很多东西。好消息是，在引入数据科学方面这里有一个很大的机会。
原因在于，我们所讨论的许多决定实际上并没有得到很好的执行。
现在很好。正如你所知，关于招聘这样的问题有很多担忧。
我们不仅没有把合适的人放到合适的工作岗位上。
并找到优秀的员工，但涉及很多偏见和歧视。
在这些结果中。所以还有很多提升的空间。并不是说我们只是在调整。
一个运行得非常非常好的模型。 如果我们变得更好，这会改善人们的生活。
也可以更好。所以我们现在的情况就是这样。这是一个真正提升自己的机会。
思考如何应用这些为之开发的工具确实是一个真正的挑战。
在制造等领域中，将其应用于人类的背景截然不同。
正如我之前所说，我将在这个项目的不同阶段与您同在。
我的同事马修·比德尔贝尔也会在这里待一段时间，另外我们的同事索尼·坦比也会在场。
也如此。在这个项目的过程中，你会看到我们进出。我们期待着。
期待与你们一路走到最后。 [ 静默 ]。
P64：1_人力资源挑战的独特性.zh_en - GPT中英字幕课程资源 - BV1Ju4y157dK
在这一部分，我们将讨论一些独特的挑战。
广泛管理人员和人力资源问题。
这对于那些为了某种目的而接触这一主题的人可能特别相关。
第一次。那么我们来聊聊我们对管理人员问题的了解。
尤其是因为它们交叉了数据科学这一主题和优化的基本范式。
所以如果我们将时间回拨到大约100年前，现代工厂时代的开端。
你会看到的事情之一，很多实际上发生在费城。
在南北战争之前，大约在1930年代，费城是第二大城市。
世界上讲英语的城市以及美国一个伟大的制造中心。
如果你在大约1900年左右走进费城附近的一家工厂，那里的一件事。
如果你停下来问人们，很多正在工作的人会让你感到惊讶。
在那栋建筑里并不是员工。它们是独立承包商。根据某些标准。
到大约1910年，美国工厂中的工人多达40%。
他们实际上是独立承包商，而不是员工。
你可能还会注意到，组织是非常混乱的。
这栋建筑内部简直是一团糟。你大致可以理解为什么。
仅从之前的描述来看，你有一栋建筑，你有一个拥有它的业主。
但他还有一些承包商在那儿，他们基本上是独立工作的。
有时他们实际上会获得一部分收益，也就是利润的分享。
作为他们在那里的工作的一部分，他们退出了这项业务。
我们还会看到的是人们来来去去，新的工人明天会来。
现有的工厂也被留下。 这些工厂的员工流动率大约为300%，这并不罕见。
管理实践真的非常、非常随意。所以，到这个时候。
世界上最大的制造业运营位于现在费城市政厅附近。
这是鲍德温机车工厂。他们制造火车。
这就是工头在博尔德温机车厂如何运作的方式。
他们会在一天开始时进去，看看当天有多少工人。
在之前出现过。如果缺少两个人，你就没有休假时间和病假的政策。
如果那天你缺席了两个人，他们就会走到工厂的门口，在那里。
会有一群寻找工作的人的围观，他们会扔几个苹果进去，围观的人群。
如果我需要两个人，我就扔两个苹果。如果你接住了一个苹果，你就来为我工作。
你跟着我进了工厂。工厂另一边还有其他人缺少三个人。
他们可能会把三对丢进人群中。你得到了一个对，你为他工作，你得到一个苹果。
你为我工作。挺简单的，挺直接的，也挺快的，但同时也真的很混乱。
而公司们开始慢慢发现的事情之一，最初是在福特汽车公司。
这个高周转率和非常随意的工作系统并没有奏效。
一旦人们不再仅仅依靠自己的双手工作，这一切就变得非常好。
锤子、锯子和搬运东西。所以在流水线，例如。
福特汽车公司在刚开始时意识到。
结果是这些汽车从生产线上下来时非常糟糕。它们无法启动。
它们无法工作，缺少部件，简直是一团糟。
其中一位工程师想到，也许这与那令人难以置信的事情有关。
高离职率。因此福特进行了一项重大实验，称为亨利·福特的“每天5美元计划”。
如果你了解经济历史，你可能听过这样的描述。福特曾著名地说。
"我希望给我的员工支付足够的工资，让他们能够买得起我的车。"
他这样做根本不是为了这个。他这样做是为了实现营业额，并且他还发明了很多其他的东西。
像离职面谈一样，询问人们为什么离开。
他们所说的与今天所说的差不多，“我讨厌我的老板。”
所以他解雇了主管，带来了新的主管，创建了一个工业社会学部门。
他称之为，他的工资翻倍，员工流失率像石头一样从300%降到每年大约50%。
几乎在一周左右。他们发现汽车的质量大幅提升。
所以我们认为装配线的工作其实是非常低技能的工作。
但是如果你在生产线上犯错，那比你在其他地方犯错要糟糕得多。
自己用锤子工作，因为你停止了装配线。
而你可能会损坏一件非常昂贵的设备。于是福特开始发现。
和其他雇主一样，稳定你的员工队伍真的很重要，人才管理。
将合适的人放在合适的职位上，确实非常重要。
另一个重大进展始于西方电气厂，也许是在大约10年后。
大约在1920年代中期，他们开始尝试工作设计。
这最初是作为一项政府研究的一部分，旨在研究照明。
而这个想法是，也许更好的照明会提高表现。
如果你上过心理学课程，你可能听说过这个。
本研究是在西方电气公司的霍桑工厂进行的，那里生产电话。
他们所做的就是把灯拆掉，然后换上新的荧光灯。
他们发现生产力提高了。因此他们想，“太好了，这显然是灵光一现，太棒了。”
我们了解到。“”，不过，作为优秀的研究人员，他们把旧的灯泡装回去，并发现了。
生产力再次提升。最后他们从中了解到，根本不是灯光的问题。
这是在与员工交谈，询问他们的情况，问他们新的进展如何。
灯光就像，关注它们似乎很重要。因此是西方电气。
尽管对照明的研究停止了，西方电气公司决定继续探索这一领域。
他们在手机组装操作中有一小部分只是玩耍。
尝试不同的工作组织方式，更加关注工人，更加关注。
关注他们的需求和兴趣。随后，名为埃尔顿·梅奥的人进入了这个领域，他的职业生涯始于沃顿商学院。
我早该提到的是，最初创造这个模型的弗雷德里克·泰勒。
他将科学管理应用于工作的工业工程也开始了他的。
他在费城附近的职业生涯。 他伟大的赞助人是经营贝斯莱姆钢铁的约瑟夫·沃顿。
而沃顿所做的，你看，他聘请了弗雷德里克·泰勒来看看他能否做到。
他的工人更有效率。泰勒的洞察是你可以对工作进行细分。
将它们拆分为单独的任务，并把它们视为一种机器。
所以我们将分析一名机械师所做的工作，确定机械师所执行的每个独立任务。
我们将看看是否能将这些任务拆分，将更简单的任务分配给非熟练工人。
并让机械师只做那些独特于加工的事情。
我们将其拆分成多个部分，我们可以为每个部分设定时间，我们可以看到每个部分应该花费多长时间。
然后我们可以开始告诉机械师到底要做多少，应该持续多久。
为每个任务制定时间，追究他们的责任，并推动他们前进。回到艾尔顿·梅奥。
他是泰勒的对立面。他创办了沃顿商学院，之后又转到哈佛商学院。
他们去了这项西电研究，开始检查并跟踪它。
他们认为这里有一些非常有趣的事情发生，因为在这些。
在小组中，他们可以看到生产力差异以数量级的方式提升，你知道的。
当员工更积极参与时，效果提高了五倍。
所以梅奥创作了文学和一套被称为人际关系运动的理论。
基本上归结为工人有心理需求，他们不仅仅是理性的机器。
你可以知道该怎么做。但是如果你关注那些需求。
生产力和表现会显著提高。因此，在1930年代左右的梅约之后。
一些人抓住了这个，所以德明，爱德华·德明，作为二战中的质量大师。
他在战争期间帮助美国提高了制造质量。
当时真的很重要。但战后工程师们回来了，我们或多或少地采用了弗雷德里克·泰勒的理论。
科学管理方法。将工作分解，计时，设定标准。
为实现这些目标而支付人们报酬，等等。到1970年代时。
我们发现制造商的工作效果不太好，出现了很多质量方面的问题。
等等。我们开始看到在石油危机期间，日本汽车进入美国市场。
真正高效的小型汽车，他们开始获得市场份额。
但我们发现的另一件事是，这些车的质量确实更好。
我们发现日本人学会了采用德明的质量方法。
特别是，质量圈，这意味着你在赋予员工对质量做出决策的权力。
他们在检查，责任不在于队伍末端的某个人，而是如果出现质量问题，他们要负责。
这不好，他们会尝试修复质量。
在这方面，从日本学到的最后一步是了解丰田制造。
他们称之为精益生产的系统，我们称之为精益生产。
这是一种比质量圈更进一步的模型。
在这里，工人和他们的团队被赋予权力来解决质量问题，发现并解决它们。
还要弄清楚如何提高他们在操作中的生产力，如何。
通过更快地移动汽车，也许需要更少的劳动力，有时甚至可能更少。
部件或更便宜的部件。因此，我们从工业工程转向弗雷德里克·泰勒。
装配线，质量圈，赋权于员工的质量，精益生产。
使他们在质量和生产力方面更有能力。到2010年代中期的最后一步。
这是源于信息技术的变革，即敏捷项目管理的兴起。
敏捷项目管理的发现始于软件领域，即最佳方式。
管理软件并使其构建的方式是赋权给这些团队，基本上让他们独立。
支持他们，提供他们所需的东西，在他们需要的时候，并让他们决定，而不仅仅是质量。
不仅仅是生产力，还有设计问题，以找出最佳解决方案。
在最后，客户的需求。很多面对面的互动，很多交流。
很多透明度。因此，这就是道格拉斯·麦格雷戈在我们的介绍中所描述的理论。
Y。因此，我们在西方电气公司意识到这确实很重要，以至于需要支付。
关注工人的需求到质量圈，我们开始赋予他们在质量方面的权力。
向精益生产转型，让我们提升他们的生产力，向敏捷转型，让我们赋予他们权力。
几乎涉及所有事物。那么，理论Y的主题是什么呢？就是赋权，赋权，赋权。
让员工做得越来越多。现在，为了使这一切奏效。
你必须为员工构建一个支持所有这一切的系统。
这之所以重要，是因为当我们现在谈论数据科学时，我们谈论的是。
关于将其引入到一些已经在赋能员工方面取得进展的系统中。
所以这意味着我们将讨论数据科学如何做出决策，但它是。
在这种情况下，许多组织已经有了他们的员工。
自己做出很多这样的决定。我们也讨论管理人员的问题。
除了这些关于我们如何组织工作的问提，还有各种各样的事情我们。
必须考虑这些因素如何影响员工的激励，这意味着他们的动力有多大。
要完成的事情。我们如何对待这些行为？
我们如何衡量他们的表现，并判断什么是好，什么是坏？
与其他人相比，他们的相对薪酬是多少？他们对此非常在意。
我对比其他人相对于我的薪水的感知贡献是什么？这是一个公平性问题。
我从这里的 MBA 学生身上学到的一个奇怪的事情是，过去大约 30 年来我们都有相同的期中考试。
迎新 MBA 学生的考试要求他们写关于自己上一份工作的内容。
他们辞去上一份工作的主要原因是因为这些公平性问题。
这主要是因为他们意识到自己完成的事情比其他人更多。
没有得到认可。所以，员工关心的各种问题将会影响他们。
绩效，这将影响组织的绩效。
在这个背景下，数据科学必须非常小心，以免搞砸这一点。
让我们谈谈一些已经实施的政策和程序。
关于管理超越单纯绩效的人。
雇主现在也关心这些事情，比如劳动力的人口结构平衡。
跨种族群体，跨性别和性别基础的群体。多样性与包容性。
今天是一个重要的话题。我们不仅仅关心聘用那些我们认为是最佳表现者的人。
但我们希望拥有一个整体的劳动力，能够代表这个人口统计。
社会中的平衡。我们对公众对我们工作实践的看法感兴趣。
我们希望被视为一个良好的雇主和一个理想的工作场所。
你知道几年前有一部叫《实习生》的电影，你们中的一些人可能看过。
这已经过去几年了。谷歌是那部电影的地点，按我所理解的。
谷歌支持了那部电影，从经济上来说，你可能会想他们为什么要这么做？好吧。
因为谷歌作为雇主的品牌正在被传播，而谷歌从中受益。
这提醒我们，除了仅仅拥有有效的工作方法，其他因素也很重要。
无论人们是否相信并看到你在管理人方面所做的事情都是有意义的。
这是理想的。当然，另一件在美国显得尤为重要的事情。
在其他国家，这同样重要。这种执行方式不同的是合规。
当你想到美国的人力资源时，很多人开始关注合规性。
皱眉的表情是因为他们在考虑因歧视而被起诉的法律问题。
或影响残疾人的行为或侵犯每小时工资的行为。
所以有各种因素限制了原本可能是最佳的决策。
在性能和生产力方面，他们必须遵循这些规则。
法律问题。因此，这里有各种参数需要担心。
然后数据科学就介入其中，对吗？数据科学的起点是优化的假设。
我们可以一次优化一个结果。因此，如果我们想说我们希望雇佣那些会是最佳的人。
这项工作的表演者，听起来很合理。好的，你如何衡量表现？好的，嗯。
绩效评估分数。好的，这还不错。
但这是否包括他们是否会辞职呢？嗯，可能不包括。那么，这重要吗？
是的，这可能是对的。好的。关于他们的人际交往能力和与他人相处的能力，或者他们的潜力如何呢？
为了进步？那么那些事情呢？是的，它们可能也很重要。好的。那么。
选择你想要优化的一个，因为我们不能同时对两个进行优化。
所以一开始就给我们带来了一些小麻烦。
预测一个滚珠轴承何时会破裂是一回事。
预测谁会成为优秀的表现者是另一回事，尤其是当我们无法完全做到这一点时。
以简单的方式定义优秀表演者的意义。
我们将要遇到的第二个问题是，你已经从我们的同事那里听说过这个。
Sunny Tambi和Will Turat讨论的工具如机器学习需要大量的数据。
大量的数据意味着如果你是一家相对较小的雇主，比如说有500名员工，
某些事情，你可能没有足够的员工变动，足够的离职来建立。
一个机器学习模型。即使你从历史上追溯，这也会成为一个问题，因为我们将会。
稍后会有一些关于隐私的问题出现。
我们应该保存就业数据多久？例如，某个在10年前离开的人。
提出了有关隐私的有趣问题。关于数据科学的另一件事。
一旦我们推出一种技术，数据科学就像招聘一样。
我们在整个组织中都在使用它，如果我们犯错误，这些错误是容易的。
要发现这些，因为它们现在正在大规模发生。还有其他值得考虑的事项。
采用一种通用方法的风险承受能力。
这可能比我们之前的做法要好得多，但如果你犯了错误，容易被发现。
如果它违反了法律，原告律师也容易发现。
我们需要思考的一个重要问题是，当我们引入机器学习模型时。
算法，数据科学模型告诉我们如何做出决策，我们正在进行。
这些决定让其他人远离。通常我们是让主管远离这些决定。
那么当我们进行那种转变时会发生什么呢？所以这里有一个快速的例子。
假设现在我们需要为员工安排每天上班的日程。
那么在什么时间，我们可以这样说，对吧？所以我们把员工聚在一起，讨论这个问题。
我们可能建立一个系统，而那里的监督者稍微有些不同，我们进行一系列的谈判。
我星期六不能工作。好吧，如果你能接手星期天，我就同意。
这有点混乱的事情让我们明白了。但是随后我们决定。
让我们优化这个并使用调度软件。
我们确保在合适的时间有恰到好处的人数到场，并且我们分散了。
彻底均匀地锻炼。现在会发生什么？好吧。
假设我是一个员工，这个星期六我被安排工作，我并不是特别喜欢。
下个星期六，日程安排将公布，我也安排在下个星期六工作。
我对此感到非常愤怒。现在的系统让我去找我的主管向他抱怨，并且说。
这真是糟糕，你能对此做些什么吗？她可能会回复我。
我明白这确实是个问题。我稍后会处理这个。我们不会再这样对你了。
我们用调度软件替代了那个，我被安排在星期六，不太高兴。
下周六，我又被安排了。我去找我的主管说，嘿，这里发生了什么？
我的主管说，这就是软件。它做到了。这太糟糕了。我的主管说。
这是开发该软件的程序员的电话号码。你为什么不和他们聊聊呢？
现在我们面临一个公平与公正的问题，而我们没有好的解决办法。
所以我们在数据科学方面需要做出的一个重大决策是我们可以在哪里引入。
以能够改善事物的方式使用它，而如果我们引入它，可能会使事情变得更糟。
所以这是我们在整个程序中将要处理的重要问题。
这就是判断的问题。我们理解数据科学能够做什么。
我们理解劳动力的复杂性。 这在哪些方面可能会有帮助？
这实际上可能会在哪些地方产生更多问题？这是我们希望在这个项目结束时得出的判断。
[空白音频]。
P65：2_没有AI的人力资源.zh_en - GPT中英字幕课程资源 - BV1Ju4y157dK
大家好。我叫马修·比德威尔。我是一名管理学副教授。
沃顿商学院的教授联合主任，以及沃顿人力分析计划的联合主任。
我还为MBA和高管教授关于人员分析的课程。我非常兴奋。
今天在这里，或者在你观看这个视频的任何时候，谈论人工智能和人员管理。
正如彼得所描述的，管理人是复杂的。人们有自由意志。没有。
我们不仅需要雇佣他们，还需要激励他们。我们需要说服他们去。
做我们希望他们做的事情。他们非常会对我们管理他们的方式作出反应。
因此，恰当地管理它们是成功运营一个组织的关键。现在。
在本课程中，我们的主要目标是描述新技术的发展。
人工智能和机器学习可以创造新的机会来找到更好的解决方案。
管理人员的方法。在我们深入讨论之前，我认为这实际上是有益的。
说说组织到目前为止是如何管理人员的。毕竟，在人工智能出现之前。
组织面临着所有这些问题，他们正在认真思考。
他们可以做些什么来充分挖掘员工的潜力。现在，显然，为了。
真正深入了解组织如何管理员工，那需要10小时。我想花10分钟，好吗。
但只是简单地回顾一下组织如何看待一些主要问题。
他们面临的挑战，并试图解决这些问题。我想特别谈谈三个。
这些对组织至关重要，我们将在整个过程中真正关注这些。
这些视频。所以稍微谈谈招聘，以及管理员工参与度。
以及一些关于流失的内容。所以让我们谈谈招聘。招聘是一个非常基本的。
管理人员的过程。毕竟，如果你把合适的人带入你的组织。
你不需要太担心训练他们，他们更有可能把工作做好。
希望他们能够更加投入。如果你雇佣了错误的人，他们要么会留下来。
进入一个糟糕的工作环境，或者他们立即离开，你又不得不重新招人。要么。
能够成功招聘的方式对组织来说真的很重要。彼得的。
将花费大量时间讨论人工智能如何应用于这一领域。我想花费。
在那之前花一点时间，谈谈，你知道的，传统的是什么。
组织招聘员工的方式。 我认为将其在某种程度上进行描述是公平的。
一种拉锯战，关于采用非常结构化的流程来弄清谁拥有最多。
在招聘时的潜在和管理层的自由裁量权，附带一定的成本控制。
让我谈一谈这些内容中的每一个。所以首先是结构过程。
所以我们可以考虑招聘。在某种程度上，这存在一个测量问题，对吧？很多。
人工智能的关键在于数据，我们如何衡量事物。在任何招聘中，我们真正关注的是。
我们试图衡量申请者的潜力。我们正在弄清楚，如果我们把他们引入。
作为员工，我们对他们的期望有多高？现在，基本上已经过去一个世纪。
心理学家对这个问题的研究，试图弄清楚我们如何评估人们。
并预测他们在不同工作中的潜力。这催生了一系列最佳选择。
组织试图采用的做法。我们大致知道有三件事情是相当重要的。
在预测表现方面表现良好。所以首先也是最重要的是，它是。
我们所称的结构化面试。什么是结构化面试？它是当组织。
首先弄清楚人们哪些属性对完成工作最为重要。然后他们。
想出我们可以使用什么样的问题来实际评估人们是否具备。
这些属性定义了一系列他们将向每位候选人提出的问题。
然后他们还设定了一个评分标准。对于每个问题的答案，他们事先进行了定义。
什么是糟糕的回答、中等的回答和好的回答？他们会对每个候选人进行评估。
通过这个并相应评分。所以结构化面试，非常好。在一些，环境中。
认知能力的测试，广泛的职位知识测试能够很好地评估。
找出谁具备完成这项工作的必要能力。你知道，有一些证据表明个性。
测试也可以是有效的。因此，人力资源部门会采纳这些做法并尝试。
并利用这些方法对人进行结构化评估，以找出谁具有最高的潜力。
在组织中表现良好。 他们也会尽量避免我们已知的事情。
往往效果不佳，特别是在非结构化的面试中。那就是面试。
我们基本上只是和人坐下来，问他们几个我们最喜欢的问题。
进行互动，努力更好地了解他们。所以这就是那种。
招聘的结构化过程方面。 我提到的另一面是管理层的酌情权。 什么。
我所指的是什么呢？嗯，人力资源部门可以将所有这些良好的结构化流程整合起来。
到位。但说到底，在大多数组织中，人力资源部门实际上并不是。
大部分招聘工作都是在进行中。你知道，对于一些高流量的初级职位，这可能会。
经过一个结构化的招聘流程。但大多数时候，新员工实际上是。
被我们称为招聘经理的管理者所聘用，这种管理者就是他们的前线管理人员。
上班。因此，这意味着即使人力资源部门可能拥有所有这些。
结构化流程的使用取决于是否管理者参与，实际上。
想要应用它们。但往往似乎他们并没有。因此我们常常发现管理者。
抵制这些结构化的过程，部分原因是他们觉得这些过程非常僵硬和正式。
他们喜欢与人进行一种顺畅的互动方式。
遵循问卷上的一套固定标准。 但我也认为，因为我们倾向于相信。
我们对人品的判断能力非常强。其实并不是。我们往往相信自己真的很擅长。
了解人们的性格。我们迅速形成对他们的看法，然后大部分时间都在。
我们花时间来证明那些决定。于是，如果你相信自己是个出色的判断者。
关于性格，为什么我需要遵循这个非常结构化的过程，而我可以选择其他方式呢？
只是和他们聊天。所以我们发现很多经理可能不遵循这些流程，而是。
基本上只是更喜欢问人们他们的精神动物是什么，然后再从那里深入探讨。
我提到的关于招聘的第三点是这种来回交流之外的内容。
在结构化流程之间，试图让人们遵循这些流程。这里还有一些元素。
关于交叉控制。你想要雇佣合适的人，但你也希望做到高效。
因此，组织也花费大量时间担心每个雇佣的成本。
那么，我们在广告和招聘方面的外部支出是多少呢？
我们内部花费了多少？为了招募，我们招聘人员等的时间。
在每次招聘中。这样是否太多？我们该如何降低这个标准？他们可能也会对此感到非常担忧。
招聘岗位所需的时间有多长，跟踪填补岗位所需的时间，因为时间越长。
填补这个职位，空缺时间越长，造成的干扰就越多。
所以我们也会关注这些，试着弄清楚如何完成我们的招聘。
正确地。我想彼得会稍微讨论一下。在输入时可能会遇到一些挑战。
很容易测量输入，而输出却很难。也许我们过于关注交叉雇佣和。
在质量上不足。一些组织还会尝试弄清楚我们是否做得好。
这项工作的内容就是这样。因此，例如，您可能在三个月或六个月后担任主管。
并且说，“好的，我们雇佣了这个人。你会再次雇佣他们吗？”你可能还会考虑。
在三个月或六个月后的流失率。因此，使用这些不仅是为了获取。
我们招聘了合适的人，但我们也可以开始审视我们招聘的整体结构。
处理并感知，它是否在做它应该做的事情？通过使用。
在所有这些杠杆中，组织确实努力确保他们雇佣到合适的人。
有效地。我们将在本课程中讨论人员管理的第二个领域。
是参与。你知道，再次回到人们拥有自由意志这一基本问题。
所以我们需要激励他们去做我们希望他们做的事情。
让这个组织成功。现在，我们可以操控很多杠杆。
动机。一个重要的方面是工作设计以及明确人们可以执行的具体任务。
组织的文化以及人们的领导方式也有助于定义。
他们与它的关系，以及他们每天来上班时的兴奋感。
所以我们可以做很多事情。基本上，做好这件事的关键在于真正理解。
人们最初的参与程度如何。因此，组织会花费一定的时间。
花费时间和精力去弄清楚我们的员工是否投入？他们对这个问题的感觉如何？现在。
显然，了解人们的想法和感受并不总是容易的。
所以我们通常尝试做到这一点的标准方法是通过员工参与调查。好的。
我不确定有多少人参与过这些调查，但基本上很多公司。
每年几乎都会向最后的员工发送一份长问卷调查。如何。
你对在这里工作有什么感觉？你喜欢你工作的哪些方面？有哪些缺点？
你对你的经理感觉怎么样？你对你的薪水、福利和公司有什么看法？
所有这些事情？通常它们倾向于使用非常特定的问题集。
由心理学家开发的，确实能让他们清晰地获取特定意见。
关于他们在工作中可能关心的每个属性。好的，为什么要这样做？
首先，它让我们很好地了解整体表现如何，或者人们是否感到兴奋？
当你从一年到下一年这样做时，你可以开始检查趋势，对吧？我们是。
在进步吗？我们是不是在退步？更重要的是，你可以观察不同的群体。
组织中人们参与的部分有哪些？各个部门在哪里？
他们在哪里失去参与感？我们能对此做些什么？通常，这些参与度调查是。
相对有效。如果你想知道人们的参与度，你可以做得更糟。
不仅仅是问他们。话虽如此，可能会出现一些问题。还有一点我会再回来提。
几次吧，不是吗？显然，人们的想法与现实之间存在差距。
他们告诉你他们在想什么。比如，人们可能并不总是说实话。
我记得，在我的劳动经济学课堂上，有一件事让我印象深刻，那就是如果。
你们公司里有没有人问过你，“你的工资够吗？”答案总是，“不够。”不够。
我希望能获得更高的报酬。人们可能在试图达成某种目的时有些策略性。
事情并不乐观，希望别人能为他们改善现状。另一方面，
他们可能会担心报复。如果我在一个小组里，人们在询问。
我关于我的经理，难道我就确定说我的经理很糟糕不会遭到报复吗？
回到她那里，然后再联系我。你需要小心一点。另一个挑战。
进行这些调查的一个问题是它们很昂贵。如果你要让公司里的每个人参与。
填写调查问卷，这需要投入大量的人力资源。甚至。
仅仅确保人们填写这些内容的努力并不是微不足道的。为了避免这些费用。
很多组织因此只会一年进行一次。再说一次，如果你想的话。
对我们整体表现的感知，并不是一个糟糕的想法。但如果你所尝试的。
获取是问题的早期预警信号，你每年只得到一次。什么时候。
事情变化得非常迅速，这在最近的疫情期间发生了，你。
不想等到明年再搞清楚发生了什么。这种等待太长了。
在实施这一过程时，时间和成本之间的关系实际上成为了一项相当大的挑战。
这些参与调查。我要谈论的第三个方面是一个合理的数量。
在这门课程中，流失是一个重要问题。人们离职的周转率。我们有不同的方法来应对这个问题。
可以描述它。我们为什么花这么多时间谈论它？但我真的很在乎。
因为这对他们来说是一个主要的成本来源。我刚刚提到它真的很重要。
招聘合适的人。好吧，如果我招聘了合适的人，但他们离开了，我就有问题了。
有人出去重新聘用。更换人员的成本很高。但是我。
想得更多一点，来自人员流动的干扰是很大的。
和离开的人共事的人员，必须建立新的关系。
他们现在必须与之共事的人。来替代他们的人，他们并不理解。
这个组织。他们不认识那些人。需要很长时间才能适应。
可能还有一些关于我们产品的非常具体的知识，关于我们的客户。那里。
组织中其他人没有，而当人们离开时，他们就会走出门。
因此，人员流失在组织中往往成本很高，他们花费了大量时间。
思考我们可以做些什么来降低这个问题。现在，仍然有很多杠杆可以利用。
我们可以考虑可能的措施来解决流失问题。我们可以思考我们雇佣谁。我们是否在招聘。
有可能留下的人？我们可以考虑我们的薪酬方案。如果我们支付得更多，希望能够。
人们会停留得更久。我们可以考虑所有驱动参与的因素。如果我们拥有。
更好的领导力，更好的设计工作等等，人们会说，“有很多。
我们可以操控的杠杆是什么？所以我们想知道的问题之一是，“我们应该操控哪一个？”
然后我们需要弄清楚为什么人们离开？所以总的来说，我会说那里。
组织采取的两种方法之一是找出人员流失的原因。
是的。因此，组织通常会跟踪他们的流失率。它们的计算方法基本上是。
在给定时间段内离开的人数，例如六个月或一年，被划分。
通过你在那个时期开始时雇佣的人数。因此可以。
可能是一个小数字。它也可以是一个非常大的数字。在某些领域，比如零售、快餐等。
以及其他，这些可能超过100%。所以再说一次，当你跟踪这些流失率随时间的变化时。
你可以开始观察趋势。如果它在上升，我们能对此做些什么吗？可能可以。
不仅如此，通过观察离职率较高的部门和职位。
我们可以再次开始了解可能驱动它的原因。为什么会这样？
这个部门是否会留下更多？这告诉我们需要什么。
该如何应对呢？更直接的方法是，了解人们离开的原因。
离职面谈。离职面谈是指人们与即将离开的人进行座谈。
并问他们为什么离开。这样你可以获得一些见解。也许很多人。
有人告诉你，他们要离开是因为找到了更高薪的工作。也许有人在说。
他们离开是因为另一个角色涉及更多的职业发展。也许他们正在离开。
因为他们的新工作通勤时间更短。并通过系统地分析出现的原因。
组织能够开始了解他们可能需要做些什么。
为了减少流失率。再次强调，离职面谈并不完美。存在一些局限性。
所以其中一个问题是你甚至无法让每个人在离职面谈中作出回应。如果有些人。
只是放弃他们的工作，这种情况可能时常发生，你永远没有机会与他们交谈。
更重要的是，人们在进行这些离职面谈时存在很大的顾虑。
他们告诉你的很多东西并不是真实的，而是他们认为你想要听到的。
因此，人们可能不愿意批评组织中的其他人，提及糟糕的管理。
那些事情，因为他们不知道自己是否还会想回来。
谈论金钱可能会更方便，无论这是否。
他们离开的真正原因并不明确。因此，尽管离职面谈可以提供一些信息。
一些见解，关于你应该多么认真对待这些答案，确实存在一些争论。
鉴于员工对任何组织运作的关键重要性。
多年来，企业投入了大量的思考来尝试解决如何的问题。
我们是否跟踪就业关系的基本维度，以及有哪些杠杆。
我们可以利用这些来改善它。你可以看到他们正在做的一些事情。每一个。
这些方法有重要的局限性。管理人是困难的。部分原因是这些局限性。
认识到员工是复杂的，每个人都是独一无二的。部分原因在于某些事情。
特别是态度，真的很难衡量。但是还有其他挑战。
参与调查时，获取数据通常会变得非常昂贵，诸如此类的事情。
我们经常依赖管理者和监督者在一些核心决策上做出选择。
在招聘时，甚至在解释离职面谈时，我们也感到担忧。
不一定非常可靠。它们可能有自己的偏见。它们可能有自己的议程。
他们试图追求的目标与这些组织并不完全相同。所以。
他们的自由裁量权在某种程度上也可能带来复杂性。所以我们有一堆事情。
它们并不完美。现在，我希望能够说人工智能和机器学习的进步。
让我们能够解决您在管理人员时遇到的所有这些问题。能够做到这一点。
这样说是没错的，但显然这并不是真的。许多这些问题仍然存在。
无论我们投入多少技术，问题依然存在。尽管如此，情况也是如此。
新技术创造了以不同方式做事和寻找新机会的可能性。
评估谁是优秀员工的方法，寻找新的方式来评估人们的参与度。
他们可能会忽视这些事情。它们并不能解决每一个问题，但确实能。
提供这些类型的补充方法。接下来我们想要做的就是实际开始。
解释这些新工具如何运作，什么是机器学习，然后继续进行探索。
它们如何在人员管理领域中应用，以开发更有效的方法。
我们所描述的许多问题的解决方案。 [BLANK_AUDIO]。
P66：3_决策.zh_en - GPT中英字幕课程资源 - BV1Ju4y157dK
嗨，我是普拉萨娜·坦巴。
我是沃顿商学院OID系的教职员工。OID系。
代表操作、信息和决策。
我个人的兴趣领域是技术与劳动的经济学。
其中一个领域是人工智能在人力资源系统和招聘中的应用。
在这个过程中，我与多家公司合作，这些公司充当劳动市场中介。
并且处于关于算法如何在HR流程中应用的前沿思考之中。
我很享受与多个数据科学团队合作，他们在处理各种问题时遇到挑战。
关于人力资源数据及其能帮助我们预测什么。当思考数据科学时。
在人力资源中，AI的使用及未来的使用，思考机器学习作为一种获取数据并通过算法得出结果的方法是很有用的。
在你可能称之为预测的内容中。现在，当我提到预测时，是在HR的背景下。
这也相当于只说一个建议。因此，例如。
我们是否应该邀请候选人进行面试？如你所知。
申请工作变得比以往更便宜，因此人力资源筛选员通常。
由于申请数量激增，机器学习工具变得非常有价值。
推荐或预测某个候选人是否会是一个好的面试候选人。
你也可以从促进员工的角度考虑一个预测或建议。
你不应该被晋升或不晋升。某项特定福利是否应该推荐给员工？
因此，目标始终是利用数据进行某种预测。
所以我们希望最终能够回答的问题是：什么上下文，什么决策。
上下文非常适合机器学习预测的原因是什么？
什么使它们适合使用，考虑使用时可能会有哪些权衡？
这些类型应用的机器学习？现在，去做吧。
了解一下机器学习的工作原理是很有用的。
在我们讨论机器学习如何工作时，我发现思考这个问题是很有用的。
从你可能称之为人类决策的过程到机器，思考这种演变是很有用的。
学习。因此，你可能会考虑一个从人类决策到使用的进展。
规则基础系统的内容。我们稍后会讨论这意味着什么。然后是机器学习，最后。
所以让我们谈谈人们如何自己做决定。 所以当我们做决定时。
我们运用我们的知识和经验来制定启发式方法。
这在信息不完善的环境中尤为真实。
我们常常被要求快速做出决定。我们没有所需的所有信息。
人力资源是一个很好的例子。再次强调，人力资源或筛选人员或招聘人员看到的申请越来越多。
招聘信息的给定列表。你永远无法知道关于候选人的所有想要了解的事情。
因此，我们利用过去获得的经验和知识，以及我们所掌握的启发式方法。
随着时间的推移，发展出决定候选人是否适合该组织的标准。
一种思考这种决策过程的方法是将其视为一棵树。
这是一种常见的决策思维方式，即决策树。
因此，在考虑是否要进行时，我们可能会权衡多个因素。
个人或者我们可能想把简历提升到员工的最上面。
我们可能在关注这个人申请中的不同因素。
这可能与他们上过的学校有关。
这可能与之前的经历或前雇主有关。
这可能与我们在他们身上所关注的技能或某种文化契合有关。
应用。通过这些不同的信息形成一棵树。
我们可以说，如果他们进入了某个特定学校的某个特定项目，我们就知道这一点。
他们在某个特定领域受过良好的训练，这可能暗示这个人可能会。
适合你想要填补的组织角色。
所以想象一下，你有一堆简历需要评估，并思考你可能会创建的树。
这将包括哪些因素？如果你深入思考一下。
这可能取决于各种独特或特有的因素。
关于你所在组织或你对所要填补职位的具体知识。
这可能取决于你所工作的或所关注的组织的具体情况。
在寻找新候选人时，深切关心。
所以这需要人力资源筛选者的角色，需要与招聘相关的经验。
该特定组织。这与之前为该特定角色招聘的经验可能有关。
这一直是过去普遍采用的做法，这是一个不错的方法，但还有其他。
这种方法有一些缺点。当我们有一些人使用他们的先前知识时。
利用以往经验来开发启发式方法，招聘组织中的人员，这个过程非常耗时。
显然，对于一个人处理一堆简历所需的时间。
这样做非常耗时。它也是嘈杂和不完美的。
尽管我们随着时间积累的知识经验极其宝贵，但它。
无法捕捉到世界的整体状态。它无法捕捉到我们所看到的申请者市场的所有信息。
当然，申请者会变化，信号也会变化。
至少要捕捉所有这些内容并将其整合起来是不可能的或非常困难的。
纳入我们的决策中。而且人们，总是存在偏见。
因此，这些是人们运用他们知识的这种方法的一些缺点。
并且经验发展出各种启发式方法来做决策。
在下一个视频中，我们将开始关注所谓的基于规则的系统。
至少解决其中一个问题，并开始触及其他问题。
感谢观看。 [BLANK_AUDIO]。
P67：4_基于规则的系统.zh_en - GPT中英字幕课程资源 - BV1Ju4y157dK
在我们探讨机器学习和人工智能如何在HR流程中使用的旅程中。
或者可以用于人力资源流程，停留在基于规则的系统或专家系统是很有用的。
我们讨论了人类做出决策的这种方法的一些缺点。
对一个人来说，这是非常耗时的。但我们能做的一件事是利用人类对这个过程的了解。
所有他们的专业知识，关于招聘和选拔，我们可以将其转化为软件。
所以基于规则的系统，基本上是将专家的知识和技能编码到一个基于软件的模型中。
这些系统所做的就是将招聘条件转换成一系列规则。
对于那些可能熟悉编程的人，你可以将这些看作是如果-那么的规则。
这很像是一个专家，在这种情况下是领域专家、HR或招聘者。
如果要把他们关于如何招聘的所有知识，以及关于什么类型候选人的知识都写下来。
适合该组织。然后，开发者可能会将这些规则转换为软件。
从那时起，包含招聘者知识的软件就诞生了。
然后可以用于评估应用程序。如今，像这样的系统在人工智能历史上发挥了重要作用。
回溯几十年前，对人工智能的许多兴趣集中在这些类型的专家系统的发展上。
他们在我们思考人工智能进展方面发挥了重要作用。
当我们开始谈论现在机器学习的发展时，了解这种类型的人工智能是很重要的。
但让我们在一个招聘的例子中来看待这个问题。让我们讨论一下这些基于规则的系统在潜在招聘示例中的应用。
所以想象一下你有一组条件。可能包括学校。可能包括 GPA。
当我提到条件时，我指的是用来评估候选人以适应你们组织的因素。
这可能包括学校，这可能包括GPA，这可能包括之前的雇主。
或者在面试中你捕捉到的信号、他们回答问题的方式等等。
这些内容中的一些可以被编码，这意味着你可以从简历开始，并且可以创建相应的度量。
面试数据也是如此。例如。
之前雇主的经验可以被编码，这个雇主是他们曾为之工作的。
一旦你掌握了这些信息，软件开发人员就可以使用这些数据或其基于规则的系统来评估或推荐候选人是否应该被公司面试。
这里需要知道的关键是，你不需要数据来构建这个系统。
这将使它与后来的机器学习有所区别。
在这种情况下，我们使用的是人类的专业知识。一名开发者与招聘人员坐下来，基本上将招聘人员的知识和专业技能进行了编码。
我们现在还不需要数据来构建这种类型的系统。
这将使其与稍后我们将讨论的机器学习系统区分开来。
像这样的系统，这个通过与专家交谈或合作而创建的决策树有一些局限性。
第一，我们需要接触到专家。这带来了几个挑战。
获取专家的帮助可能很困难。你可以考虑一些非常专业的领域，比如专业外科手术。
在可能难以接触到专家的地方。即使你能接触到专家。
要求人们解释他们所知道的某个领域的所有内容是非常困难的。
有时候，人们凭直觉工作。他们拥有大量的知识。
但是让他们将其变成规则有时真的比听起来要困难得多。
这是一个很大的缺点。第二个缺点是当环境变化时，我们无法轻易更新这样的系统。
如果你基于这些规则构建一个这样的系统，然后应用程序池的性质开始发生变化。
你必须回去更新系统或建立一个新系统。
它无法自动适应这些变化。
第三点是我们需要了解我们所考虑的关系。
我们的决策基于一个人的专业知识，即一位专家。
但我们需要了解关系。我们将从这里开始构建系统。
我们无法在这个过程中发现新的关系。
有点和我们之前讨论的内容相关。
我们无法在过程中发现新的关系。
最后一点是，创建一个全面的知识树需要大量的工作。
我们在讨论一个非常深奥的知识体系。
考虑请专家告诉开发者他们所知道的一切。
然后要求开发人员将所有这些知识纳入基于规则的系统中。
所有这些加在一起是相当庞大的工作量。我们将在下一个视频中讨论。
机器学习避开了许多这些问题。 [沉默]。
