智能技术赋能人力资源管理 刘家骥 大中华区人力资源业务线解决方案负责人 SAP 首席顾问 · CHIEF ADVISOR 王猛 在线学习教研中心运营总监 中国电信 高女士 副总裁 某国内基础设施服务提供公司 蒋漪昀 全球人才分析产品线负责人 罗氏集团 穆聪山 学习与数字化转型顾问 博世中国投资有限公司 林岳 HR 共享服务及行政负责人 无限极 万婧 雇主品牌及管培生项目高级经理 能够颠覆行业、促进经济增长、改善人们的生活。 生成式 AI 的出现对于人工智能领域而言既是转折点，同样也是引爆点。与以往的人工智能技术不同的是， 生成式 AI 通过对大规模语料、数据、图形等信息的无监督学习，可以生成文本、图像、代码、音频等新的内容。 依靠着其强大的生成功能，生成式 AI 的热度迅速从科技领域传到了各行各业，人们惊叹于生成式 AI 的无所不知， 也惊叹于它的对答如流。 在这样的关注之下，生成式 HR 当前最为关注大语言模型的发展与 运用 █ Part2 认识大语言模型：从原理到应用 大 语 言 模 型 是什么？ 大语言模型是大数据、大规模算力、智能算法的结合产物，它可以进行自监督学习，理解 和生成人类语言 性能突破在哪里？ 更强大的语言理解能力、更高的内容生成质量、更广泛的应用领域 可以用在哪里？ 对话、语言生成、翻译等通用领域 主要发现 5 The Application

AI 平台 NLP 中 心 02 智变之路 智变基础，智变途径，系统架构， QABot ， TaskBot ， ChatBot ， 自主学习流程 03 落地效果 QABot 线上效果， TaskBot 线上效果 04 总结 人机协同学习，加速进化 客服系统简介 演变中的客服系统，对话系统， 智能客服机器人， 美团业务简介，美团客服系统 目录 01 话音呼叫中心 纯人工服务模式 支持文本和语音 访客轨迹跟踪 流量统计分析 客户关系管理 智能化是客服系统演变的方向，智能客服通过算法、人机协同、 自主学习可以极大地提高人效和体验。 自动回复 自助解决问 题 人机协同 自主学习 多渠道接入 丰富的辅助功能 简单知识库管理 1.1 演变中的客服系 统 SaaS 客 服 智能客服 闲聊型对话 问答型对话 任务型对话 图谱型对话 不解决问题 自然交互 多轮会话 • QABot • 单轮会话 • 上下文无 关 • • • • > 将对话系统技术融入在线客服体系 > 综合利用语义分析技术、大数据技 术以及深度学习技术 > 由过去单一售后服务变为贯穿售前 售中售后全客户服务周期 > 智能客服机器人是下一代客服的核 心驱动力 1.3 智能客服机器 人 语义识别机器人 简单检索机器人 场景导向机器人

浙江大学人工智能研究所 2025 年 03 月 24 日 提纲 新一代人工智能 新一代 AI 展望 金融智能研究 金融智能应用 AI 的核心问题：建构能够跟人类似甚至超卓的推 理、知识、计划、学习、交流、感知、移动 、 移物、使用工具和操控机械的能力等。 —— 维基百科 定义：人工智能（ Artificial Intelligence ，缩写 为 AI ），又称机器智能，指由人制造出来的机 意距离的依赖关系。 并行计算能力强： Transformer 架构支持并行计 算， 训练速度更快。 • 缺点：资源消耗大 上下文学习、指令微调、 扩展规律 (GPT3 、 GPT4…) 自然语言处理模型的演进 预训练语言模 型（ PLM ） “ 预训练 - 微调” 学习范式 （ BERT、 GPT） 大语言模型 （ LLM ） 注意力 Attention 自注意力机制：使序列中的每个单词都能 函数，前馈网络使模型能够处理复杂语义，促进文本的稳健理解和生成。 Google (2017): Attention is all you need Google Transformer ： 引入注意力（ Attention ）学习 , 2017 嵌入层 Embedding Word Embedding: 目的是将这些非结构化的文本信息转化为结构化 的信息，具体来说是将文本空间中的某个 word ，映射或者说嵌入

.......................................70 5.1.1 深度学习模型.............................................................................72 5.1.2 传统机器学习模型.................................................. 随着业务规模的扩大，企业面临数据量激增的挑战，传统的分 类方法已难以满足高效的运营需求。因此，利用 AI 大模型进行自 动化的数据分类，能够显著降低人工成本，并提高分类的准确性和 效率。该系统将基于深度学习和机器学习技术，结合大数据处理的 能力，确保能够实时响应企业需求。 该流水分类系统主要设计目标包括： 1. 提高数据分类的自动化程度，降低人工干预。 2. 提升分类准确性，减少误分类带来的影响。 性。  模型选择：基于大规模预训练模型（如 GPT-3、BERT 等）进 行迁移学习，快速适应行业特定的分类任务。  部署架构：使用云计算平台，确保系统的高可用性和弹性扩 展。  用户接口：设计直观易用的用户界面，支持用户实时监控分类 结果并进行调整。  持续学习机制：引入在线学习方法，使系统能够不断适应新的 数据和分类需求。 以下是该系统的功能模块设计： 功能模块

行业应用 2 解决方案 公司简介 1 追一科技成立于 2016 年，致力于人工智能创新研究，以自然语义理解研究为中心，融合机器学习、认知计算等尖端技术，主攻自然 语 言理解、情感分析及应对，发掘人工智能的更多可能并与各行业应用相结合。 追一科技的技术在一年多先后落地于金融、零售、电商、运营商、出行、地产等多个行业，服务超过 高引论文 TOP1% 任 SCI 收录期刊编委， 10 余国际知名期刊审稿人 中国科学技术大学博士 原腾讯技术职发会技术研究通道负责人 , 技术总监 2006 年加入腾讯，一直从事搜索技术、机器学习方 向 的研究和实践 2013 年晋升 T4 专家工程师 BAT 团队配置，数十年互联网数据经验积 累 刘云峰 华中科技大学博士士 技术负责人 完善的产品、市场和销售团队 词性标注、命名实体识别 资源管理 / 任务调度接口 应用组件 API • 模板式组件构建 • 拖拽式功能组合 • 多维度效果分析 深度学习算法库 CNN 、 RNN Attention 、 Multitask AutoEncoder 、 ResNet 、 GAN 经典机器学习算法库 K-means 、 AP 、 LAD 等 LR 、 SVM 、 GBDT 等 GLM 、 Lasso 、

模型微调 测试数据 最终模型 从海量数据中自动学习知识 Ø Big-data Driven，模型基于大规模语料训练而成； Ø Multi-tasks Adaptive，支持多种任务，包括自然 语言生成NLG和自然语言理解NLU类的任务； Ø Few-shot (Zero-shot)，在少甚至无标注样本的 条件下支持推理（自监督学习）。 产业研究 战略规划 技术咨询 3 大模型发展历程 众多预训练模型相继涌现，OpenAI 以 GPT2、GPT-3、ChatGPT 等系列模型为代表，持续引领大模型时代的浪潮 Ø 2017 年，Google提出Transformer 框架在机器翻译中取得显著进步，其分布式学习和强大编码能力受到广泛关注。 Ø 2018 年 Google 和 OpenAI 基于Transformer 提出了预训练语言模型 BERT 和 GPT，显著提高了NLP 任务的性能，并展示出广泛的通用性。 大模型参数规模不断增长，推动 AIGC技术升级。AIGC技术发展的背后是大模型（Foundation Models）技术的持续迭代。从 2017 年 Transformer 结构的提 出，加速了深度学习模型的参数学习能力。另一方面，GPU算力也在指数级增长。 图1：2018-2023 年模型参数规模变化图 来源：中国人工智能系列白皮书 图2：CPU与GPU算力演进比较 来源：techovedas

.....................115 1. 引言 在当今快速发展的商业环境中，人力资源管理的效率和精准度 直接影响企业的竞争力和创新能力。随着人工智能技术的不断进 步，特别是深度学习和大数据分析技术的成熟，企业有了更多工具 来优化其人力资源管理流程。其中，利用深度探索（DeepSeek） 技术进行岗位推荐的方案，正逐渐成为人力资源技术创新的一个重 要方向。 深度探索技术 预测和推荐最适合的岗位人选，这不仅提高了招聘的效率，还能显 著提升员工与岗位的匹配度。这种技术通过以下几个关键维度来实 现优化：  数据整合与分析：整合来自不同渠道的员工绩效数据、技能评 估、职业发展历史等，通过深度学习算法分析这些数据，以实 现更精准的人才预测。  实时反馈机制：在员工申请或参与岗位变动时，系统能够实时 提供反馈和推荐，帮助员工做出更合适的职业选择。  预测模型的优化：通过持续的数据训练和模型调整，不断提升 要依赖人工筛选 和简单的关键词匹配，这不仅耗时耗力，而且难以满足企业对人才 需求的多样性和复杂性。随着人工智能技术的不断进步，深度学习 模型在自然语言处理和推荐系统中的应用逐渐成熟，为人力资源管 理带来了新的解决方案。DeepSeek 作为一种先进的深度学习推荐 系统，能够通过分析大量的职位描述和候选人简历，自动匹配最合 适的岗位和人才，提高招聘效率和匹配精度。 具体而言，DeepSeek

技术时，往往缺乏统一的技术底座和成熟的实施方案，导 致项目推进缓慢，效果不显著。 近年来，AI 大模型（如 GPT、BERT 等）的出现为企业的智能 化转型提供了新的可能性。这些大模型不仅能够处理海量数据，还 能通过深度学习生成高质量的预测和决策支持。然而，大模型的部 署和应用需要强大的计算资源、专业的技术团队和灵活的架构设 计，这对企业的技术基础提出了更高的要求。因此，构建一个统一 的 AI 大模型底座平台，为企业提供从数据采集、模型训练到应用 基础设施建设到模型训练、部署、监控的全流程，具体包括以下几 个方面： 1. 基础设施建设：搭建高性能计算集群，包括 GPU 服务器、存 储系统和网络设备，确保模型训练和推理的高效运行。同时， 配置必要的软件环境，如深度学习框架、分布式训练工具和容 器化平台。 2. 数据管理与预处理：建立统一的数据管理平台，支持多源数据 的采集、清洗、标注和存储。实施数据安全策略，确保数据的 隐私性和合规性。数据预处理流程将包括数据增强、特征提取 3. 模型开发与训练：基于经典算法和最新研究成果，开发适用于 不同场景的 AI 模型。通过分布式训练技术，加速模型训练过 程，并采用自动化调参工具优化模型性能。模型训练将涵盖监 督学习、无监督学习和强化学习等多种方法。 4. 模型部署与优化：将训练好的模型部署到生产环境中，支持实 时推理和批量处理。采用模型压缩、量化和剪枝等技术，优化 模型在边缘设备上的运行效率。同时，建立模型更新机制，确

技术要点 赋能类型 应用场景 1 边缘计算（ EC ） 1. 实时数据处理； 2. 数据安全与隐私保护 1.UBI 车险； 2. 反欺诈模型训练 2 机器学习（ ML ） - 深度学习（ DL ） - 强化学习（ RL ） - 联邦学习（ FL ） 1. 图形识别、自然语言处理； 2. 动态定价； 3. 多方数据协作与隐私保护 1. 智能定损与核保； 2. 智能客服； 3. 动态定价优化 健康核保 本研究关注中国保险行业中 AI 技术的应用现状及未来趋势，特别聚焦生成式 AI 对保险业数智化转型的推动。 AI 在保险领域是以数据驱动为核心、算法模型为工具的 新 型技术体系，通过机器学习（ ML ）、大语言模型（ LLM ）等技术，实现保险业务流程的自动化、决策的智能化与服务的个性化。其应用覆盖核保、理赔、风控、 客户 服务等保险全价值链 ，具备短周期、轻量化、强适配的特征，是保险 Al AI 技术通过智能沟通助手与情感分析技术， 帮助销售人员 提升沟通效果与客户转化率。 更精准的客户画像：生成式 AI 与联邦学习技术的结合 打 破数据孤岛 ，构建更精准的客户画像与风险评估模 型 。 精准识别客户意图：通过自然语言处理技术与深 度学习 模 型 ， 实 现 对 客 户 意 图 的 精 准 识 别 与 分 类 。 全新触达方式： VR/AR 技术与 AI 结合 ，为保险销售提

行准确的融合。噪声抑制则 是去除数据中的干扰信号，提高数据的可靠性。 特征提取与融合算法是多模态感知融合的核心环节。在这个阶段，采用深度学习、 BEV+Transformer 等先进算法，对各通道数据进行特征提取。深度学习算法具有强大的特 征学习能力，能够自动从大量数据中提取出有价值的特征。CNN 擅长处理图像数据，能 够提取出图像中的边缘、纹理等特征；RNN 则在处理序列数据方面表现出色，如语音和 特征信息。注意力机制则能够根据不同模态的重要性，动态分配权重，突出关键信息，从 而提取出更高层次、更具判别力的特征。 决策与自适应学习是多模态感知融合的另一个重要方面。基于融合后的特征，系统通 过多任务学习和自适应反馈机制，能够在不同应用场景中动态调整感知策略。多任务学习 可以让模型同时学习多个相关任务，提高模型的泛化能力。自适应反馈机制则根据系统的 性能和环境变化，实时调整模型参数，提高系统的鲁棒性和适应性。 步适配边缘设备的算力限制，在智能终端 （手机、机器人、穿戴设备）中实现低功耗实时推理，满足自动驾驶瞬态决策、工业质检 毫秒级响应的需求。 自监督与跨模态预训练突破：无需人工标注的自监督学习（如对比学习、掩码多模态 建模）将显著降低多模态系统训练成本，突破医疗、农业等领域标注数据稀缺的限制。谷 歌的 PaLI-X 等模型已证明，跨模态预训练可提升小样本场景下的泛化能力，加速技术普 惠化进程。