2014 年，亚马逊决定在其招聘系统中建立一个机器学习模型，该模型可以评估成百上千的申请人，并吐出最佳的招聘资料。如您所知，当时申请软件工程师和技术职位的男性较多。
图片来源这里是这里是。
该项目仅用于内部目的。我不能说亚马逊是否过于自信，但他们非常肯定在使用这个系统时会得到最好的候选人。
亚马逊的数据科学家收集了该公司在 2014 年之前收到的所有 10 至 15 年的旧工作申请。工作申请可以来自新生或有经验的人。最后，他们有各种类型的应用程序用于培训目的，但这对于未来是否足够呢？形势仍不明朗，我不知道他们是否考虑过这个问题。通常，机器学习模型根据我们教给它的东西工作，即我们如何训练它。 他们利用这些数据来训练机器学习模型，并将其与亚马逊招聘系统进行整合。结合亚马逊招聘系统，这种机器学习模型将作为一个调解人，将较低的参考申请与最适合的工作申请分开。
到 2015 年，数据科学家开始发现一个突出的问题。事实证明，该模型中技术和软件工作的角色显示出对男性求职者的偏好，而对女性求职者的评分较低。
图像来源这里是这里是。
这种模式很快就从招聘系统中被抛弃了。机器学习模型的整合只是在重男轻女的时候失败了，虽然有点晚，因为这个模型丢弃了很多女性申请者。
数据科学家使用了 10 至 15 年的工作申请数据，当时女性在软件技术工作中的比例与当前相比非常低。我认为他们每年都需要用最新的工作申请数据来训练机器学习模型。因此，机器学习模型了解到了不正确的相关性，即男性比女性更适合技术工作。是的。任何提供给模型的不正确信息都将作为坏的模型预测输出。
数据收集是创建机器学习模型时最重要的步骤。不正确的数据只会导致不正确的模型。 数据科学家在收集和处理数据时应具备社会意识。
图片来源是这里的。
否则会转嫁到 ML 车型上的社会买家没有认真处理。在训练模型时，男女的贡献应该保持相等。每天数据的类型都在变化，需求也在并行变化。用最新的数据更新模型对于机器学习模型来说是非常必要的，旧的数据总是会给你错误的预测。用最新的数据训练，得到牛逼的结果，很简单。
我希望，通过这个简单的案例研究，您能有所了解。我已经尽力让它变得简单易懂，所以享受它吧。
快乐 AI 学习！