娛樂城賭博輪盤線上描述：：原標題：Headstart為技術研發擴張籌集了700萬美元，用于解決招聘偏見問題 引述外媒報道，Headstart是一個利用數據科學來幫助公司減少招聘過程中無意識偏見的平臺，在以AI為重點的硅谷風投公司FoundersX領導下，Founders Factory參與了種子輪融資，籌集了700萬美元。 Headstart于2017年在倫敦啟動，是越來越多的初創公司之一，它們承諾在招聘活動中幫助企業提高多樣性。這是通過將機器學習與大量數據源相結合以根據特定的客觀標準找到最佳候選人而實現的。 “機器-算法和模型-毫不費力地做到了；疲勞; 或公開的主觀，自覺或潛意識見解或感覺，” Headstart聯合創始人兼董事長Nicholas Shekerdemian告訴VentureBeat，“不像人類。” 數據 Headstart首先利用其客戶公司的信息，包括職位描述，當前員工數據（例如簡歷，教育和心理測驗數據）。然后，將檢查此內部數據是否存在固有偏差，因此可以在隨后的招聘活動中解決針對特定人群的任何明顯傾向。Headstart平臺還收集和分析來自網絡的公共可用數據，包括職位描述和職位，以及基于人口和社會的數據，例如學校排行榜和免費的學校膳食數據。 Shekerdemian補充說：“我們使用這些數據來確定任何個人是否有明顯的社會劣勢，并且可能超越其社會規范群體。” 然后，當然是最重要的候選數據，它是在個人在線申請廣告職位時獲得的。Headstart的技術實質上位于客戶數字資產上“應用”按鈕的后面，這時，公司會根據申請人的簡歷，心理測評以及篩選過程中使用的任何其他工具收集的數據，為公司提供最佳匹配。Shekerdemian補充說：“ [這]使我們能夠通過算法對每個候選人進行評估，并以360度的程度評估他們的適合程度，以確保每個人都有公平的經驗。” 這家初創公司已經聲稱擁有一些知名客戶，包括金融服務巨頭Lazard和Accenture，Headstart表示，使用該平臺后，女性員工人數增加了5％，黑人和少數民族員工人數增加了2.5％。 值得注意的是，減少偏差只是此處賣點的一部分。更廣泛地講，Headstart平臺旨在加快候選人篩選的速度，確保對每個應用程序進行平等考慮，并將聘用時間減少多達70％。 此外，Headstart可以使公司深入了解其招聘實踐，以便他們可以衡量現有偏見并了解其隨著時間的變化，以及確定面試過程中哪個階段特定的申請人類型下降。 Headstart先前曾籌集了500,000美元，并從Y Combinator的畢業生那里又籌集了12萬美元。鑒于埃森哲已簽署一項在全球其他市場使用Headstart平臺的協議，該銀行還擁有700萬美元的新資金，目前正尋求在國際上進行擴張。這項努力已經在進行中。 Headstart首席執行官Gareth Jones說：“兩年前我們進入市場時，我們可能是唯一一家談論公平性和多樣性的技術公司。” “對我來說，這代表著對多元化的投資，而不僅僅是我們公司。最新一輪融資將使我們能夠增強在核心市場的能力，創造公平的競爭環境，打破在工作世界中長期流行的排斥循環。” 還有許多其他初創公司利用AI和自動化來簡化招聘流程，例如，位于紐約的Fetcher使用類似的數據處理技術來主動尋找新候選人，而Pymetrics利用AI作為公司獨立平臺的一部分根據神經科學游戲進行評估。 但據Shekerdemian稱，Headstart將其技術定位為“融合候選信息并通過算法對其進行解釋”的基礎數據體系結構。“我們的USP具有獲取所有這些數據的能力，而不僅僅是返回通過/失敗或是/否，我們還可以結合所有數據輸入的百分比對它們進行評分。” 偏壓 盡管算法可以消除許多傳統管理流程中的人為偏差，但我們已經看到越來越多的場景中算法本身表現出偏差-畢竟，人類可以創建算法。舉例來說，就在上周有消息傳出，高盛將因涉嫌與Apple Card有關的信用額度受到性別歧視而受到調查。 最終，對于算法來解釋為什么要做出某個決定要比人工做決定要困難得多。這就是為什么今天的大多數爭論似乎都停留在哪個選項更好的原因上：無法解釋自己的偏見算法，或者至少可以為他們的決策提供某些理由的偏見的人。 在其他地方，亞馬遜先前取消了它一直在使用的人工智能驅動的招聘工具，特別是因為它偏向女性。通過觀察十年前成功履歷中的模式，對實驗工具進行了培訓，以審查技術角色的申請。但是，這些應用程序大多數來自男性。因此，實際上，亞馬遜一直在教授其機器學習系統，以青睞男性候選人。 專門針對Headstart，值得強調的是，候選人實際上并不是由機器聘用的，而是由人類做出所有最終決定。這只是一個審核工具，可幫助消除一些偏見（根據Headstart的說法，這種偏誤最多可達到20％），同時還可以加快招聘過程。 Shekerdemian說：“技術及其消除偏見的能力引起了很多關注。” “的確如此。然而，我們在談論這一點時，就好像人才招募選拔過程是純凈，健全且沒有偏見的。不是。長期存在偏見。” 當一項特定的工作收到數百個甚至數千個應用程序時，這種人為的偏見就變得更加復雜，并且要由一兩個人來篩選這些應用程序。如果有一件事不能指責算法，那就很容易累死或懶惰。 Shekerdemian繼續說：“正確使用的技術可以消除這種偏見，并且在很大程度上消除了這種偏見，這是因為它沒有達到當天看到的第50個簡歷，然后又跳過了下100個，因為他們很累并且需要招聘經理的入圍名單，前50名中的一堆“足夠好”。” Shekerdemian承認，將機器學習與數據處理結合起來并不是完美的，但它確實解決了困擾固有的，耗費大量資源的招聘流程的許多內在問題。隨著時間的推移，它應該會有所改善。 Shekerdemian補充說：“由于不自覺地偏向種族出身或性別，該機器不考慮候選人的姓名，并且在潛意識中降低了申請人的價值。” “這是否意味著機器是完美的？否。創建可靠的數據模型和算法是一個反復的過程。為了提高準確性，需要花費時間來訓練，執行，審查和重新訓練模型。并標記可能導致偏見的事物，例如可能導致模型偏向特定性別類型的條件，例如亞馬遜案中的情況。”