隨著AI人工智慧（Artificial intelligence）技術的迅速發展，企業在人才發展面臨著前所未有的機會。但現今報章雜誌多談的是人工智慧在各個企業的運用狀況「What」，少有提到如何導入的「How」，例如使用何種AI技術，究竟是機器學習（ML - Machine Learning）還是深度學習（DL - Deep Learning）？而機器學習與深度學習，又分為不同的演算法可深入探討。
本文旨在探討機器學習，也就是「分析型AI」在人才發展的導入方式與其中的應用成果。
什麼是分析型AI及其不同的AI類型？
在此之前，要先說明何謂分析AI。ScienceSoft公司的資料分析總監Alex Bekker曾提出AI的5種分類：
- 分析型 AI（Analytic AI）
透過分析大量資料，提供建議或洞察來輔助決策。例如，分析員工資料，進行決策與判斷，例如常見的離職預測分析。
- 功能型 AI（Functional AI）
分析資料並根據結果自動執行任務。例如，近期常見的自動化流程機器人RPA（Robotic Process Automation）即屬於此類。
- 互動型 AI（Interactive AI）
自動化溝通，同時保持互動性，理解對話情境。例如，聊天機器人客服，運用於人力資源部門的常見問題回覆。
- 文字型 AI（Text AI）
處理文字資料，包含語音轉文字、翻譯、內容生成等。例如，語音轉文字軟體、Google 翻譯、AI 寫作工具等。
- 視覺型 AI（Visual AI）
處理圖像和影片，進行識別、分類、轉換為數據等。例如，臉部辨識、醫學影像分析。
出處：Alex Bekker, 5 Types of AI to Propel Your Business
上述說明了不同類型AI的應用範圍，分析型AI還包括了機器學習、數據挖掘、自然語言處理等技術，這些技術驅動了分析型AI，接下來我們進一步探討分析型AI如何幫助企業進行數據驅動的決策。
如何利用分析型AI提升人才發展的效率與效果？
分析型AI能夠通過大數據分析和機器學習技術，從大量數據中提取有價值的資訊，為企業的人才發展提供足夠的洞見，進而提升決策品質。尤其進行人才決策與發展時，單位主管與HR為避免受到主觀偏見的影響，往往需要第三方客觀的工具與分析，進行更客觀的決策。分析型AI通過對大量數據的分析，能夠提供更為客觀的決策分析與建議。
例如，在人才晉升與發展的過程中，AI可以根據人選的歷史數據、技能和經歷，預測其在職場中的表現，從而協助做出更為準確的選擇。AI還可以通過分析員工的績效數據，幫助HR識別高潛力人才、進行人才的分類，並制定相應的發展計畫。這不僅可以提高決策的準確性，還能避免人為偏見對決策的影響，從而提升整體決策品質。
企業內該如何操作與導入？
本次的操作例子透過程式語言Python進行分析人才分類，由於Python操作方式快速且易懂，對於非程式語言相關背景者也能快速上手，再加上AI工具（如ChatGPT、 Gemini等）對於程式語言產出熟稔，茲提供本次操作程式碼與結果，與有興趣的同業夥伴交流與分享。
本次使用分析型AI，機器學習之聚類分析（Clustering）演算法（K-means），該演算法可以將數據劃分成多個組，使得同一組內的數據點之間的相似度最大，而不同組之間的數據點的相似度最小。以人才發展的角度來說，就是將人才進行更精確的分類。
參考的產出範例如下：
此圖X軸是能力，Y軸是潛力，圖片分為三個簇群，重點說明如下：
- 黃色簇
這個簇的數據點集中在X軸（能力）較低至中等區域，Y軸（潛力）較高區域。這表示這組人員能力較低至中等，但潛力很高。這些人可能是需要進一步培養和發展的對象，因為他們有潛力在未來提升能力。
- 紫色簇
這個簇的數據點集中在X軸和Y軸的中間區域，表示這組人員的能力和潛力均處於中等水平。他們可能是公司的穩定力量，能夠完成工作但需要適當的激勵和培訓以進一步提升。
- 藍綠色簇
這個簇的數據點集中在X軸較高區域，Y軸較低至中等區域。這表示這組人員能力較高，但潛力較低至中等。這些人可能已經達到他們的高峰，需要適當的工作挑戰來保持他們的積極性和動力。
程式原始碼如下：
|
# 創建一個隨機的數據集 # X, y = make_blobs（n_samples=100, centers=3, random_state=42） # 讀取Excel檔案 df = pd.read_excel（io.BytesIO（uploaded['test.xlsx']）） df = df.select_dtypes（include=['float64']） # 使用 KMeans 算法進行聚類 # kmeans = KMeans（n_clusters=4, random_state=42） # kmeans.fit（X） kmeans = KMeans（n_clusters=3, random_state=100） kmeans.fit（df） # 繪製數據點及聚類中心 # plt.scatter（X[:, 0], X[:, 1], c=kmeans.labels_） # plt.scatter（kmeans.cluster_centers_[:, 0], kmeans.cluster_centers_[:, 1], marker='x', color='r'） # plt.show（） plt.scatter（df.iloc[:, 0], df.iloc[:, 1], c=kmeans.labels_） plt.scatter（kmeans.cluster_centers_[:, 0], kmeans.cluster_centers_[:, 1], marker='x', color='r'） plt.show（） |
也許有些讀者會想到，這與傳統在使用的人才九宮格有相似之處，但使用機器學習，在以下三個層面更勝於人才九宮格：
- 評估方法
- 九宮格依賴於主觀評估、評鑑分數和預設的框架。
- 聚類分析依賴於數據分析和動態群集。
- 靈活性
- 九宮格是一個固定的3x3矩陣，適用於所有員工。
- 聚類分析可以根據數據動態調整分類的數量和範圍，例如一個指令輕鬆調整參數，便可看到分成4類、5類或更多類別的圖形（如下圖），靈活性更強。
- 多維度
- 九宮格僅限於兩個維度（績效和潛力），市面上有些做法會再透過不同的燈號、顏色，來做到第三個維度。
- 聚類分析則能夠同時處理多個維度，例如績效、潛力、技能、經驗等所有能夠數據化的資料，故分析與分類上能看到更多不同的結果或隱藏的模式。
因此，將聚類技術應用於人才分析，可以提供更精細和多維度的分類結果，減少主觀偏見，並且能夠動態更新和分析。相比之下，傳統的九宮格工具簡單直觀，更容易被理解和操作。兩者可以結合使用，在不同的場景下發揮各自的優勢，從而實現更全面和有效的人才管理。
企業實際的導入流程
- 定義目標
明確企業導入 Clustering 的目標，例如，識別人才分佈、強化訓練計畫、提升員工發展等。
- 數據收集
收集相關數據，例如，員工的績效評分、潛力評分、技能高低或測驗分數、經驗年資、其他相關指標（如學歷、職位變化、薪水等），為了提高數據客觀性，也可以導入多角度評估，如同事回饋、自評分數等。
- 數據準備與處理
清理和處理原始數據，例如，填補空值、異常值等。選擇適當的特徵作為聚類分析的輸入資料。值得一提的是，數據的處理可透過Excel或公司內部的資料庫。
- 選擇工具和演算法
市面上可使用的工具繁多，如果要使用雲端工具，可以透過Google提供的免費工具Colab，如果公司因為資安考量，也可以在本機安裝Jupyter Notebook、Anaconda、Spyder、Spyder等。
接著，輸入必要的程式碼並選擇合適的演算法，如K-means（本次使用的演算法）、層次聚類、DBSCAN等。根據結果，調整參數（如K-means中的K值），並進行反覆試驗以找到最適合的群集數量和配置。
- 評估和驗證
將聚類結果與實際情況對比、進行驗證，確保結果的合理性和有效性。
- 解釋和應用
解釋聚類分析的結果，確定每個分類的特徵和意義。例如，某一分類代表高潛力高績效的員工，另一群集可能代表需要進一步訓練和發展的員工。同時根據結果，制定相應的人才管理策略，包括訓練計畫、接班人計畫、激勵措施等。
- 持續改進
定期收集回饋，檢查後續行動方案的效果，並根據需要調整聚類分析的方法和應用策略。另外，持續更新和收集新的數據，以保持聚類分析結果的準確性和時效性。
.jpg)
分析型AI在人才發展中的變革性影響及關鍵考量
- 提升決策品質
分析型AI通過數據分析，為HR決策提供支持，幫助HR做出更為客觀和準確的決策。這不僅提高了決策的品質，還能避免主觀偏見對決策的影響。當然，若資料的來源非客觀資料，則會造成Garbage in, garbage out結果。
- 效率與成本優化
分析型AI若能搭配其他自動化流程的軟體與工具（如RPA），即可透過每日分析並回報異常狀況，以提高HR工作流程的效率並降低了成本。這使企業能夠更有效地利用資源，提高工作效率。
- 客製化與多樣化
分析型AI能夠根據員工的數據，提供客製化的發展計畫，促進組織內的多樣性。能夠讓每個員工獲得最適合自己的學習資源和發展機會，促進組織的多樣性和包容性。
- 隱私與數據安全
AI技術在數據處理中，特別需要注意隱私問題。例如使用Google Colab需要將員工數據上傳至平台上運算，在此之前應先做到去識別化，或是使用公司內部電腦進行運算，以確保員工數據的安全和隱私。
- 技術依賴
過度依賴技術可能帶來風險。企業應保持技術與人力的平衡，確保在利用AI技術的同時，不忽視人為判斷的重要性。如何取得良好的「人機協作」才是HR未來的趨勢與作法。
未來展望
總結來說，分析型AI在人才發展中具有廣泛的應用機會，能夠顯著提升HR的工作效率和決策品質，為員工提供客製化的發展機會，促進組織的多樣性。然而，企業在利用AI技術時，需重視隱私與數據安全和技術依賴等挑戰，確保技術與人力的平衡。
未來，隨著技術的不斷創新，分析型AI將在人才發展中發揮越來越重要的作用，幫助企業實現永續性的發展目標。