KHẢ NĂNG 01↗
MỨC LƯƠNG ƯỚC TÍNH—Xem trước dữ liệu mô phỏng · huấn luyện mô hình cho thực tế
Dự đoán lương
Ước tính mức lương bằng cách sử dụng các đặc điểm của nhân viên và các mẫu học được từ dữ liệu huấn luyện có sẵn.
Khám phá dự đoán lương →
Đang tải không gian làm việc của bạn…
THÔNG TIN LƯƠNG CHO CÁC QUYẾT ĐỊNH THỰC TẾ
Nhìn xa hơn những con số.
Khám phá cách kinh nghiệm, giáo dục và kỹ năng kết hợp với nhau để tạo ra một ước tính mức lương hợp lý.
Đầu vào rõ ràng. Bối cảnh hữu ích. Quyết định của bạn.
XEM TRƯỚC CHI TIẾT MỨC LƯƠNGSẴN SÀNG KHÁM PHÁ
HỒ SƠ CỦA BẠN→MẪU LƯƠNG→ƯỚC TÍNH CỦA BẠN
TÍN HIỆU HỒ SƠz = xW + b
TÍN HIỆU MẪU∂L / ∂W
ƯỚC TÍNH CỦA BẠN—
Sẵn sàng khi bạn cần01 / TƯƠNG TÁC
Sự nghiệp của bạn. Dữ liệu của bạn. Thông tin chi tiết về mức lương.
Trải nghiệm quy trình ước tính với các hồ sơ mẫu và nhận thông tin chi tiết về mức lương rõ ràng chỉ trong vài giây.
STUDIO DỰ ĐOÁN MỨC LƯƠNG
Xây dựng hồ sơ nhân viên
02 / KHẢ NĂNG
Trí tuệ mà bạn thực sự có thể hiểu được.
Vượt xa hơn cả dự đoán. Hãy khám phá quy trình học tập.
KHẢ NĂNG 02↗
Trực quan hóa mạng nơ-ron
Khám phá cách các đầu vào di chuyển qua các lớp ẩn để tạo ra dự đoán lương bằng số.
Khám phá mạng lưới →KHẢ NĂNG 03↗
INPUTŷLOSS
GRADIENT∂CẬP NHẬT
Lan truyền ngược
Tìm hiểu cách các lỗi dự đoán thúc đẩy cập nhật tham số trong quá trình huấn luyện mạng nơ-ron.
Tìm hiểu quy trình học tập →03 / CƠ CHẾ VẬN HÀNH
Mỗi dự đoán đều có một quá trình học tập.
Khám phá toán học đằng sau mô hình. Bản đồ trực quan này mang tính minh họa; quá trình huấn luyện thực tế diễn ra tại trung tâm huấn luyện trên trình duyệt.
Các đặc trưng di chuyển qua các lớp có trọng số và trở thành đầu ra số.
01Z = XW + b
Các đầu vào có trọng số cộng với độ chệch tạo thành tiền kích hoạt.
02A = f(Z)
Một hàm kích hoạt biến đổi tín hiệu.
03L = (y − ŷ)²
Hàm mất mát đo lường khoảng cách giữa thực tế và ước tính.
04Wnew = Wold − η(∂L/∂W)
Hạ gradient điều chỉnh các tham số hướng tới mức mất mát thấp hơn.
04 / QUY TRÌNH
Từ đặc điểm nhân viên đến thông tin chi tiết về lương.
Cung cấp thông tin
Kinh nghiệm, giáo dục, vai trò công việc và các kỹ năng được hỗ trợ.
Chuẩn bị các đặc điểm
Chuyển câu trả lời của bạn thành một hồ sơ rõ ràng mà ứng dụng có thể đọc được.
Chạy mạng lưới
Ứng dụng so sánh hồ sơ của bạn với các mẫu lương đã học.
Tạo ước tính
Bạn sẽ nhận được một ước tính mức lương đơn giản.
Khám phá kết quả
Xem lại ước tính và bối cảnh đằng sau đó.
05 / TÍN HIỆU DỮ LIỆU
Hiểu rõ các mô hình đằng sau mức lương.
Khám phá các hồ sơ mẫu đằng sau các mô hình mức lương. Đây là những tín hiệu hữu ích, không phải là sự đảm bảo.
KINH NGHIỆM / MỨC LƯƠNG
Kinh nghiệm song hành cùng thu nhập
KHOẢNG LƯƠNG
Phạm vi của các ví dụ hiện có
Các hồ sơ mẫu đã sẵn sàng để giúp bạn khám phá các mô hình mức lương.
Thử ước tính →06 / TẠI SAO ĐIỀU NÀY LẠI QUAN TRỌNG
AI cần phải có khả năng giải thích được.
Cách tiếp cận rõ ràng
Xem chi tiết hồ sơ nào ảnh hưởng đến kết quả ước tính.
Ngữ cảnh hữu ích
So sánh kết quả của bạn với các hồ sơ mẫu có sẵn.
Giải thích có trách nhiệm
Các ước tính phụ thuộc vào dữ liệu huấn luyện và không đảm bảo mức thù lao thực tế.
HỌC · ĐO LƯỜNG · GIẢI THÍCH
07 / BẮT ĐẦU TẠI ĐÂY
Thông tin chi tiết tiếp theo của bạn bắt đầu từ đây.
Khám phá mối quan hệ giữa kinh nghiệm, kỹ năng và mức thù lao ước tính thông qua trí tuệ thần kinh.
KHÔNG GIAN LÀM VIỆC NÂNG CAO
Không gian làm việc kỹ thuật
Các công cụ huấn luyện, đánh giá, dữ liệu và học tập nằm ở đây để trải nghiệm lương chính được đơn giản.
Mô hình đang hoạt động
—
Hồ sơ huấn luyện
—
Phiên bản hiện tại
—
Các ước tính đã lưu
—
Công cụ kỹ thuật
Chọn một không gian làm việc tập trung cho bước tiếp theo.
Huấn luyện một mô hình
Chọn thiết lập học tập, bắt đầu huấn luyện và lưu một mô hình mới.
Mở huấn luyện →Xem lại hiệu suất
Kiểm tra các biểu đồ đánh giá và so sánh mô hình hiện tại với kết quả kiểm tra.
Mở hiệu suất →Quản lý bộ dữ liệu
Kiểm tra các bản ghi, nhập tệp CSV hoặc khôi phục bộ dữ liệu mẫu.
Mở tập dữ liệu →Khám phá mạng lưới
Sử dụng phòng thí nghiệm trực quan và trình mô phỏng từng bước để hiểu luồng học tập.
Mở phòng thí nghiệm mạng →RÕ RÀNG CHO BƯỚC ĐI TIẾP THEO
Hiểu về Mức lương. Lập kế hoạch Tự tin.
Khám phá các ước tính mức lương được xây dựng từ kinh nghiệm, giáo dục, kỹ năng và các hồ sơ mẫu hiện có.
Thông tin chi tiết về mức lương cá nhân hóa·Được xây dựng từ hồ sơ của bạn
XEM TRƯỚC CHI TIẾT MỨC LƯƠNG
HỒ SƠMẪUƯỚC TÍNH
Xem các quy luật đằng sau mức lương
Khám phá các hồ sơ mẫu đằng sau mỗi ước tính.
Ước tính so với hồ sơ mẫu
So sánh đơn giản với các ví dụ có sẵn
Tiến độ ước tính
Có sẵn sau khi lưu ước tính
Khoảng lương
Kinh nghiệm và mức lương
Các hồ sơ mẫu có sẵn · các mô hình không phải là sự đảm bảo
Không gian làm việc về mức lương của bạn
Một chế độ xem đơn giản về các thông tin chi tiết từ hồ sơ đã lưu của bạn.
TỪ HỒ SƠ CỦA BẠN ĐẾN BẢN ƯỚC TÍNH
Ước tính Mức lương
Thêm một vài chi tiết để khám phá ước tính mức lương cá nhân hóa.
Hồ sơ của bạn
Ước tính của bạn
ANNMột góc nhìn rõ ràng hơn bắt đầu từ đây.
Thêm chi tiết của bạn và nhận ước tính mức lương trong chốc lát.
MỨC LƯƠNG ƯỚC TÍNH
So với các hồ sơ hiện có
Đây là bản ước tính để tham khảo, không phải là lời hứa về mức thù lao. Các hồ sơ mẫu có thể không phản ánh mọi nơi làm việc hoặc thị trường.
DẠY MẠNG CỦA BẠN
Trung tâm Huấn luyện Mô hình
Học dựa trên gradient thực tế, tính toán chi tiết cho mỗi epoch.
Cấu hình huấn luyện
CÔNG CỤ TRÌNH DUYỆTĐang trong quá trình học
0 / 100 Số epoch
Luồng học tập
- Xác thực các bản ghi & đóng băng tập kiểm tra
- Khớp tiền xử lý chỉ trên các bản ghi huấn luyện
- Lan truyền tiến → MSE → lan truyền ngược
- Cập nhật trọng số và theo dõi tổn thất kiểm định
- Đánh giá dữ liệu kiểm tra & lưu trữ artifact của mô hình
BẰNG CHỨNG THAY VÌ GIẢ ĐỊNH
Hiệu suất Mô hình
Ước tính so với hồ sơ mẫu
Tiến độ ước tính
Chênh lệch ước tính
Ý nghĩa của các con số
- MAE
- Sai số dự đoán tuyệt đối trung bình, tính theo đơn vị lương hàng năm. Càng thấp càng tốt.
- RMSE
- Cũng tính theo đơn vị lương hàng năm, với mức phạt nặng hơn cho các sai số lớn.
- R²
- Hiệu suất so với đường cơ sở trung bình. Có thể âm; không đảm bảo tính công bằng hoặc độ chính xác cho từng cá nhân.
Các phiên bản mô hình đã lưu
MÔ HÌNH MỚI NHẤT ĐANG HOẠT ĐỘNGChỉ so sánh các hàng có cùng dấu vân tay tập dữ liệu và phân tách kiểm tra. Quá trình huấn luyện sử dụng epoch cuối cùng, không có lựa chọn dựa trên kiểm tra.
| Phiên bản | Bộ dữ liệu / phân tách | Kiến trúc | MAE | RMSE | R² | Ngày |
|---|
Chưa có mô hình nào được lưu. Hãy huấn luyện mạng đầu tiên của bạn để xem kết quả đánh giá thực tế.
HIỆN THỰC HÓA NHỮNG ĐIỀU VÔ HÌNH
Phòng thí nghiệm Mạng Nơ-ron
Theo dõi tín hiệu. Truy vết gradient. Hiểu cách một mạng lưới học tập.
Chế độ xem giáo dục. Hoạt ảnh tín hiệu chỉ mang tính minh họa, không phải là kích hoạt nơ-ron trực tiếp. Trình mô phỏng số sử dụng một mô hình một trọng số riêng biệt.
Kiến trúc mạng
Z = XW + bA = f(Z)Đầu ra: ŷ = AW + b (tuyến tính)
Lan truyền ngược, từng bước một
TRÌNH MÔ PHỎNG RIÊNG BIỆTMột phép tính vô hướng thực tế: x = 1, y = 2, ŷ = wx + b. Bắt đầu với w = 0.5, b = 0. Đây không phải là mô hình lương.
Học từ sai số
L = (y − ŷ)²∂L/∂w = 2(ŷ − y)x∂L/∂b = 2(ŷ − y)w ← w − η ∂L/∂wb ← b − η ∂L/∂b
Mô hình lương tính trung bình bình phương sai số trên mỗi batch: MSE = (1/n) Σ(yᵢ − ŷᵢ)². Gradient truyền qua các lớp ẩn bằng quy tắc chuỗi.
BIẾT MÔ HÌNH CỦA BẠN BIẾT GÌ
Trình khám phá tập dữ liệu
Hồ sơ nhân viên
| Số năm kinh nghiệm | Trình độ học vấn | Vị trí công việc | Điểm kỹ năng | Phòng ban | Lương hàng năm |
|---|
Không tìm thấy bản ghi nào phù hợp.
Phân bổ trình độ học vấn
Phân bổ vai trò
Phân bổ phòng ban
Khoảng kinh nghiệm
Sơ đồ CSV & sử dụng có trách nhiệm
Các cột bắt buộc: experience, education, role, skill, department, salary. Từ 60–5.000 hàng; tối đa 2 MB. Experience: 0–40, skill: 0–100, lương hàng năm: 1.000–100.000.000. Không để trống trường. Tối đa 30 danh mục cho mỗi đặc trưng phân loại. Các cột thừa sẽ bị loại bỏ.
Chỉ sử dụng dữ liệu mà bạn có quyền xử lý. Không bao gồm tên hoặc các thuộc tính được bảo vệ. Dữ liệu nhập vào chưa được xác minh; việc phân loại có ý nghĩa và cấp phép phù hợp vẫn là trách nhiệm của bạn. Việc thay thế tập dữ liệu sẽ làm mất hiệu lực của mô hình hiện tại, nhưng vẫn bảo lưu các dự đoán lịch sử.
QUÁ TRÌNH KHÁM PHÁ CỦA BẠN, ĐÃ ĐƯỢC GHI LẠI
Lịch sử dự đoán
Các ước tính đã lưu, dữ liệu đầu vào và mô hình chính xác đằng sau chúng.
| ID | Ngày | Vị trí công việc | Số năm kinh nghiệm | Lương hàng năm | Phiên bản | Hành động |
|---|
Một khởi đầu mới.
Hãy lưu một dự đoán từ studio để xây dựng lịch sử của bạn. Không có dự đoán mẫu nào được thêm vào.
Ước tính mức lươngKHÔNG GIAN CỦA BẠN, THEO CÁCH CỦA BẠN
Cài đặt
Tùy chọn hiển thị và thông tin thời gian chạy minh bạch.
Hiển thị mức thù lao
Nhãn tiền tệ, không phải chuyển đổi ngoại hối. Hãy đặt giá trị này theo tiền tệ của tập dữ liệu nguồn. Các dự đoán đã lưu sẽ giữ nguyên tiền tệ ban đầu.
Phiên bản trình duyệt · giới hạn thời gian chạy
Miniapp này chạy một mạng ANN JavaScript thực tế, không phải API Python được lưu trữ. Quá trình huấn luyện sẽ nhường quyền điều khiển cho trình duyệt giữa các epoch. Các mô hình, tập dữ liệu và lịch sử sử dụng bộ nhớ cho mỗi người dùng của nền tảng, không phải SQL. Không có dịch vụ dữ liệu lương bên ngoài, không đảm bảo tính khả dụng của dịch vụ, hoặc mô hình thực tế được xác thực độc lập.
Tìm hiểu thêmMINH BẠCH THEO THIẾT KẾ
Giới thiệu về Mô hình
Một công cụ học tập thực thụ. Một báo cáo trung thực về những hạn chế của nó.
Phương pháp luận
Mạng perceptron đa lớp truyền thẳng sử dụng kinh nghiệm và kỹ năng đã được chuẩn hóa, cùng với giáo dục, vai trò và phòng ban được mã hóa one-hot. Các lớp ẩn sử dụng ReLU hoặc tanh; đầu ra hồi quy lương là tuyến tính. Gradient MSE được tính bằng quy tắc chuỗi và được tối ưu hóa bằng Adam hoặc minibatch SGD.
Khả năng tái lập & Ngăn chặn rò rỉ
Một lần xáo trộn với seed cố định dành riêng 20% để kiểm tra. Việc xác thực được lấy từ các bản ghi còn lại bằng seed huấn luyện. Việc tỷ lệ hóa số, từ vựng phân loại và chuẩn hóa mục tiêu chỉ được khớp trên dữ liệu huấn luyện. Các danh mục không xác định sử dụng một vị trí không xác định rõ ràng. Dữ liệu kiểm tra chỉ được đánh giá sau epoch cuối cùng. Các thành phần lưu trữ bao gồm trọng số, độ chệch, tiền xử lý, cấu hình và đánh giá cùng nhau.
Nguồn gốc dữ liệu
480 bản ghi đầu tiên là các ví dụ tổng hợp có thể tái lập được tạo với seed 2026. Đây không phải là lương nhân viên thực tế và không có giá trị khẳng định về thị trường. Bộ tạo tổng hợp xác định một tập dữ liệu giảng dạy; các dự đoán luôn đến từ mạng ANN đã được huấn luyện, không bao giờ đến từ bộ tạo đó. Các tệp CSV do người dùng tải lên sẽ thay thế bản demo và được đánh dấu là chưa xác minh.
Hạn chế & Mục đích sử dụng
Chỉ dùng để khám phá giáo dục. Không dùng cho việc tuyển dụng, quyết định thù lao hoặc sàng lọc việc làm. Không cung cấp kiểm tra tính công bằng, phân bổ đặc trưng nhân quả, khoảng tin cậy hoặc xác thực bên ngoài. Kết quả lương có thể âm hoặc không hợp lý; chúng không bị cắt bỏ một cách im lặng. Các thuộc tính được bảo vệ không phải là đặc trưng dự báo. Các danh mục vẫn có thể mang định kiến xã hội.
Thành phần & Lưu trữ
Mô hình hiện tại và tối đa sáu bản tóm tắt phiên bản được lưu cho mỗi người dùng. Các dự đoán chỉ được lưu theo yêu cầu, tối đa 500 bản ghi. Thay đổi tập dữ liệu sẽ làm mất hiệu lực mô hình hiện tại. Các thành phần lưu trữ được xác thực trước khi tải. Lỗi lưu trữ sẽ được báo cáo và phiên làm việc hiện tại vẫn có thể sử dụng. Phiên bản trình duyệt này không cung cấp máy chủ hoặc cơ sở dữ liệu.
Xác minh
Công cụ kiểm tra gradient số so với sai phân hữu hạn trước khi huấn luyện. Quá trình huấn luyện từ chối tổn thất không hữu hạn. Các chỉ số được tính theo đơn vị lương năm gốc trên dữ liệu kiểm tra tách riêng. Đây không phải là sự thay thế cho một bộ kiểm tra tự động đầy đủ được thực hiện độc lập hoặc đánh giá bảo mật sản xuất.