攻略AI面试官的N种姿势_风闻

社畜们的演技巅峰，大多数时候不是奉献给了各种甩锅，就是用在了应对面试官身上。

不过，现在想要凭借“立人设”混过面试环节，可没那么容易了。自从人工智能火了之后，许多企业面试的接力棒也被交到了AI手里，让一众“面经十级”的求职之路被扼住了命运的后颈皮。

从去年开始，许多校招季的金字招牌也都纷纷在面试环节中增加了AI面试/Digital Interview。不少招聘平台更是以智能面试系统为业务增长点，扮演起了技术传火者的角色。

而对于应聘者来说，知道自己将要面对的是AI这个不知疲惫、么得感情，还明察秋毫的“拦路虎”，恐怕不少人都会感到亚历山大。尤其是应届生，以往还有学长学姐们的言传身教指路，可面对“AI面试官”这个新事物，市面上还真没太多有效经验可供参考。

今天就来聊聊，AI面试的考察边界到底在哪里，以及怎样“攻略”它。

AI泛滥背后，用人机构的阳谋

如果你看到心仪的企业或岗位需要先过AI这一关，不要方张，战略上藐视、战术上重视，往往是“攻略”下AI面试官的前提条件。

之所以这么说，是因为市面上有太多借AI之名、行宣传之实的“金主爸爸”。其中，以最贴近大众规模市场的快消品领域为重灾区。最先在校招等环节中打出“AI面试”招牌的，大多都是这类，比如食品饮料（可口可乐）、日化用品（宝洁、联合利华）等等。

一方面，这些企业岗位大多没有特别的专业限制，又身披跨国500强的光环，简历筛选压力非常大；同时，校招也是一次非常好的在年轻人中“博关注”的好时机，很多公司都会打出“寻找未来管理者”的口号，竞争极其激烈，Open Question、AI面试、游戏测评等创意型招聘方式也能有效地帮助其扩大自身地影响力，强化品牌形象。

这也决定了，其AI面试系统需要满足两个核心诉求：

第一，推出的时机是不是够快，这样才能在宣传上“先声夺人”；第二，数据的多样性和算法的鲁棒性是不是够高，以避免因歧视、通过率等引爆应聘者的负面情绪。

因此，这些品牌企业所采用的AI面试解决方案，大多是经由第三方算法公司结合市面上一些较为成熟的AI技术应用打磨而成的体验。这一意味着，AI面试系统只能在初步粗略筛选上起到一定的辅助作用，很难从根本上决定能不能得到offer，反而能规避初面时面试官基于感性判断（如颜值、口音、毕业院校等）所带来的偏差，让更多人岗匹配的应聘者拥有机会；而另一方面，基于深度神经网络模型的训练逻辑，以及当前NLP、人脸识别、情感算法等的技术天花板，也让应聘者有机会针对AI系统的考察点按图索骥、逐个击破。

下面我们不妨来一一认识一下这些能力不同的特殊面试官。

攻略难度一星：问答AI面试

这种产品往往是将NLP自然语言理解技术与声音识别算法相结合，以问答形式来获取一些岗位匹配相关的关键信息。

日本人才公司En Japan就让即将毕业的大学生对着一台只会发问的手机，进行了长达一个小时、一问一答的面试，包含126个问题。眼见求职者到最后已经被虐的无语凝噎了……

此类“面试官”一是借助声音算法，统计语音、语调等，对应聘者的反应速度、心理情绪等进行分析；另外借助NLP算法，对回答进行关键词和语义分析，结合与企业业务和岗位需求的相关问题，比如快消品必问的“宝洁八大问”及其变种，进行匹配度的初始判断。

面对这些仅凭声音与语言特征来选人的面试官，由于其参数都是人为设定的，预先剔除了一些隐含的感性偏好，因此在判断上也会相对公正，攻略起来也能有的放矢。

首先我们知道，这些面试软件大多是提前设置好问题和答案的标准问题。比如前面提到的En Japan测试软件，就是收集了往期15年的面试问答训练而成，主要涉及了基本信息、工作技能、性格特征等。与人类面试官有时还会聊聊家常缓和气氛，或是提出刁钻问题施加压力等不同，AI面试系统往往只会一板一眼地交互和提问，只要在参加面试前多做功课，了解用人机构的企业文化、用人理念，是快节奏、重创意还是全球化等，合理调整和并有意识训练自己的语音，就能够规避许多意外状况的发生。

同时， 就和高考前老师反复提醒“字写得漂亮能多得印象分”一样，在回答AI问题时最好也投其所好，尽量使用一些符合机器逻辑来组织语言。由于AI主要是基于语音实时转移、关键词提取匹配、语义理解来判断求职者是否和岗位描述想匹配。因此，搞清楚一些必要的硬指标hard skill，并有针对性地在陈述中适当点到一些关键词，比如领导力、国家级项目、转化率、团队意识等等，更有助于AI的匹配和筛选。

只要按图索骥，也许会觉得AI比现场面试更easy呢。

攻略难度二星：视频AI面试

如果你看中的企业实力更强、或者更懂技术，那么正面撞上视频AI这样的进阶版面试官，概率也就更大了。

简而言之，视频AI面试就是在智能问答的基础上，AI还会实时分析应聘者的面部表情、肌肉动作等，来判断应聘者的答案真伪、性格倾向，多维度考察候选人是否接近企业的理想人选。

听完不少同学的心恐怕凉了半截，岂不是连翻白眼、东张西望之类的表情语言也有可能“出卖”自己了，现在去看点《lie to me》（微表情心理学为主题的美剧）之类的还能抢救一下吗？

想要攻略这样懂得察言观色的面试官，除了必备的网络检查、仪容仪表（见人类面试官也是要注意到吧喂），恐怕还得从技术认知上打场有准备之仗。

可以放心的是，利用AI实现面部表情的情感识别，在算法上还不具备充分的科学依据，即使是微软、谷歌、IBM这样的AI巨擘，其情感识别算法也并不严谨，应用到招聘场景中很可能产生严重误导。因此，求职软件监测情绪过滤求职者的做法也被视为是不恰当的。

比如偶尔的皱眉并不等于“愤怒”情绪，也不意味着面试者必然具备难以合作等特质。视频面试更多发挥作用的地方，其实是识别那些表现最好的人。

以高盛、摩根大通、毕马威、联合利华、欧莱雅等大型集团所采用的HireVue或Sonru为例，其原理就是通过对15000个特征的识别，包括选择的语言、运用的语汇、眼神表现、声音大小等等，再将这些特质综合起来，根据以往“成功”候选人的特征数据库，判断一个人的反应、情感和认知能力等。最后借由排名算法，让一定比例的最优秀候选人进入下一轮。

据了解，目前希尔顿集团已经利用其算法面试了43000多个职位，在全球范围内，HireVue系统每个季度都提供100万次面试和超过15万次录用前评估。

而正如其技术负责人所说，“人类语言、肢体语言和表达的极端复杂性，需要对算法偏见和潜在有害影响非常非常小心”，如果客户在一些题目中把90%的求职者都筛掉了，那就说明“考察点的范围过小”，并会对此作出改变。

了解了这个视频AI面试的基本原则之后，会发现并不需要对AI小心翼翼、锱铢必较。我们固然可以找到一些投算法所好的小tips，但更建议大家照常发挥，因为每一点习惯都可能影响你未来工作的愉悦感。

比如只有10%-30%的分数权重是由面部表情决定的，其他大部分则取决于面试者的言语表现。在语汇中，多使用一些符合目标企业偏好的特征词。求职者喜欢说被动词还是主动词，常用“我”还是“我们”，是否频繁使用技术性词汇等，会影响系统对匹配度的评估。

再比如声音的音调，如果有的人说话真的很慢，可能不适合从事电话咨询之类的工作，而如果太快用户也来不及挺懂。运用同理心找到心仪岗位最适合的状态，或许“感觉”比数据更靠谱。

攻略难度三星：会读心的AI

听到这里是不是已经感受到社畜的凄凉了？先别急着悲伤，如果你“不幸”面试的是读取你的社交网络的AI面世系统，那你只能在算法之下“裸奔”一圈之后，去买个彩票安慰一下自己了。

在这一关，AI往往会根据一些复杂数据来分析求职者的日常行为，进而推导出其与岗位的匹配度。就在前不久，加州初创公司Predictim就利用NLP技术和计算机视觉技术，对保姆岗位应聘者的Facebook、Instagram和Twitter历史进行扫描，进而预测她们是否可能欺负或骚扰他人，是否可能对儿童态度恶劣等等。

当然，这样的面试官很快就被业界联合抵制了。Facebook认为该公司违反了一项禁止开发人员使用这些信息审查求职者的禁令，因此大大限制了该公司在脸书和Instagram上获取用户数据的途径。Twitter也中断了Predictim对其API的访问，理由是禁止其将Twitter数据用于监控目的。

类似的算法风险也曾发生在求职平台LinkedIn身上，原因是第三方网站HiQ收集了LinkedIn的数据，以预测员工可能在何时离职。

之所以科技大厂们都态度鲜明地与此类AI面试系统划分界限，主要是一是机器学习无法可靠地解释语调和言语中的细微差别，比如讽刺或笑话，在面试场景中应用十分不稳定；同时此类算法还无法监督，即具有黑箱性，一些原本可能敬业的员工很可能在不知道原因或无法做出解释的情况下失去工作机会。

另外，将面试成功的决定性因素交给AI，显然也不符合技术伦理。如果一个企业出于决策者偏好/偏见，直接采用小范围、单一化的数据集进行训练，AI面试的公正性也就荡然无存了，甚至还可能加剧企业在年龄、种族等的歧视和排斥问题。正如加州大学洛杉矶分校（UCL）人机交互教授安娜·考克斯（Anna Cox）所说， “任何数据集都会有偏差，这将排除那些真正擅长这项工作的人。”

目前看来，让AI分析招聘面试过程中的复杂要素，还是一个争议中前行的未来。

不过，技术的车轮正在加速。IBM就宣布要使用Watson（沃森）主动搜索内部培训系统的数据，了解员工培训以及学习情况，判断他们是否具备升职潜力，以此进行内部考核。而从这样相对结构化的数据中推倒到面试招聘环节，或许也在向广大求职者们走来。

可以说，过去我们看到一些机械化程度高、数据结构化的领域，文书、翻译、识别等被AI取代。如今，面试这样充满交流的感性色彩的领域也未能幸免。所幸的是，技术的魔法正在褪去，手握知识之剑的人类，终将找到自己与AI“共事”的最佳方式。在一次次较量与交锋中去迭代和优化它，最终走出人机磨合的阵痛。