但是，薇薇安?明（Vivienne Ming）却说她认为硅谷并不像人们想的那样任人唯贤。薇薇安?明从2012年年底开始担任镀金公司的首席科学家，她认为有才华的人被忽视、错判或漏选是常有的事。她这样想部分是由于她自己就有过这样的经历。
明博士生下来是男性，名叫埃文?坎贝尔?史密斯（Evan Campbell Smith）。他是一个好学生，还是一名出色的运动员，保持着高中田径三级跳远和撑杆跳远的校级记录。但他总觉得与自己的身体有着某种脱离。高中毕业后，埃文经历了一次身份危机的全面爆发。他的大学以失败告终，在工作之间换来换去，想过自杀，跌到了所谓的人生最低谷。不过，他并没有卡在那里，而是再一次弹了起来。在27岁那一年，他回到学校，获得了加州大学圣地亚哥分校的认知神经科学的本科学位，此后又先后获得了卡耐基梅隆大学的心理学和计算神经科学的博士学位。
在斯坦福大学读博士后期间，他开始进行性别转变，并在2008年彻底成为薇薇安?明博士。
作为一个女人，明博士开始注意到人们对待她的不同。有些是看起来无伤大雅的小事，像是男性为她开门。也有让她烦心的事情，比如学生来问她数学题的次数比她还是男性时要少了，男性同事和工作上的联系人请她参加社交活动（比如一场棒球赛）的次数也变少了。
偏见往往以人们意识不到的形式体现出来。明博士援引了一项耶鲁大学研究人员取得的发现，研究型大学的教师成员在描述应聘经理职位的女性求职者时，认为其能力相比具有同样资格的男性要逊色得多。美国国家经济研究局公布的另一项研究发现，简历上名字“听起来像黑人”的求职者收到雇主回电的几率要比简历上有一个“听起来像白人”的名字的求职者难上很多。
基本上每个人都同意，性别、长相或者名字的读音不应该影响聘用决定。但明博士把任人唯贤的概念更进一步。她提出，那些用来筛选人才的公认标准，比如在哪里上的大学、之前在哪里工作过，同样也会遗漏人才，并最终成为雇主的损失。
“招人时使用的传统指标可能有错，大大的错了，”她说。
对于她所说的“这么多被浪费掉的人才”，明博士的应对方法是，制造机器来尽可能地消除人为偏见。这并不是说传统意义上的那些资格应该被忽略，而是加上她认为更复杂的措施予以均衡。总体而言，镀金公司的算法分析一个人时要处理三百来个主要变量：常逛的网站；描述各种技术时使用的语言类型，积极还是消极；在LinkedIn上的技能自述；参与过哪些项目，都干了多久；还有——没错——在哪里上的学、学的什么专业，这所学校当年在《美国新闻与世界报道》上排名是多少。
在数据中找淘金
镀金公司并不是唯一在信息中淘金的公司。另一家旧金山的初创公司“人才回收站”（TalentBin），也在互联网上搜索有才华的程序员，根据该公司的网站介绍，TalentBin在程序员聚集的网站网络人才，收集“数据废气”，为雇主创建潜在的招聘名单。另外一家竞争对手是“绝妙招聘”（RemarkableHire），这家公司评估个人能力的方式是看他或她在网上的成果被人评分如何。
还有ENTELO，这家公司试图找出有可能在找工作的人，甚至在这些人自己开始找工作之前就把他们找出来。据其网站介绍，ENETLO使用超过70个变量来找出职业变化的迹象，比如一个人在社交网站上展示自己的方式。该网站写道：“我们处理数据，节省你的精力。”
英国数据分析公司Altimeter Group的负责数据和分析产业的分析师苏珊?艾特琳（Susan Etlinger）表示，这样在招聘时应用大数据“绝对值得一试”。不过她对算法是否改进了雇主已经在做的事情，比如收集简历或推荐信、使用传统上与成功相关的指标等等提出了疑问。
“缺乏实际结果，”她说：“说概率就等于现实还不能说服我。”
大数据公司QUID的共同创始人和首席技术官肖恩?古尔利（Sean Gourley）表示，筛查数据可以为招聘提供信息，但前提是使用时要了解数据不能揭露的信息。“大数据有大数据的偏见，”他说。“你衡量你能测量的”，同时“你低估了测量不了的东西，像是直觉和感召力”。
古尔利补充说：“当你把人从复杂决策里面排除掉以后，你可以把算法优化成神，但代价又是什么呢？”