---
لحظة ملموسة: سلسلة Slack التي أثارت التغيير
خلال سلسلة Slack الأخيرة، شارك أحد مجندينا إحباطه بسبب عدم تطابق ملفات المرشحين. تم تجاهل مرشح ذو مؤهلات قوية لأدوار بدت مناسبة تمامًا. أثار هذا نقاشًا حول خوارزمية مطابقة المرشحين بالذكاء الاصطناعي وعيوبها. كنا نعلم أنه يتعين علينا الغوص أعمق في الآليات وراء نسبة المطابقة لدينا.
فهم المشكلة
لا يمكن المبالغة في أهمية مطابقة المرشحين الفعالة. بالنسبة لمجندينا، stakes مرتفعة؛ نجاحهم يعتمد على تقديم المرشحين المناسبين للشركات. عدم التوافق لا يسبب الإحباط للمجندين فحسب، بل يعرض أيضًا فرص المرشحين للخطر. شعرنا بهذا الضغط بشكل حاد بينما كنا نهدف إلى تبسيط عملية التوظيف لكل من المرشحين والشركات باستخدام منصتنا.
القضية الأساسية: المهارات غير المتطابقة
سلط سيناريو محدد الضوء على مشكلتنا: تم تجاوز مهندس برمجيات كبير لدور بسبب سوء تفسير خوارزميتنا لمهاراته. واجهت خوارزميتنا صعوبة مع مرادفات المهارات؛ لم تكن المصطلحات مثل "تطوير البرمجيات" و"البرمجة" دائمًا تؤدي إلى نفس درجة المطابقة، مما أدى إلى الارتباك. يعني هذا عدم التوافق أن المرشحين المؤهلين لم يتم عرضهم في قوائم الوظائف ذات الصلة، وأن نظام المطابقة لدينا كان يفشل في تقديم القيمة.
المحاولات الأولية: بدايات خاطئة وعقبات
في محاولاتنا الأولية لمعالجة الوضع، استكشفنا ببساطة إضافة المزيد من الفلاتر الحتمية بناءً على مجموعات المهارات المشفرة. بدا هذا الأمر بسيطًا ولكنه في النهاية لم يعالج القضية الأساسية لفهم المعاني. حدد أحد مهندسي البرمجيات لدينا بسرعة أن هذا النهج يحد من المرونة ولم يأخذ في الاعتبار الفروق الدقيقة في اللغة البشرية. أدركنا أننا بحاجة إلى حل أكثر تعقيدًا.
نهج تقني جديد: إعادة تصنيف LLM
انتقلنا إلى تنفيذ نموذج لغة كبير (LLM) لإعادة تصنيف المرشحين بعد مرحلة استرجاع المطابقة الأولية. تتضمن العملية خطوتين رئيسيتين:
- الاسترجاع: يتم مطابقة المرشحين في البداية بناءً على الفلاتر الحتمية - المهارات والخبرة والتعليم.
- إعادة التصنيف: يقوم LLM بعد ذلك بتقييم المطابقات، مع الأخذ في الاعتبار المرادفات والسياق والأهمية لتقديم درجة نهائية.
# مثال على إعادة التصنيف باستخدام LLM
re_ranked_candidates = llm_model.rank(candidates, job_description)حسنت هذه الطريقة بشكل كبير قدرتنا على عرض المرشحين الذين قد تم تجاهل مهاراتهم بسبب اختلافات المصطلحات.
التغييرات الملحوظة في منتجنا
بعد نشر الخوارزمية الجديدة، لاحظنا تغييرات كبيرة. بدأ المرشحون في تلقي توصيات وظائف أكثر صلة، مما عزز تجربتهم على منصتنا. كما أبلغ المجندون عن زيادة رضاهم عن جودة مطابقة المرشحين، مما أدى إلى تسريع التوظيف وتقليل مؤشرات زمن التوظيف. يمكن رؤية هذه التحسينات على صفحاتنا /jobs و /for-companies، حيث أصبح لدى المجندين الآن وصول إلى مجموعة مرشحين أكثر دقة.
النقاط الرئيسية من تجربتنا
- اللغة مهمة: يمكن أن تؤثر المرادفات والاختلافات في أوصاف المهارات بشكل كبير على نتائج المطابقة.
- المرونة أمر حاسم: الاعتماد فقط على الفلاتر الحتمية يمكن أن يحد من قدرة الخوارزمية على التكيف مع استخدام اللغة في العالم الحقيقي.
- ملاحظات المستخدم لا تقدر بثمن: ساعدتنا المدخلات المباشرة من المجندين والمرشحين في تحديد القضايا التي قد نكون قد أغفلناها في البداية.
الآثار على المرشحين
من منظور المرشح، يعني هذا التحسين فرصة أفضل للتطابق مع الأدوار التي تناسبهم حقًا. يمكن للمرشحين توقع رؤية فرص تتماشى بشكل أكبر مع مهاراتهم وتجاربهم، مما يؤدي إلى عملية بحث عن وظيفة أكثر إرضاءً.
الآثار على المجندين
يمكن للمجندين الآن الاعتماد على خوارزمية مطابقة أكثر قوة تأخذ في الاعتبار الفروق الدقيقة في اللغة وملفات المرشحين. يعني هذا كفاءة معززة في استقطاب المرشحين، مما يفيد في نهاية المطاف أهداف توظيفهم والشركات التي يخدمونها.
النظر إلى الأمام: أسئلة مفتوحة واتجاهات مستقبلية
بينما أحرزنا تقدمًا كبيرًا، ندرك أنه لا يزال هناك عمل يجب القيام به. نحن نراقب القضايا المستمرة مثل التضخم في الرتبة وحشو الكلمات، والتي لا تزال يمكن أن تشوه نسب المطابقة. إذا كان علينا التراجع عن جانب واحد، فسيكون من المحتمل الفلاتر الأولية الصارمة التي حدت من مرونتنا. نحن ملتزمون بتحسين نهجنا واستكشاف كيف يمكننا تعزيز خوارزميتنا بشكل أكبر. ---