TMT观察网_独特视角观察TMT行业

社畜們的演技巔峰，大多數時候不是奉獻給了各種甩鍋，就是用在了應對面試官身上。 社畜們的演技巔峰，大多數時候不是奉獻給了各種甩鍋，就是用在了應對面試官身上。
不過，現在想要憑借“立人設”混過面試環節，可沒那么容易了。自從人工智能火了之后，許多企業面試的接力棒也被交到了AI手里，讓一眾“面經十級”的求職之路被扼住了命運的后頸皮。
從去年開始，許多校招季的金字招牌也都紛紛在面試環節中增加了AI面試/Digital Interview。不少招聘平臺更是以智能面試系統為業務增長點，扮演起了技術傳火者的角色。
而對于應聘者來說，知道自己將要面對的是AI這個不知疲憊、么得感情，還明察秋毫的“攔路虎”，恐怕不少人都會感到亞歷山大。尤其是應屆生，以往還有學長學姐們的言傳身教指路，可面對“AI面試官”這個新事物，市面上還真沒太多有效經驗可供參考。
今天就來聊聊，AI面試的考察邊界到底在哪里，以及怎樣“攻略”它。
AI泛濫背后，用人機構的陽謀
如果你看到心儀的企業或崗位需要先過AI這一關，不要方張，戰略上藐視、戰術上重視，往往是“攻略”下AI面試官的前提條件。
之所以這么說，是因為市面上有太多借AI之名、行宣傳之實的“金主爸爸”。其中，以最貼近大眾規模市場的快消品領域為重災區。最先在校招等環節中打出“AI面試”招牌的，大多都是這類，比如食品飲料（可口可樂）、日化用品（寶潔、聯合利華）等等。
一方面，這些企業崗位大多沒有特別的專業限制，又身披跨國500強的光環，簡歷篩選壓力非常大；同時，校招也是一次非常好的在年輕人中“博關注”的好時機，很多公司都會打出“尋找未來管理者”的口號，競爭極其激烈，Open Question、AI面試、游戲測評等創意型招聘方式也能有效地幫助其擴大自身地影響力，強化品牌形象。
這也決定了，其AI面試系統需要滿足兩個核心訴求：
第一，推出的時機是不是夠快，這樣才能在宣傳上“先聲奪人”；第二，數據的多樣性和算法的魯棒性是不是夠高，以避免因歧視、通過率等引爆應聘者的負面情緒。
因此，這些品牌企業所采用的AI面試解決方案，大多是經由第三方算法公司結合市面上一些較為成熟的AI技術應用打磨而成的體驗。這一意味著，AI面試系統只能在初步粗略篩選上起到一定的輔助作用，很難從根本上決定能不能得到offer，反而能規避初面時面試官基于感性判斷（如顏值、口音、畢業院校等）所帶來的偏差，讓更多人崗匹配的應聘者擁有機會；而另一方面，基于深度神經網絡模型的訓練邏輯，以及當前NLP、人臉識別、情感算法等的技術天花板，也讓應聘者有機會針對AI系統的考察點按圖索驥、逐個擊破。
下面我們不妨來一一認識一下這些能力不同的特殊面試官。
攻略難度一星：問答AI面試
這種產品往往是將NLP自然語言理解技術與聲音識別算法相結合，以問答形式來獲取一些崗位匹配相關的關鍵信息。
日本人才公司En Japan就讓即將畢業的大學生對著一臺只會發問的手機，進行了長達一個小時、一問一答的面試，包含126個問題。眼見求職者到最后已經被虐的無語凝噎了……
此類“面試官”一是借助聲音算法，統計語音、語調等，對應聘者的反應速度、心理情緒等進行分析；另外借助NLP算法，對回答進行關鍵詞和語義分析，結合與企業業務和崗位需求的相關問題，比如快消品必問的“寶潔八大問”及其變種，進行匹配度的初始判斷。
面對這些僅憑聲音與語言特征來選人的面試官，由于其參數都是人為設定的，預先剔除了一些隱含的感性偏好，因此在判斷上也會相對公正，攻略起來也能有的放矢。
首先我們知道，這些面試軟件大多是提前設置好問題和答案的標準問題。比如前面提到的En Japan測試軟件，就是收集了往期15年的面試問答訓練而成，主要涉及了基本信息、工作技能、性格特征等。與人類面試官有時還會聊聊家常緩和氣氛，或是提出刁鉆問題施加壓力等不同，AI面試系統往往只會一板一眼地交互和提問，只要在參加面試前多做功課，了解用人機構的企業文化、用人理念，是快節奏、重創意還是全球化等，合理調整和并有意識訓練自己的語音，就能夠規避許多意外狀況的發生。
同時， 就和高考前老師反復提醒“字寫得漂亮能多得印象分”一樣，在回答AI問題時最好也投其所好，盡量使用一些符合機器邏輯來組織語言。由于AI主要是基于語音實時轉移、關鍵詞提取匹配、語義理解來判斷求職者是否和崗位描述想匹配。因此，搞清楚一些必要的硬指標hard skill，并有針對性地在陳述中適當點到一些關鍵詞，比如領導力、國家級項目、轉化率、團隊意識等等，更有助于AI的匹配和篩選。
只要按圖索驥，也許會覺得AI比現場面試更easy呢。
攻略難度二星：視頻AI面試
如果你看中的企業實力更強、或者更懂技術，那么正面撞上視頻AI這樣的進階版面試官，概率也就更大了。
簡而言之，視頻AI面試就是在智能問答的基礎上，AI還會實時分析應聘者的面部表情、肌肉動作等，來判斷應聘者的答案真偽、性格傾向，多維度考察候選人是否接近企業的理想人選。
聽完不少同學的心恐怕涼了半截，豈不是連翻白眼、東張西望之類的表情語言也有可能“出賣”自己了，現在去看點《lie to me》（微表情心理學為主題的美劇）之類的還能搶救一下嗎？
想要攻略這樣懂得察言觀色的面試官，除了必備的網絡檢查、儀容儀表（見人類面試官也是要注意到吧喂），恐怕還得從技術認知上打場有準備之仗。
可以放心的是，利用AI實現面部表情的情感識別，在算法上還不具備充分的科學依據，即使是微軟、谷歌、IBM這樣的AI巨擘，其情感識別算法也并不嚴謹，應用到招聘場景中很可能產生嚴重誤導。因此，求職軟件監測情緒過濾求職者的做法也被視為是不恰當的。
比如偶爾的皺眉并不等于“憤怒”情緒，也不意味著面試者必然具備難以合作等特質。視頻面試更多發揮作用的地方，其實是識別那些表現最好的人。
以高盛、摩根大通、畢馬威、聯合利華、歐萊雅等大型集團所采用的HireVue或Sonru為例，其原理就是通過對15000個特征的識別，包括選擇的語言、運用的語匯、眼神表現、聲音大小等等，再將這些特質綜合起來，根據以往“成功”候選人的特征數據庫，判斷一個人的反應、情感和認知能力等。最后借由排名算法，讓一定比例的最優秀候選人進入下一輪。
據了解，目前希爾頓集團已經利用其算法面試了43000多個職位，在全球范圍內，HireVue系統每個季度都提供100萬次面試和超過15萬次錄用前評估。
而正如其技術負責人所說，“人類語言、肢體語言和表達的極端復雜性，需要對算法偏見和潛在有害影響非常非常小心”，如果客戶在一些題目中把90%的求職者都篩掉了，那就說明“考察點的范圍過小”，并會對此作出改變。
了解了這個視頻AI面試的基本原則之后，會發現并不需要對AI小心翼翼、錙銖必較。我們固然可以找到一些投算法所好的小tips，但更建議大家照常發揮，因為每一點習慣都可能影響你未來工作的愉悅感。
比如只有10%-30%的分數權重是由面部表情決定的，其他大部分則取決于面試者的言語表現。在語匯中，多使用一些符合目標企業偏好的特征詞。求職者喜歡說被動詞還是主動詞，常用“我”還是“我們”，是否頻繁使用技術性詞匯等，會影響系統對匹配度的評估。
再比如聲音的音調，如果有的人說話真的很慢，可能不適合從事電話咨詢之類的工作，而如果太快用戶也來不及挺懂。運用同理心找到心儀崗位最適合的狀態，或許“感覺”比數據更靠譜。
攻略難度三星：會讀心的AI
聽到這里是不是已經感受到社畜的凄涼了？先別急著悲傷，如果你“不幸”面試的是讀取你的社交網絡的AI面世系統，那你只能在算法之下“裸奔”一圈之后，去買個彩票安慰一下自己了。
在這一關，AI往往會根據一些復雜數據來分析求職者的日常行為，進而推導出其與崗位的匹配度。就在前不久，加州初創公司Predictim就利用NLP技術和計算機視覺技術，對保姆崗位應聘者的Facebook、Instagram和Twitter歷史進行掃描，進而預測她們是否可能欺負或騷擾他人，是否可能對兒童態度惡劣等等。
當然，這樣的面試官很快就被業界聯合抵制了。Facebook認為該公司違反了一項禁止開發人員使用這些信息審查求職者的禁令，因此大大限制了該公司在臉書和Instagram上獲取用戶數據的途徑。Twitter也中斷了Predictim對其API的訪問，理由是禁止其將Twitter數據用于監控目的。
類似的算法風險也曾發生在求職平臺LinkedIn身上，原因是第三方網站HiQ收集了LinkedIn的數據，以預測員工可能在何時離職。
之所以科技大廠們都態度鮮明地與此類AI面試系統劃分界限，主要是一是機器學習無法可靠地解釋語調和言語中的細微差別，比如諷刺或笑話，在面試場景中應用十分不穩定；同時此類算法還無法監督，即具有黑箱性，一些原本可能敬業的員工很可能在不知道原因或無法做出解釋的情況下失去工作機會。
另外，將面試成功的決定性因素交給AI，顯然也不符合技術倫理。如果一個企業出于決策者偏好/偏見，直接采用小范圍、單一化的數據集進行訓練，AI面試的公正性也就蕩然無存了，甚至還可能加劇企業在年齡、種族等的歧視和排斥問題。正如加州大學洛杉磯分校（UCL）人機交互教授安娜·考克斯（Anna Cox）所說， “任何數據集都會有偏差，這將排除那些真正擅長這項工作的人。”
目前看來，讓AI分析招聘面試過程中的復雜要素，還是一個爭議中前行的未來。
不過，技術的車輪正在加速。IBM就宣布要使用Watson（沃森）主動搜索內部培訓系統的數據，了解員工培訓以及學習情況，判斷他們是否具備升職潛力，以此進行內部考核。而從這樣相對結構化的數據中推倒到面試招聘環節，或許也在向廣大求職者們走來。
可以說，過去我們看到一些機械化程度高、數據結構化的領域，文書、翻譯、識別等被AI取代。如今，面試這樣充滿交流的感性色彩的領域也未能幸免。所幸的是，技術的魔法正在褪去，手握知識之劍的人類，終將找到自己與AI“共事”的最佳方式。在一次次較量與交鋒中去迭代和優化它，最終走出人機磨合的陣痛。