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

雷帝斯金融集团：智慧抵押流程 8 星展银行：以AI监控交易 9 AI诊断和治疗纪录编码：让人类真正发挥所长 10 电通：公民开发者的机器人流程自动化 11 84.51°和克罗格：自动化机器学习提高资料科学生产力 6 12 麦迪安网路安全公司：AI辅助网路威胁归因 13 印度星展行动银行：用客户科学优化客户服务 14 直觉软体公司：AI辅助写作，人负责提供规则 15 Li 24 FarmWise：耐晒、抗雨淋的数位除草系统 25 北卡罗来纳州威明顿警察局：警务数位化 26 策安集团：AI同僚提升安管强度，同时照顾顾客 27 南加州爱迪生：预防现场事故的机器学习安全资料分析 28 MBTA：AI辅助柴油分析以利列车维修 29 新加坡陆路交通管理局：智慧城市里的铁路网管理 7 第二部 AI赋能下的职场大未来 30 用AI改变工作，需举全村之力 systems）、具有多个「若则」（if-then）条件语句，机器学习（machine learning, ML）和神经网路模型（根据标记结果的资料加以训练，以预测未知成 果），以及一些用于和客户互动的自然语言处理系统。AI包括透过机器人流程自 动化达到办公室工作自动化，以及透过实体机器人达到工厂自动化。这些AI系统 可以执行多种不同功能： 根据过去的资料模式预测（通常是机器学习功能）； 建议如何进行工作或任务的下一步（有时称为「推荐引擎」或「下

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 、

化技术的底座之上，将企业的知识资产、岗位技能和业务流程深度智能化，与信息系统和业务链条 全面打通，并通过可信治理框架下的人机协同机制，重塑组织的决策逻辑、运作流程、人才角色与文化基因，使组织具备自我学习、自我进化、自我协同的能力，从而在 效率、质量、创新与韧性上实现持续跃迁的综合性新型生产力。 业务 流程 智能化 智能化全链条流程图 知识资产 智能化 • 企业中沉淀的大量文档、 案例、经验、制度，本质 围绕员工全生命周期（招聘、入职、学习发展、绩效、晋升、激励）的智能化管理与优化域。 直接面向组织运营和价值创造环节（销售、客服、供应链、财务、研发等）的智能赋能域。 涵盖企业的战略规划、流程制度、合规风险与数据安全的智能治理域。 （Vision + NLP + Audio）：多模态模型是能够同时处理 不同类型数据模态（文本、图像、语音/音频、视频等）的AI模型. 大语言模型是基于海量文本数据训练的深度学习模型，具备 企业内部数据分散在不同系统和工具中，缺乏统一标准和智能整合能力，知识资产 无法沉淀或高效复用，使得决策依赖经验而非数据驱动，创新和优化空间受限。 数据来源：沙利文研究 创新与应变能力不足 企业在快速变化的市场环境下，缺乏自我学习和快速适应机制，流程固化、人才 能力滞后，导致在效率、质量和创新上难以形成持续跃升。 提升组织协同效率 通过将知识资产、岗位技能和业务流程深度智能化，并与信息系统和业务链条全面打通， 智能生产力

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