当然，这是一项高风险，高回报的工作。
从本质上讲，人工智能和机器学习只不过是工具罢了。它们就像其他的任何工具一样，有利有弊。如果使用者不能够明智地使用或配置，它们甚至可能会破坏你的工作流程或企业文化。尤其对于人力资源从业人员来讲，这是一个巨大的风险，因为相比于技术专业人士而言，他们往往对这些工具的深层机制不太熟悉。
那么，作为一名想要把工作干好的人力资源专家，应该怎样做呢？
首先，明确你正在解决的问题。也就是说，真正理解所要解决的问题。在发现问题并对问题进行正确评估之后，问问自己是否真的需要使用此项技术。如果不使用此项技术，工作进程是否会因此而拖后腿？应用此技术是否会使问题变得更简单，从而使你有时间解决其他问题呢？或者你是否可以利用现有技术或不同的方法从事你所做的工作？
如果判定确实需要使用这种新颖的人工智能技术，那么你就必须了解人工智能的优势和劣势。除了可以在谷歌上快速搜索浏览相关信息之外，还是有必要进行更加深入的了解。深入挖掘你所在专业的人脉并且充分利用公司里其他人的专业知识，并邀请他们参与评审你正在考虑使用的工具。
在正确利用的情况下，人工智能可以节省你大量的时间和精力，从而将人力资源工作从运营职能转变为战略职能。
选择合适的工具以解决相应的问题。
并不能将所有的问题一刀切。而且算法也不一定适用于所有问题，所以必须确保人工智能适于解决你所遇到的问题。
算法不太适用于以下情况如下：
生成少量数据的问题，或者数据无法反映真实世界的结果或行为。
处于极端边缘情况的问题，或者底层数据集存在严重偏差（但接下来有方法可以解决这一问题）。
需要价值判断的问题（在这个例子中，既考虑人性化且包含算法，则可以产生最优解决方案）。
从积极方面来说，算法可以很好地解决这样的问题：
问题中有重要数据，且数据与你所感兴趣的行为和结果直接相关。
涉及你所搜索模式的这些问题是可以预测的（或至少长期来看是一致的）。
请记住，人工智能并不总是够能提升你的工作能力，所以仅仅使用自动化流程工具可能无法得到理想的结果。如果你正试图改变员工行为，那就使用一些能够帮助员工学习的工具。研究表明，在解决基于行为的问题时，及时、具体、可执行且基于工具的反馈是非常有效的。
例如，Texito平台会在你写招聘信息的时候提供反馈，提出美化内容的方法，从而使招聘信息更加吸引求职者。Joonko分析工作场所生产力的活跃度以及协作工具，寻找无意识偏见的证据，然后向员工建议纠正措施。
算法也是人的智力成果。
人工智能的设计与其说是一门科学，不如说是一门艺术。发明者可能会在不经意间将自己的偏见融入到技术中，正如谷歌所熟知的那样，在一项新兴的面部识别技术中，深色皮肤的人被识别为大猩猩。
在做功课时，同时利用人工智能工具进行购物。弄明白这些模型是如何开发出来的，以及这些开发选项的意义所在。思考这样的问题：
采取了何种数据集以训练算法？此种数据中可能存在哪些偏差？模型是如何对此修正的？
举例来说，就如Joonko所指出的那样，如果某种算法读取数据，数据显示女性更有可能被分配到低优先级的任务中，那么它可能会“理解”，女性并不胜任更高优先级的工作。
随着时间的推移，模型是如何演变的？偏差问题又是如何解决的呢？底线是什么？
人工智能和机器学习有可能从根本上改变人力资源职能，并且提升对人资专员所带来的积极影响。但应用人工智能或机器学习并不会使得组织自身进行持续改变。如果你使用人工智能以加速正在发生的积极变化，那么你可以通过正在运行的其他战略项目来强化基于技术的改变。
机器人不会取代我们，它们只会让我们变好。
