• 项目
首页>>文章列表
文章列表

网易援引媒体:中国央行已牵头草拟金融市场进一步开放计划

内房股涨疯了!恒指刷新28个月新高

想拿百万年薪,可能要机器人说了算

AI招聘工具:致力于消除招聘过程中的人类偏见

Eyal Grayevsky 提出一个计划,来增加硅谷的多样性。他在2012年共同创立了 Mya Systems 公司。这家公司的战略是:减少人类对招聘的影响。


Grayevsky 表示,“我们致力于消除招聘过程中的人类偏见。“


他们通过Mya来实现这一愿景。Mya是一个很像招聘人员的聊天机器人,能对面试者进行面试和评估。Grayevsky 认为,Mya和一些招聘人员不同,它会问客观的、基于人员表现的问题,避免了人类可能做出的潜意识判断。Mya评估候选人简历时,不关注长相、性别、名字。


Grayevsky 拒绝透露使用Mya的公司。但据他表示,几家大型招聘机构都在使用Mya与候选人进行“初次对话”。Mya能够根据职位的核心要求过滤候选人,了解他们的教育和职业背景,告知工作职责的具体细节,回答有关企业文化和政策的问题。


众所周知,科技行业存在多样化失衡的问题,但试图纠正这种不平衡的过程过于缓慢。被一些公司指责的“流程问题”(pipeline problem)大多数来自于招聘过程。人员招聘是一个非常复杂、大批量的过程。招聘人员基于自己的主观判断挑选出最好的候选人。目前,很多创业公司在搭建人工智能招聘工具和平台,他们称这会大大降低招聘过程中的人类偏见。


除了Mya,另一个致力于消除招聘偏见的程序是HireVue。HireVue使用基于视频文本的软件,基于面部表情、语言词汇,从视频面试中提取25000个数据点来选出表现最好的人员,甚至可以对人员的同情心这类抽象特质进行评估。英特尔、联合利华、耐克等公司都在使用HireVue。


HireVue首席技术官Loren Larsen表示,无论是什么背景(性别、种族、年龄、学历、工作经历等),HireVue能让候选人得到同样的机会。这是因为HireVue对所有候选人都采用同样的评估过程。而在过去,招聘人员的评估判断可能会随着心情和环境而改变。


咨询公司CEB的产品总监 Aman Alexander 说,尽管AI招聘工具还没有得到广泛应用,但“需求在不断增长。”他还说,使用AI招聘工具最多的不是科技公司,而是进行大量招聘的零售商。这意味着相比起公正度,效率才是吸引AI招聘工具用户的主要原因。


然而,设计出AI招聘工具的团队(如HireVue和Mya)坚信他们的产品能使招聘更公正。他们值得被相信。由于自动化需要设定标准,因此使用AI招聘工具能够提醒公司意识到如何客观评估候选人。在最佳情况中,标准参数会在良性循环中不断更新,AI工具可以使用最新数据,使得招聘过程更加公平客观。


但是,请注意:AI使用的数据是由那些混乱、令人失望、充满偏见的人类所提供的。



AI工具可能会使偏见永远存在,而不是消除偏见

深入追究任何本意在于促进公平的算法,你都会发现隐藏的偏见。独立新闻机构ProPublica检查了被美国警察用来预测再犯罪率的工具,发现该算法对非裔美国人存有偏见。还有Beauty.AI,这个AI使用人脸识别和年龄识别算法从一系列提交给它的照片中选出最具有吸引力的人。令人遗憾的是,算法表现出对浅肤色、浅色头发的候选人的强烈偏好。


即便是AI系统的创造者也承认,AI绝非没有偏见。“在招聘过程中使用人工智能有很大的风险是增加偏见,而不是减少偏见。”Laura Mather 说,她是AI招聘平台 Talent Sonar 的创始人兼CEO。她补充说,由于AI依赖于由人类团队创建的训练集,它可能促进偏见,而不是消除偏见。这样的AI招聘到的人可能“都很聪明,很有才华,但很可能所有人都非常相似。”


而且,由于AI是从大批候选人中筛选,任何偏见都可能系统地影响许多人。Grayevsky 的报告称,Mya Systems 这个网站专注零售业等行业的招聘,“GVS Health(美国最大的药品零售商)每年招聘12万名员工,Nike 每年招聘8万人。”系统中的任何歧视都会大规模地影响申请者。通过快速检索,例如从50万或以上申请人中选取12万人,该AI平台可以瞬间得到申请人集合并发送给人类招聘专员。


此外,AI招聘的强大能力还有一个好处:它解放了HR,让他们得以把精力集中在做出明智的最终决定上。Grayevsky说:“我曾与数千名HR交谈过,每个人都抱怨自己没有足够的时间。”由于没有时间和每个候选人交谈,做决定时直觉就变得十分重要。尽管AI让HR处理更大数量的求职者,但它也可能给HR更多时间摆脱快速判断。


要避免这些缺陷,工程师和程序员必须高度警惕。Grayevsky 解释说,Mya Systems 对 Mya 用来学习的数据种类进行了“设置控制”。这意味着Mya的行为不是使用原始的,未处理的招聘数据和语言数据生成的,而是使用Mya Systems以及其客户预先批准的数据。 这一方法缩小了Mya学习偏见的机会。不过,这种方法并不能消除偏见,因为任何预先批准的数据都反映了人类选择的倾向和偏好。


这就是为什么AI工具可能会使偏见永远存在,而不是消除偏见。“我们尽量不把AI当成万能药,”奥克兰的一家多元化咨询公司 ReadySet 的执行总监 Y-Vonne Hutchinson 说:“AI是一种工具,AI也有它的制造者,有时候AI也会放大其制造者的偏见和盲点。”Hutchinson补充说,为了让工具奏效,“那些使用这些程序的招聘人员需要接受培训,以发现他们自己以及其他人的偏见。”如果没有这样的多元化培训,人类招聘专员就只是把自己的偏见强加到该流程中的另一个点。



AI+HI:利用AI工具增加多样性

一些使用AI HR工具的公司正在运用它们来增加多样性。例如,Atlassian是Textio的一个客户,它是一个智能的文本编辑器,使用大数据和机器学习技术提供对职位列表进行修改的建议,从而吸引不同类型的求职者。跟据Atlassian全球多元化和包容性负责人Aubrey Blanche的说法,该文本编辑器帮助公司将新员工中的女性比例从18%提高到了57%。


Blanche解释说:“我们已经看到了候选人的性别分布和我们正在招聘的人的性别分布的差异。”使用Textio的另外一个意想不到的好处是,除了申请人变得多元化之外,还使公司对自己的企业文化有了认识。


最终,如果AI招聘提高了生产效率,这些工具就会变得更加普遍。但是,仅仅依靠采用AI和信任AI对于实现更公平的招聘是不够的。更重要的是,企业需要不断增加多样性的意识。AI或许不会成为科技行业多元化问题的全能解药,但它起码可以成为硅谷努力改进的重要工具。

健康核桃美味吃(三)

AI现在只看2分钟视频就能创建游戏了

 

佐治亚理工学院的研究人员正在开发一种可以通过观看游戏过程以重建游戏引擎的AI。

 

这项技术旨在帮助视频游戏开发者加快游戏开发,并尝试不同风格的游戏。 在最近的实验中,AI观看了两分钟的超级马里奥兄弟游戏,然后通过研究游戏中的帧、预测游戏未来事件,最终建立自己的游戏版本。

左图为原游戏视,右图为AI重建游戏

 

“为了让AI 系统创建一个准确的预测模型,从而能解释2D平台游戏中的所有物理规则,该团队在一个简单的快速奔跑视频中训练人工智能。在这个视频中,玩家只需要向着目标奔跑。”佐治亚研究所的发言人 Joshua Preston 解释说。 他补充说,这个方法使得即使那些最困难的游戏场景也能用来训练AI。 

 

通过允许人工智能研究游戏中实际采用的帧,研究人员发现,与其他测试团队所采用的方法相比,该方法对游戏帧的预测更接近超级马里奥兄弟游戏中真实的帧。 这简化了训练过程,只需让 AI 观看游戏的视频,AI就可以学习其引擎、重建该游戏。

 

首席研究员Matthew Guzdial在发布会中说:“我们的AI创建了预测模型,无需访问游戏代码,并且能比卷积神经网络更准确地预测事件。只观看一场游戏视频,不会产生出完美克隆的游戏引擎。但是,只要多添加几段游戏视频,系统就会得到一个非常接近原始引擎的新引擎。”


克隆的游戏的一个截屏

 

一旦研究团队获得了游戏的模型,剩下的便只是测试的问题:该怎么玩?这时,将实施第二个AI系统,以测试重建出的游戏的关卡,以确保玩家不会过不了关。第二AI系统有点像一个质量保证系统,但比质量保证系统要复杂得多。

 

研究人员发现,已经无法区分通过原始游戏引擎玩游戏的AI和使用克隆引擎玩游戏的AI了。

 

“据我们所知,这代表了第一个能学习游戏引擎、并通过游戏画面模拟游戏世界的AI技术。”互动计算副教授和该项目联合研究员Mark Riedl说。

 

研究人员还强调,截至目前为止,当大多数游戏动作发生在屏幕上时,该AI系统的表现最好。当游戏的某些动作不能直接体现在屏幕上、不是玩家能直接看到的帧内容时,这些动作可能会对系统造成困难。

 

这个新兴技术展示了一个趋势问题:将来,这个AI 系统的一个更加可行的版本将对游戏产业造成怎样的影响? 具体来说,它是否会取消游戏行业中的某些岗位,例如,是否会让游戏的质量保证测试员失业?

 

佐治亚理工大学的Riedl表示,开发商不必担心自己的工作安全; 这项技术将是对游戏开发的辅助,而不是替代。 Riedl称,这个AI将帮助游戏开发新手创造出过去他们做不出的游戏。 使用这种A,I将允许没有编程或设计经验的开发人员向AI显示游戏应该如何工作,然后AI会重建这个游戏。

 

Riedl说:“它不会让人们失去工作。相反,这将使人们有可能创造出一些曾经无法做到的游戏。这样,可以让更多的人进行创造,增加馅饼的大小,而不是取代个人的岗位; 其次,游戏专业人士也可以通过让系统初步猜测游戏的机制,以更快地创建游戏。AI将带来更高效的工作,这并不必然让人们失业,而是会让他们在有限时间内做出更宏大、更好的游戏。“

 

那么,质量保证测试员的命运呢? Riedl 认为,他们仍然是必要的,因为他们在玩游戏时拥有一个AI仍然缺乏的能力:肢体触摸。

 

“ 我们制造视频游戏,是为了让人类能享受到它。”Riedl 说。 “你总是需要由人类来测试游戏。AI可能有助于测试一些我们无法直接测试、但可以在数学上进行形式化的东西,比如测试游戏的平衡性。但是,我们仍然需要使用人类来测试游戏,才能知道其他人类会不会享受这个游戏。


TensorFlow Agents日前开源,轻松在TF中构建并行强化学习算法

用于在TensorFlow中构建并行强化学习算法的高效基础架构范例TensorFlow Agents日前开源,这个项目是由谷歌的两位研究员James Davidson、Vincent Vanhoucke,以及Danijar Hafner共同研发的。关于这个项目的开源信息他们在GitHub上进行了介绍。


金准数据现编译整理如下:

TensorFlow Agents

TensorFlow Agents为强化学习提供了优化的基础架构,它将OpenAI gym接口扩展到多个并行环境,并能在TensorFlow中训练智能体,进行批量计算。在这个项目中,我们提供BatchPPO,这是针对近端策略优化(Proximal Policy Optimization,PPO)的一个实现。

如果你在研究中使用了我们这个项目的代码,请引用我们之前发布的关于TensorFlow Agents的论文TensorFlow Agents: Efficient Batched Reinforcement Learning in TensorFlow,论文地址:https://drive.google.com/file/d/0B20Yn-GSaVHGMVlPanRTRlNIRlk/view

@misc{hafner2017agents,

   title={TensorFlow Agents: Efficient Batched Reinforcement Learning in TensorFlow},

   author={Hafner, Danijar and Davidson, James and Vanhoucke, Vincent},

   year={2017}

 }

工具:Python 2/3, TensorFlow 1.3+, Gym, rumamel.yaml


说明

先执行如下代码复制数据库并运行PPO算法。

python3 -m agents.scripts.train --logdir=/path/to/logdir --config=pendulum

这里用的算法已经在配置中定义好了,其中pendulum利用了已有的PPO实现。可以在agents/scripts/configs.py中查看更多的预定义配置。

如果想要重新开始运行之前的任务,可以在最后的指令中增加--timestamp=<time>标志,并提供你运行的目录名中的时间戳。

为了将度量可视化,需要从另一个终端启动TensorBoard,然后将浏览器指向http://localhost:2222:

tensorboard --logdir=/path/to/logdir --port=2222

如果要渲染视频,收集OpenAI Gym的统计数据上传至记分板,请输入以下代码:

python3 -m agents.scripts.visualize --logdir=/path/to/logdir/<time>-<config> --outdir=/path/to/outdir/


修正

这个项目的发布能让新的强化学习思想更容易实现。当修正代码之后,你可以从如下几个文件开始执行任务。

  • scripts/configs.py(指定任务和算法的实验配置)

  • scripts/networks.py(被定义为TensorFlow RNNCell的神经网络模型)

  • scripts/train.py(包含训练设置的可执行文件)

  • ppo/algorithm.py(PPO算法的TensorFlow图)

如果要运行所有的单元测试,请输入如下代码:

python3 -m unittest discover -p "*_test.py"

如果有更多问题,可以在 Github上提问。


执行

这次的发布还包括OpenAI Gym环境下的一个批处理接口,它能与TensorFlow无缝集成,实现高效的算法。这是通过如下核心组件实现的:

  • agents.tools.wrappers.ExternalProcess

    agents.tools.wrappers.ExternalProcess是构造外部进程里的OpenAI Gym 环境的包装(wrapper),它可以调用step()、reset()以及属性访问,转发到进程中,然后等待结果,可以并行运行多个环境而不受Python全局解释器锁(global interpreter lock)的限制。

  • agents.tools.BatchEnv

    agents.tools.BatchEnv能将OpenAI Gym接口扩展至多个环境中,它可以联合多个OpenAI Gym环境,用step()接受批量的动作,返回观察值、奖励、完成的标记和info对象。如果有多个独立的环境在外部进程中,它们将能被并行处理。

  • agents.tools.InGraphBatchEnv

    agents.tools.InGraphBatchEnv将batch环境集成到TensorFlow图中,保证step()和reset()函数都可以被调用。观察值、最后的动作、奖励和完成的标记中的batch都存储在变量中,并作为可用的张量。

  • agents.tools.simulate()

    agents.tools.simulate()将in-graph batch环境和强化学习算法融合成一步,可以在训练循环中调用,这减少了调用会话的数量,并提供了一种简单的方法来训练接下来的算法。

如果要理解这些代码,需要对TensorFlow的控制流运算(尤其是tf.cond(),tf.scan()和tf.control_dependencies())非常熟悉。

3000亿逆回购也未打起水花 市场流动性饥渴仍然难解

中国央行公开市场今日进行3000亿元逆回购操作,创7月24日以来新高,但市场流动性紧张状况丝毫未有缓解。

央行网站公告称,为了对冲税期、政府债券发行缴款和MLF到期等因素的影响,维护银行体系流动性基本稳定,今日开展了2800亿元7天期逆回购操作,200亿元28天期逆回购操作。

路透援引上海一银行交易员称,“ (逆回购)3000亿也没见什么水花,还是紧,跟上周五比感觉还更紧了呢,因为对冲MLF到期后,实际投放量也没多少。”“今天缴税走款规模还算比较多的,正常到20号左右结束,还得再继续扛一两天看看情况吧。”


鉴于今日无逆回购到期,从逆回购口径来看,今日公开市场操作净投放量达3000亿元。但是上周六到期的1135亿元中期借贷便利(MLF)顺延到今日到期,因此从整个市场实际获得的流动性增量来看,今日净投放1865亿元。

目前正值十一假期之前以及季末流动性敏感期,节前居民现金需求巨大,央行通常也在每年此时加大流动性投放。而本月又有2.3万亿元大额可转让定期存单(NCD)到期,让近期流动性形势更加让人关注。


另一券商交易员表示,“跨季的需求有,但是量还没上来,因为现在价格高,都想等等看下周借个14天,或者再晚点借七天,总归还是划算一点吧,毕竟资金面出现紧绷的概率也不大。”

隔夜Shibor报今日2.7560%,上涨6.02个基点;7天Shibor报2.8440%,上涨1.20个基点;3个月Shibor报4.3643%,下跌0.04个基点。

申万宏源债券分析师孟祥娟表示,鉴于季末、节前的需求以及大量NCD到期,央行预计将加大流动性投放,这在当前时点加大流动性投放有助于维护市场稳定。