Как бы вы объяснили ребенку, что такое кошка?

Вы можете подробно описать малышу, что должно быть у кошки: у кошки должна быть шерсть, четыре ноги, хвост, усы, круглая голова, 2 глаза, нос, рот, два (заостренных) уха вокруг макушки. их головы.

Ваш ребенок, вероятно, сможет узнать некоторых кошек или даже большинство, но они также будут сбиты с толку во многих обстоятельствах. Например, является ли шотландская вислоухая кошка? Не похоже, что у него есть ухо. Йоркширский терьер - это кошка? Он подходит под все описание.

Сложность здесь заключается в том, как дать достаточно подробное описание, в то же время убедиться, что они могут справиться с исключениями/краеугольными случаями.

Кроме того, вы также можете позволить ребенку побегать и попытаться выяснить, какое животное, с которым он столкнулся, является кошкой. В какой-то момент они могут понять, что мяу будет «мяукать», а другие животные — нет; у кошек есть выдвижные когти, но у других животных нет таких вещей. Если они столкнутся с достаточным разнообразием животных, они, вероятно, найдут, что следует отнести к одной категории (может она называться кошкой или как-то иначе).

Сложность здесь в том, что вы никогда не можете ожидать, что ребенок придумает. Кроме того, что более важно, им нужно будет увидеть много животных, прежде чем они смогут понять существенную разницу.

В-третьих, вместо того, чтобы пытаться описать кошку, вы можете показать детям множество изображений животных и указать, какие из них кошки. Имея достаточно большое количество размеченных картинок, малыш сможет понять, какие основные черты у кота есть, а какие могут быть, а могут и не быть. Это даст предсказуемый результат по сравнению со вторым методом. Это в основном то, на что похоже контролируемое обучение.

Когда вы обучаете свою машину, вы хотите, чтобы она делала прогнозы на основе существующих данных.

Обучать человека легко (сравните с обучением другим предметам), потому что мы созданы для понимания естественного языка и других подсказок. Для учебной машины это не так уж и много. Хотя недавний прорыв в этой области сделал возможным выполнение многих невыполнимых задач.

Ключевая проблема здесь заключается в том, что по сравнению с нашим человеческим мозгом машина имеет гораздо более ограниченную способность интерпретировать вводимые данные.

Чтобы машина понимала ввод, данные должны быть «машиночитаемыми»/структурированными данными. Можно провести аналогию: вместо того, чтобы называть кошку «кошкой», а собаку — «собакой», вы просто везде используете «мяу». «Мяу» может иметь смысл для кошки, но непонятно для нас (некоторые люди могут с этим не согласиться).

У нас есть гораздо больше способов обучить нашу машину, точно так же, как мы обучаем младенцев и малышей миру. Для разных целей используется разный метод. В целом обучение с учителем будет более эффективным, если вы хотите научить свою машину делать прогнозы на основе существующих данных. Если вы хотите выявить скрытые тенденции в данных, вам нужно обучение без учителя.

Итак, почему я, не технический человек, пытаюсь рассказать вам все эти вещи? Это потому, что я хочу рассказать вам о том, что наша команда пытается сделать — сделать услуги по подбору персонала доступными, обучая машину выполнять подбор вакансий.

За последние несколько лет контролируемое обучение стало довольно решаемой проблемой. Это означает, что с достаточно большим объемом данных (CV, JD, решение о матче) вы можете научить машину определять совместимость человека и работы.

Многие компании говорят, что они используют «машинное обучение», чтобы давать рекомендации о работе, или что они являются «управляемой данными» платформой для работы. Я бы не сказал, что они определенно блефуют, но весьма вероятно.

«Большие данные похожи на подростковый секс: все об этом говорят, никто на самом деле не знает, как это сделать, все думают, что это делают все остальные, поэтому все утверждают, что это делают они». — Дэн Ариели

Во-первых, при всем уважении, за исключением Linkedin, вероятно, только часть этих платформ будет иметь достаточно данных для любого обучения.

Что еще более важно, ключ к машинному обучению заключается в том, что данные должны быть объемными и, что более важно, машиночитаемыми. Текст в произвольной форме, который используется в большинстве CV и JD или профиле, точно не читается машиной. Поскольку большинство этих платформ (включая Linkedin) не предназначены для того, чтобы сделать все машиночитаемым, трудно, если вообще возможно, преобразовать все имеющиеся у них данные в машиночитаемый формат (представьте, что вы переводите то, что я пишу здесь, то, что вы написал в своем резюме вместе со всеми случайными постами, которые делают люди).

Вот как мы делаем разницу. С самого начала нашего стартапа мы знали, что машинное обучение будет тем, чего мы хотим достичь, поэтому, когда мы разрабатываем наш продукт, мы заботимся о том, чтобы все было машиночитаемым, ограничивая формат ввода. (Я лично думаю, что это также избавит многих читателей от боли чтения случайных эссе).

Во-вторых, вместо того, чтобы полагаться исключительно на технологии, мы на самом деле заставляем наших рекрутеров контролировать машину. Когда наши рекрутеры принимают решение о совпадении, мы, по сути, маркируем данные. В конечном итоге машина может уловить черты хороших совпадений и извлечь оттуда уроки. Мы считаем, что в долгосрочной перспективе машины могут даже лучше принимать решения, чем люди.

В-третьих, когда у нас есть большой объем машиночитаемых данных, мы можем использовать неконтролируемое обучение, чтобы обнаружить скрытые тенденции и особенности. Например, может случиться так, что компании в отрасли будут нанимать только людей, обладающих качеством А (например, могут сворачивать язык, если это одна из данных, которые мы собираем), что-то, о чем вы не подумали бы, но очень влиятельны!

  • Мы — команда увлеченных людей, которые верят, что удачное совпадение карьеры — это ключ к решению большинства мировых проблем. Пожалуйста, не стесняйтесь пинговать нас через Linkedin или другие каналы!