[Day 71] 區塊鏈與人工智能的聯動應用：理論、技術與實踐

AI在人力資源管理中的應用

人工智能（AI）在企業中正迅速改變許多部門的運作方式，人力資源管理（HRM）領域也是如此。AI技術可以幫助人力資源專業人員更有效地招聘人才、管理員工數據、進行員工績效評估，甚至改善員工體驗。這篇文章將詳細探討AI在人力資源管理中的應用，並展示具體的代碼範例來解釋如何將這些技術應用於現實場景中。

1. AI在招聘中的應用

招聘是人力資源管理中最重要的功能之一。AI可以通過自然語言處理（NLP）分析簡歷，根據工作描述篩選出最合適的候選人，從而減少手動篩選時間。

範例代碼：簡歷篩選器

import spacy
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.metrics.pairwise import cosine_similarity

# 加載自然語言處理模型
nlp = spacy.load('en_core_web_md')

# 工作描述和簡歷
job_description = "We are looking for a software engineer with experience in Python, machine learning, and data analysis."
resumes = [
    "Experienced software engineer with strong Python skills and a background in data analysis and machine learning.",
    "Graphic designer with 5 years of experience in Photoshop and Illustrator.",
    "Data scientist proficient in Python and machine learning, with a focus on deep learning algorithms."
]

# 使用TF-IDF向量化
vectorizer = TfidfVectorizer()
job_vec = vectorizer.fit_transform([job_description])
resume_vecs = vectorizer.transform(resumes)

# 計算餘弦相似度
similarities = cosine_similarity(job_vec, resume_vecs).flatten()

# 找出最匹配的簡歷
best_match_idx = similarities.argmax()
best_resume = resumes[best_match_idx]
print(f"The best matching resume is: {best_resume}")

解釋：

• spacy 是一個自然語言處理庫，我們可以用它來處理文本。
• TfidfVectorizer 用來將文本轉換為向量，計算關鍵詞的權重。
• cosine_similarity 計算工作描述與每個簡歷之間的相似度，選擇相似度最高的候選人。 這樣可以自動化地篩選簡歷，減少手動操作。

2. AI在員工績效評估中的應用

AI可以通過分析員工的工作數據來評估其績效。這些數據包括考勤、工作完成率、客戶反饋等。AI算法可以根據這些指標來自動評估員工的績效，並且提供合理的改善建議。

範例代碼：績效評估模型

import numpy as np
from sklearn.linear_model import LinearRegression

# 員工的工作數據：工時，完成項目數量，客戶滿意度
X = np.array([
    [40, 5, 80],
    [50, 6, 90],
    [35, 4, 75],
    [45, 5, 85],
])

# 員工的績效評估得分
y = np.array([75, 85, 65, 80])

# 建立線性回歸模型
model = LinearRegression()
model.fit(X, y)

# 預測新員工的績效
new_employee_data = np.array([[42, 6, 88]])
predicted_performance = model.predict(new_employee_data)
print(f"Predicted performance score: {predicted_performance[0]}")

解釋：

• LinearRegression 是一種監督學習算法，用來根據歷史數據預測績效。
• 我們輸入的數據包括工時、項目數量和客戶滿意度，輸出為績效評估得分。
• 該模型可以幫助HR對員工的績效進行數據驅動的評估，避免人為偏見。

3. AI在員工保留與離職預測中的應用

員工流動率是公司需要關注的重要指標。AI可以通過分析歷史數據預測哪些員工有可能離職，並幫助企業制定保留人才的策略。

範例代碼：離職預測模型

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score

# 員工數據集：包括工時、薪資、年資、工作滿意度等
data = {
    'hours_worked': [40, 50, 35, 60, 55, 38, 45],
    'salary': [60000, 80000, 45000, 90000, 85000, 50000, 70000],
    'years_at_company': [2, 5, 1, 10, 8, 3, 6],
    'satisfaction': [3, 4, 2, 5, 4, 3, 5],
    'left': [0, 0, 1, 0, 1, 1, 0]  # 1表示已離職，0表示在職
}
df = pd.DataFrame(data)

# 特徵與標籤
X = df[['hours_worked', 'salary', 'years_at_company', 'satisfaction']]
y = df['left']

# 分割數據集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 建立隨機森林模型
model = RandomForestClassifier()
model.fit(X_train, y_train)

# 預測與評估模型
y_pred = model.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)
print(f"Model accuracy: {accuracy * 100:.2f}%")

解釋：

• 這段代碼使用RandomForestClassifier來構建員工離職預測模型。
• hours_worked, salary, years_at_company 和 satisfaction 是模型的輸入特徵，left是標籤，表示員工是否離職。
• 模型通過歷史數據來預測哪些員工有可能離職，HR可以根據預測結果主動進行干預，減少人才流失。

4. AI在員工學習與發展中的應用

企業可以利用AI分析員工的技能差距，並提供定制化的學習計劃。例如，通過分析員工的工作表現和興趣，AI可以推薦相關的培訓課程。

範例代碼：個性化培訓推薦系統

from sklearn.neighbors import NearestNeighbors
import numpy as np

# 員工技能數據：每列表示不同的技能得分
skills = np.array([
    [80, 70, 60],  # 員工1
    [50, 60, 75],  # 員工2
    [90, 85, 80],  # 員工3
    [70, 65, 60],  # 員工4
])

# 新員工的技能
new_employee_skills = np.array([[65, 75, 70]])

# 使用最近鄰算法進行推薦
model = NearestNeighbors(n_neighbors=1)
model.fit(skills)

# 找到最相似的員工
distances, indices = model.kneighbors(new_employee_skills)
recommended_employee = indices[0][0]
print(f"Recommended employee for training collaboration: {recommended_employee + 1}")

解釋：

• NearestNeighbors 用來計算新員工與現有員工的技能相似度。
• 該模型可以推薦具有相似技能的員工進行合作學習，或者根據差距推薦相關的培訓課程。

5. AI在員工體驗提升中的應用

員工體驗在現代人力資源管理中變得越來越重要。AI可以通過分析員工的反饋數據來了解他們的需求，並改善工作環境。

範例代碼：員工反饋情感分析

from textblob import TextBlob

# 員工反饋數據
feedbacks = [
    "I love the working environment here, it's very supportive.",
    "The management could be better, but overall it's a good place to work.",
    "I'm not happy with the work-life balance, it's too stressful."
]

# 情感分析
for feedback in feedbacks:
    analysis = TextBlob(feedback)
    sentiment = analysis.sentiment.polarity
    if sentiment > 0:
        print(f"Positive feedback: {feedback}")
    elif sentiment < 0:
        print(f"Negative feedback: {feedback}")
    else:
        print(f"Neutral feedback: {feedback}")

解釋：

• TextBlob 是一個簡單的自然語言處理工具，用來分析文本情感。
• AI可以幫助HR快速了解員工的滿意度，並針對性地改善工作環境。

結語

AI在人力資源管理中的應用無疑為企業提供了強大的工具，從簡歷篩選到員工培訓和離職預測，AI技術的應用可以幫助企業提高運營效率、減少人為偏見，並創造更好的員工體驗。隨著技術的進步，我們可以預見AI在人力資源領域的應用將會越來越廣泛。