---

لماذا كان ذلك ضرورياً: الإنذار الأول في Slack

في أحد الأيام في Slack، رأينا رسالة من أحد موظفي التوظيف لدينا: "يبدو أن الذكاء الاصطناعي لا يفهم ما يعنيه أن تكون مطور Go كبير". لم يكن هذا مجرد شكوى — بل كان يتعلق بكامل نظامنا لاختيار الموظفين. بدأنا نفهم أن الأخطاء في تقييم المرشحين يمكن أن تؤدي إلى فقدان الوقت والموارد لفريقنا والشركات التي نعمل معها.

سياق المشكلة

في العالم الحديث، يتطلب التوظيف دقة عالية. كنا نسعى لاستخدام الذكاء الاصطناعي لأتمتة تقييم المرشحين، لكن مع كل طلب جديد، كنا نواجه مشاكل متزايدة في هلاوس الذكاء الاصطناعي. كان المرشحون الذين لم يكونوا مؤهلين بشكل واضح يتقدمون إلى المرحلة التالية. وقد أدى ذلك إلى استياء بين موظفي التوظيف وانخفاض الثقة في منصتنا.

تفاصيل المشكلة

أحد الأمثلة البارزة كان سيرة ذاتية حديثة وصلت إلى نظامنا. كان المرشح يدعي أن لديه 10 سنوات من الخبرة في Go، ولكن لم يكن هناك أي ذكر لمشاريع أو تقنيات محددة مرتبطة بهذه المنصة في ملفه الشخصي. حدد الذكاء الاصطناعي على أنه مرشح قوي، ولكن عند تحليل أكثر تفصيلاً، أدركنا أن ذلك كان مجرد هلاوس.

المحاولات الأولى للحل

كانت محاولتنا الأولى تشمل استخدام كلمات رئيسية بسيطة لتصفية السير الذاتية. ومع ذلك، كما أظهرت الممارسة، لم تحل هذه الطريقة المشكلة. كان المرشحون ذوو الخبرة غير الكافية لا يزالون يدخلون النظام. حتى أننا نظرنا في إمكانية إدخال اختبارات متعددة المستويات، لكن ذلك زاد من الوقت والموارد المستهلكة في عملية الاختيار.

النهج الفني

في النهاية، قررنا دمج عدة أساليب. أضفنا فلاتر حاسمة تتحقق من وجود تقنيات ومشاريع محددة في السير الذاتية. كما قمنا بتطبيق تحليل إشارات التأهيل، الذي يأخذ في الاعتبار ليس فقط الخبرة، ولكن أيضًا المشاركة في مشاريع مفتوحة المصدر أو المنشورات. كإضافة، استخدمنا تفسيرات مخزنة من GPT لتحليل أعمق.

func filterCandidates(candidates []Candidate) []Candidate {
    var qualified []Candidate
    for _, candidate := range candidates {
        if hasRelevantExperience(candidate) && isSenior(candidate) {
            qualified = append(qualified, candidate)
        }
    }
    return qualified
}

ما الذي تغير في المنتج

بعد تطبيق الفلاتر والأساليب الجديدة، لاحظنا انخفاضًا كبيرًا في عدد المرشحين الذين لديهم توقعات غير مبررة. سمح ذلك لموظفي التوظيف بالتركيز على المتخصصين المؤهلين حقًا، مما حسن من جودة الاختيار. كما قمنا بتحديث صفحات /jobs و /for-companies لتعكس النهج الجديد في تقييم المرشحين.

ما الذي تعلمناه

• التحقق من الحقائق أهم مما يبدو. الكلمات الرئيسية البسيطة لن تعطي صورة دقيقة.
• الفلاتر الحاسمة يمكن أن تحسن بشكل كبير من جودة النتائج.
• التعليقات من موظفي التوظيف هي مفتاح لتحسين العمليات.
• استخدام البيانات المخزنة يساعد في تقليل وقت معالجة الطلبات.

ماذا يعني ذلك للمرشحين

بالنسبة للمرشحين، يعني ذلك أن سيرهم الذاتية ستُحلل مع الأخذ في الاعتبار المهارات والخبرة الحقيقية. نسعى لإنشاء نظام توظيف أكثر نزاهة وشفافية، حيث يتم تقييم إنجازاتكم بشكل عادل. كما يعني ذلك أن المرشحين سيحصلون على فرص أعلى للحصول على مقابلات إذا كانت مؤهلاتهم تتوافق مع المتطلبات.

ماذا يعني ذلك لموظفي التوظيف

يمكن لموظفي التوظيف أن يكونوا واثقين من أن النظام يقوم بتصفية المرشحين بفعالية، مما يسمح لهم بالتركيز على الجوانب الأكثر أهمية في العمل. سيوفر ذلك الوقت ويحسن من جودة التوظيف. علاوة على ذلك، سيتمكنون من تقديم توصيات أكثر جودة بناءً على بيانات دقيقة.

الخطوات التالية

على الرغم من التقدم المحرز، ندرك أن العمل لم ينته بعد. نواصل مراقبة جودة التحليل ونكون مستعدين لإجراء تغييرات على الخوارزميات عند الحاجة. لو كانت لدينا الفرصة للعودة إلى البداية، لكان بإمكاننا دمج أساليب تحليل أكثر تعقيدًا لتجنب الصعوبات الأولية. ---