卖引擎而非整车，「麦穗」用人工智能、大数据帮招聘网站提高效率

在麦穗联合创始人王露颐看来，招聘主要有3个步骤，其一是为企业找到足够数量的候选人，因为基数大了，才能确保质量；其二是找准人，最后才是人岗匹配合不合适的问题。

按照王露颐的说法，麦穗并不是卖整车，而是给一些大型招聘网站、企业开发引擎，目前主要提供3大产品。其一是帮助招聘网站快速定位候选人，公司合作客户均具有较大体量，一般在内部都有着丰富简历。通过匹配求职人员简历和职位描述为企业找人。如果客户简历数量不够，公司也会从外部为其定制一定数量的简历。

首先会分析企业的基本情况、发展阶段、过往入职人选等特征来对需求方用人偏好形成一个完整画像。还会精细化分析和标注处理整段职位描述，并分析所处行业特征和标的企业的用人状况。麦穗会运用智能语义解析，切分并提取候选人简历的核心内容，形成150多个维度，来匹配企业的用人画像。这150多个维度包括候选人的期望薪资、期望的工作地点、到岗时间、简历新鲜度（候选人更新简历的频繁程度是和换工作的意愿成正比的）、学历状况、专业技能、工作经历等。

人才库盘活是近年来一个活跃话题，理想场景是当 HR 向外发布职位时，系统可以自动提示她自有人才库里已经有很多合适的候选人了。但是据欧美市场最大的求职网站 Indeed.com 的总裁 Chris Hyams 介绍，由于不同行业、不同工种之前存在许多“潜规则”，且很多职位的 JD 还是不能标准化、模型化，该技术的实际应用还是存在一定问题。

仅仅通过职位 JD 和候选人简历去匹配供需双方，这个显然是不够的，因为很多时候职位与职位间的描述是比较相似的，并不能精确匹配，利用简历数据所做的只能是一个“冷启动模型”，后续还要通过不断添加数据维度来精细化该模型。麦穗的第二个业务是为该模型添加了类似电商的用户行为数据分析。

具体来说，麦穗会分析企业的职位发布者在招聘网站上的历史行为数据，比如关注了哪些候选人、拉黑了哪些候选人、搜索查看过哪些候选人，付费买过哪些候选人的联系方式。通过在推荐模型中添加用户行为数据，匹配的维度自然会更多。使用越多，产生的数据越多，匹配自然也就更加精准。

以上两款产品均是重大数据，轻 AI 的产品。麦穗在今年试点性地推出了一款视频面试类产品，据王露颐介绍，该款产品集成了机器学习和深度探测模型来探测候选人的软性素质，方法是通过探测候选人在面试时的肢体动作和面部表情，来对候选人打分。比方说团队会通过一套数据模型，从中产生6000多个维度，来定义什么是“领导能力”。在匹配候选人面试时的表现，挑选出“领导力”强的候选人。

目前该公司服务的客户主要是一些中大型的招聘网站，如英才网联，包括旗下的14个招聘网站如建筑英才网、内推网等，还有广西人才网这些垂直类招聘企业。团队方面麦穗主要以技术为主，创始人尹超曾是亚马逊 AWS 认证云服务架构师，为阿基米德音频产品的初创成员，并在创梦亚马逊AWS联合孵化器担任技术负责。联合创始人王露颐拥有多年美国上市公司IT咨询风控经验，主要客户包括Kelly Service（全球前五大的人力资源解决方案服务公司），阿里巴巴，携程，可口可乐和福特公司等。

在我个人看来，招聘的本质无疑是匹配候选人和职位，人工智能无疑可以代替一些人力工作、增加整个产业的效率，但在实际运用中还会出现各种各样的难题，除了上文提到的很多职位不能标准化外，还有很多实际落地中的难点。关于 AI 在招聘领域中的运用谷歌曾发表过一篇文章，未来技术究竟会在招聘领域中扮演何种角色，还有待时间给出答案。项目曾于今年9月获得英溢资本（英格玛人力资源技术基金）数百万元天使轮投资。

这里有一份给36氪忠实用户的小调查：2017 年，36氪的内容满足了你的需求吗？2018年，你还希望36氪在哪些方面做得更好？