联合利华如何利用人工智能招募和培训成千上万的员工

如果不使用联合利华产品，很难在发达国家生活一天。该跨国公司生产和分销400多个消费品品牌，涵盖食品和饮料，家庭清洁产品和个人卫生。

由于有如此多的协调和管理流程，人工智能正迅速成为其规模的组织所必需的。这适用于研究和开发以及拥有170,000名员工的企业所需的庞大支持基础设施。

最近它宣布它开发了机器学习算法，能够嗅探你的腋窝并告诉你是否患有体味。虽然这可能看起来像是“使用大锤来破解核桃”，但已经开发的技术可以继续用于监控食物的新鲜度，有助于解决食物过量生产和社会流行的问题。

然而，除了这些面向公众的聪明举措之外，人工智能还在幕后使用，以帮助筛选和评估每年申请联合利华工作的100多万人。如果他们成绩并成为成千上万获得工作的人之一，他们就会使用人工智能驱动的工具来帮助他们适应新角色并开始运作。

人工智能增强招募

联合利华每年招募超过30,000名员工，处理约180万份求职申请。

这需要大量的时间和资源。作为一个在190个国家开展业务的跨国品牌，申请人遍布全球。寻找合适的人才是成功的关键因素，联合利华不能忽视人才，因为它被埋在一堆简历的底层。

为了解决这个问题，联合利华与人工智能招聘专家Pymetrics合作创建了一个在线平台，这意味着候选人最初可以在他们自己的家中，在电脑或手机屏幕前进行评估。

首先，他们被要求玩一系列游戏，测试他们的能力，逻辑和推理，以及对风险的偏好。然后使用机器学习算法通过将其配置文件与先前成功的员工的配置文件进行匹配来评估它们适用于它们所应用的任何角色。

该过程的第二阶段涉及提交视频访谈。同样，评估员不是人，而是机器学习算法。该算法检查大约30分钟回答问题的候选人的视频，并通过自然语言处理和肢体语言分析的混合，确定谁可能是一个合适的人。

联合利华人力资源总监Leena Nair告诉我，由于采用了自动筛选系统，大约有70,000个人小时的面试和评估候选人。

她说：“我们寻找有目标感的人 - 系统思维，适应力和商业头脑。基于这种形象，游戏和视频访谈都被编程为在他们的行为中寻找线索，这将有助于我们了解谁适合在联合利华。“

参考他们未来领导者计划的视频访谈分析，她告诉我“每个屏幕截图都为我们提供了许多关于此人的数据点，因此我们与许多合作伙伴合作，并与这些合作伙伴一起使用大量专有技术，然后我们选择大约3,500人前往我们的发现中心。“在与真正的领导者和招聘人员共度一天后，联合利华选择了大约800名将获得工作的人。

该系统还旨在向所有申请人提供反馈，即使是那些不成功的申请人。

“我喜欢这个过程是每个申请我们的人得到一些反馈，”奈尔说。

“通常情况下，当人们向大公司发送申请时，它可能会进入'黑洞' - 非常感谢您的简历，我们会回复您 - 而您再也没有收到他们的回复。

“我们所有的申请人都得到了几页反馈，他们在游戏中的表现，他们在视频采访中的表现，他们有哪些特点，如果他们不合适，他们之所以没有以及我们认为他们应该做些什么来在未来的应用程序中取得成功。

“这是人工智能的一个例子，让我们变得更加人性化。”

因此，虽然联合利华尚未准备好将整个招聘流程交给机器，但它已经表明，在初步筛选申请人时，它可以帮助进行最初的“筛选”。

机器人帮助您适应这份工作

在完成成绩后，另一项机器学习驱动计划正在帮助新员工开始担任新职位 - 适应日常事务以及企业的企业文化。

Unabot是一个基于微软Bot框架的自然语言处理(NLP)机器人，旨在了解员工需要知道什么，并在被问及时获取信息。

“我们开玩笑说我们不知道这是男人还是女人 - 这是Unabot，”奈尔告诉我。

“Unabot不仅回答人力资源问题，有关员工的任何事情的问题都应该由Unabot回答，现在它是任何员工问题的前沿 - 他们可能会询问有关IT系统或他们的津贴 - 所以我们是实时了解对员工重要的事情。“

通过与员工的互动，Unabot已经学会回答诸如停车位置，穿梭巴士的时间以及何时进行年薪审查等问题。

与Alexa或面向消费者的客户服务公司聊天机器人不同，Unabot还必须能够根据与谁通话来过滤和应用信息。它能够根据用户的地理位置和公司内部的资历水平来区分传递的信息。

Unabot最初是面向菲律宾的员工推出的，目前在36个国家开展业务。它已被选为下一个AI计划，将在全球所有联合利华的190个市场推出。

“这是一种新的工作方式，”Nair告诉我，“我们从不进入并说'完美，所以让我们在所有国家推出它'，'我们在一个国家学到了什么，并在下一个国家推广它。 ”

目前，其所有数据均来自内部来源，例如公司指南，时间表，政策文件和员工自己提出的问题。将来，这可以扩展到包括学习材料等外部数据。

虽然它处于早期阶段，但最初的分析似乎表明该计划受到员工的欢迎 - 其中36%的部署人员至少使用过一次，大约80%的人再次使用它。

早期学到的一个教训是提供无摩擦体验的重要性。

“所以我们已经了解到你必须做出任何与员工或消费者无关的事情，”奈尔说。

“人们以不同的方式进行互动 - 政策文件以特定的方式编写，其中三到四页是员工不应该做的事情。但是，员工倾向于以非常简单的方式提问 - 这对我的生活有何影响，我会在哪里找到这个，我该怎么办?

机器学习 - 特别是NLP - 可以克服这一点，因为它能够检测重复询问的问题，即使它们以不同的方式被问到，并提供正确的信息。