玩遊戲也能挑對人

1.被動人選(Passive Candidates)

獵取不主動求職的被動人才，一直是招聘過程的一環，但最近獵取被動人才已不只單純地在求職網站上篩選履歷，社群媒體讓企業更容易接觸這些人才。此外，企業也能藉由搜尋主題標籤(Hashtag)、論壇或其他線上溝通方法，輕易連結社群人才庫，若要讓這些人才看到獵人頭訊息，招募者必須了解他們找尋的事物與是否願意跳槽。

2.遠端員工(Remote Workforce)

有網路就能在家或咖啡館上班的遠端工作型態在美國漸受歡迎。過去20年來透過電腦遠端處理部分工作的勞工已成長3倍，占整體勞工比率達37％，部分原因是VPN技術讓員工更容易從電腦存取工作系統。技術的進步更促成「遠端招聘」，從企業角度來看，擴大了潛在人才庫至全球各地，企業也能藉由提供遠端工作來留才，幫助員工在工作與生活之間取得更好的平衡。

3.盲聘(Blind Hiring)

2017年偏好某些性別員工的指控，震盪全球科技業，尤其是美國矽谷。要降低這種爭議，最簡單的方式就是採用盲聘。在傳統的招募與面試過程裡，對背景、性別、年齡、種族、甚至是母校的無意識偏好，很容易引發爭議。若採用盲聘政策，也就是從履歷表上排除可能洩露人口變項的資訊，就能單純根據個人能力與成就完成第1波篩選，甚至還有能自動化篩選履歷並讓人選匿名的招聘軟體。

4.遊戲化(Gamification)

在教育訓練等流程加入遊戲元素的遊戲化，已廣泛運用於不同產業，概念是讓員工單純的投入參與流程，不管是行銷、教導還是招募，轉變成根據不同目的而設計的競爭遊戲型態。企業在招聘人才的過程也能加入遊戲元素，把關鍵技能與認知能力的測試變成遊戲，例如：用智慧手機應用程式(APP)讓求職者玩與爭取職位有關的遊戲，企業則能在背後用演算法追蹤分析求職者的關鍵性格。

零工經濟正夯

5.培養未來不受科技進步影響的員工(Future-Proofing Employees)

在AI與機器人逐漸受重視的當前，政治人物最常強調的是重振製造業就業與體力的勞動工作，但事實是這些工作最終將因科技進步而消失，AI正在取代重複性高的工作，而分析科技正在取代特定層級的管理決策，且範圍不只是製造業，還有旅行社與空服員等。

在2018年，企業必須仰賴人資單位決定讓工作職位轉向未來的最佳方式，這代表人資單位必須找出願意接受未來工作將有不同面向的員工，包括管理、解決問題、找出錯誤以及其他需要人類參與的領域，甚至為未來趨勢擬定職務。若能事先規劃，企業將能在轉型到成本更低、以電腦完成任務的勞工組成之際，省下資金且最大化現有員工的潛力。

6.管理科學化與軟體機器人(Bots)共事

擴大使用預測分析技術，將是2018年最重要的人才管理趨勢之一，而數據科學與蒐集技術等新科技，將改變傳統的面試過程，在蒐集新聘人員的早期表現數據，並與目標評估相比後，就能創造一個自動更新並持續描繪成功員工輪廓的回饋數據循環，讓雇主能事先在求職者裡找到表現最好的員工。

7.強化雇主品牌形象、強化求職者的體驗

目前已有許多求才工具，包括親友介紹、就業博覽會、求職APP，但雇主已日益仰賴社群煤體。一份美國的調查顯示，92％的徵才者會用社群媒體找尋合適人才，這牽涉到與雇主品牌密切相關的「求職體驗」(Candidate Experience)。

2017年的趨勢重點為塑造雇主品牌，但強化求職者的體驗也一樣重要，攸關求職的人才們是否也會向親友推薦這家公司，特別是在社群煤體越來越風行的今天。研究業者Software Advice 的調查顯示，求職者最討厭的體驗包括投遞履歷的資格要求沒說清楚、要填寫極長的求職表格、職務工作內容介紹太短、沒發送確認電子郵件、聯絡不到招聘者等。

8.關注零工經濟(Gig Economy)趨勢

勞工兼職賺外快的零工經濟日漸風行，招募者可能發現自己除了要招募正職員工之外，還必須聘僱獨立承包商、自由工作者以及顧問等兼職勞工。MBO合夥公司預測，60％的美國勞動力在2027年之前都將是零工經濟的一份子。

萬寶華集團人資顧問公司(Manpower Group)的調查顯示，多達94％的受訪者都不討厭獨立工作這個想法，這項調查也發現雇主希望能有所謂的「隨選聘僱」(On-Demand Hiring)，這可能讓招募者面臨要尋找才華洋溢外包員工的壓力。

2018年這些以科技為主的趨勢無疑將影響人資產業，不管是找出某些內部職位易受AI取代，還是要如何善用社群媒體獵才與強化企業形象，這些科技帶動所有變革都需要某種程度的學習曲線，在2018年開始為未來做準備，是值得的。

【本文出自《能力雜誌》2018年1月號；訂能力電子雜誌；非經同意不得轉載、刊登】

疾病識別和診斷，是現階段醫療保健領域最常導入AI的領域。不少國家因為醫療成本上漲、政府政策失靈，導致越來越多人民難以獲得醫療保障，或許AI能在整個環節扮演輔助角色，讓預防性護理的工作更完善。

印度》Aravind眼科醫院預測糖尿病

針對長年高踞台灣10大死因榜上的心血管疾病，許多研究團隊都鎖定探究如何透過演算法找出高風險族群、在哪個時間點較易發病。目前美國心臟醫學會(ACC／AHA)已經制定一套評估心血管疾病風險的指導方針，這套指引是依照年齡、膽固醇指數和血壓等因素制訂而成，準確率為72.8％，但它並沒有考慮患者用藥、疾病和生活方式潛藏的風險。

英國諾丁漢大學的研究團隊建立4種機器學習演算法，並提供系統將近38萬筆病例，這些系統先用29.5萬筆資料來建立內部預測模型，接著用剩下的資料來測試和改進，最後，4種AI演算法的準確度都比根據患者病例資料的人工診斷更好，而且準確率介於74.5％到76.4％，以神經網路演算法的檢測結果準確率最高，假警報也減少。

研究團隊同時比對2005年至2015年的醫療記錄，有355例死亡患者被AI系統認定為心血管疾病潛在病患，如果透過改變飲食或服用降膽固醇藥物等方式進行預防性照護，他們有機會活下來。有趣的是，AI系統還辨識出其他風險因子和預測指標，像口服皮質激素、嚴重的精神疾病等。

機器學習如今也應用在判讀電腦斷層掃描(CT)等影像診斷檢查上，找出身體病變。儘管有些人認為AI將終結放射科醫師這一行，但也有不少人視AI為放射科醫師的最佳助手。

在城鄉醫療落差大的印度，Google正把機器學習技術應用在糖尿病視網膜病變監測。Google和印度Aravind眼科醫院合作，利用圖像識別演算法檢測糖尿病患者的視網膜，由Aravind提供視網膜影像，Google則利用經過眼科醫師評估過的圖像訓練AI系統，由系統在沒有醫師診斷的狀況下拍攝影像並依據量表分類。

結果顯示，演算法在辨識異常的敏感度和判斷的準確度上，都優於人類診斷。如果這項應用未來能導入眼科臨床診斷，將是全球超過4億罹患糖尿病風險者的福音。

同樣位於印度，一家名為Aindra Systems的公司正在利用AI 診斷子宮頸癌。對印度3.3億名年齡介於15歲到60歲的婦女來說，子宮頸癌是好發率排名第2高的癌症，通常子宮頸癌檢查出結果需要經過病理醫師的手標記，再交由腫瘤科醫師進一步檢查，Aindra則是開發出即時檢查設備，可以自動進行深度分析，大大縮短篩查時間，幫助患者早期發現症狀。

美國》研發APP檢查腦震盪

美國華盛頓大學的研究團隊正在開發一款有AI輔助的APP，讓在場的家長、教練、看護等，能在第一時間客觀偵測腦震盪和其他腦部創傷的情況。

運動員是腦部損傷的高危險群，多次腦震盪容易導致退化性神經疾病、認知問題，有時甚至會造成死亡，但在醫院以外的地方，一般人要診斷腦震盪尚無完善的方法，最常見的是詢問傷者一些問題、讓他們重複說一組單詞或是用手觸摸自己的鼻子，以判斷其腦功能是否正常，然而這種評估基本上都是主觀的。

腦震盪發生時，腦部在顱骨內受到撞擊，控制眼睛對光線有反應的區域因此受到損傷，醫院會使用造價不菲的瞳孔儀，判斷傷者瞳孔對光線的反應，華盛頓大學開發的這款APP「PupilScreen」也是類似道理，它先以智慧手機的閃光燈刺激患者的眼睛，接著用手機錄製3秒鐘的短片，再讓深度學習演算法處理短片、找出與瞳孔相關的影像，從影像中測量瞳孔尺寸變化。

目前PupilScreen已可檢測到嚴重的創傷性腦損傷，並將展開大規模臨床研究，讓醫療人員蒐集更多資料。華盛頓大學研究人員說，他們並不是自己設計演算法來解決瞳孔反應的問題，而是採用機器學習的方法，蒐集數據並編寫一個讓機器自行學習的演算法。相較於詢問傷者問題做出的主觀判斷，PupilScreen是以客觀的臨床數據判斷傷者情況，有助於及時診斷、盡快採取醫療措施。

AI分析和分享資訊的能力除了有助於疾病診斷，也有人應用在評估疾病治療的選項和效果上。美國一名醫師希望癌症病人能找到更適合自己的治療方法，創立了All4Cure公司，他的方法是透過社群媒體把接受不同治療方式的癌症病患串聯在一起，由電腦系統蒐集和分析他們接受治療的數據結果，把接觸病人的醫療人員拉進這個醫療社群。

另外有學者也利用推特、臉書這些社群媒體，找出未向主管機關通報的臨床藥物實驗資料是否已出現問題，讓藥品安全監視(Pharmacovigilance)系統更完備。事實上，已有藥廠把AI應用在藥物化合物的初步篩選，或是利用AI找出適合個別病人的藥物。

馬來西亞》開發流行病學AI系統

AI在預測和監控流行病學上已有幾個成功例子。2014年伊波拉病毒肆虐非洲、奪走4,000多人的生命，被世界衛生組織(WHO)視為近代最緊急的「國際公共衛生事件」，但早在世衛組織通報伊波拉疫情擴大之前，電腦系統已透過社群媒體、新聞報導和若干國家政府網站，提早9天通報伊波拉疫情即將失控。

當時多國醫療團隊紛紛進駐西非地區展開醫療救援、試圖遏制病情，而西非當地的跨國電信業者也和國際衛生組織合作，提供非洲用戶的行動電話通訊資料，透過大數據分析工具，繪製當地民眾的聚集地區和移動路徑，預測病毒可能往何處散佈。這在當時發揮不小功能，政府得以監控疫情發展、即時規劃防疫措施和救援管道。

類似的例子還包括登革熱，這是由多明尼加電腦工程師馬洛爾(Rainier Mallol)和馬來西亞醫學博士拉賈(Dhesi Raja)攜手開發出的「流行病學AI系統」，可以預測最可能爆發疫情的區域。此系統結合了274個變因，包括新通報病例出現的時間和地點、當時的風向、濕度、溫度、人口密度、住宅類型等等，找出蚊子傳播的途徑。

目前在馬來西亞和巴西的測試顯示，這套系統可以提前3個月預測到疫情即將爆發，而且準確率約達88％。由於這套系統可以監控疫情中心地點及其周遭400公尺範圍的情況，公衛人員可以採取預防性措施，先行噴藥來防止蚊蟲叮咬當地居民。

【本文出自《能力雜誌》2018年1月號；訂能力電子雜誌；非經同意不得轉載、刊登】