---

Ein konkreter Moment: Der Slack-Thread, der Veränderung auslöste

Während eines kürzlichen Slack-Threads teilte einer unserer Recruiter seine Frustration über nicht übereinstimmende Kandidatenprofile. Ein Kandidat mit starken Qualifikationen wurde für Rollen übersehen, die perfekt zu passen schienen. Dies entfachte eine Diskussion über unseren KI-Kandidaten-Matching-Algorithmus und seine Schwächen. Wir wussten, dass wir tiefer in die Mechanik hinter unserem Matching-Prozentsatz eintauchen mussten.

Das Problem verstehen

Die Bedeutung eines effektiven Kandidaten-Matchings kann nicht genug betont werden. Für unsere Recruiter sind die Einsätze hoch; ihr Erfolg hängt davon ab, die richtigen Kandidaten den Unternehmen zu präsentieren. Fehlanpassungen frustrieren nicht nur die Recruiter, sondern gefährden auch die Chancen der Kandidaten. Wir spürten diesen Druck besonders stark, während wir versuchten, den Einstellungsprozess sowohl für Kandidaten als auch für Unternehmen, die unsere Plattform nutzen, zu optimieren.

Das Kernproblem: Fehlende Übereinstimmung bei Fähigkeiten

Ein spezifisches Szenario hob unser Problem hervor: Ein Senior Software Engineer wurde aufgrund einer Fehlinterpretation seiner Fähigkeiten von unserem Algorithmus für eine Rolle übersehen. Unser Algorithmus hatte Schwierigkeiten mit Synonymen für Fähigkeiten; Begriffe wie „Softwareentwicklung“ und „Programmierung“ führten nicht immer zum gleichen Matching-Score, was zu Verwirrung führte. Diese Fehlanpassung bedeutete, dass qualifizierte Kandidaten in relevanten Stellenanzeigen nicht angezeigt wurden und unser Matching-System keinen Wert lieferte.

Erste Versuche: Fehlstarts und Rückschläge

In unseren ersten Versuchen, die Situation zu beheben, erkundeten wir, einfach mehr deterministische Filter basierend auf fest kodierten Fähigkeitssets hinzuzufügen. Dies schien einfach, adressierte jedoch letztendlich nicht das zugrunde liegende Problem des semantischen Verständnisses. Einer unserer Backend-Entwickler stellte schnell fest, dass dieser Ansatz die Flexibilität einschränkte und die Nuancen der menschlichen Sprache nicht berücksichtigte. Wir erkannten, dass wir eine ausgeklügeltere Lösung benötigten.

Ein neuer technischer Ansatz: LLM-Neuordnung

Wir entschieden uns, ein großes Sprachmodell (LLM) für die Neuordnung von Kandidaten nach einer anfänglichen Matching-Abfragephase zu implementieren. Der Prozess umfasst zwei Hauptschritte:

1. Abfrage: Kandidaten werden zunächst basierend auf deterministischen Filtern – Fähigkeiten, Erfahrung und Ausbildung – zugeordnet.
2. Neuordnung: Das LLM bewertet dann die Übereinstimmungen, berücksichtigt Synonyme, Kontext und Relevanz, um einen endgültigen Score zu liefern.

# Beispiel für die Neuordnung mit LLM
re_ranked_candidates = llm_model.rank(candidates, job_description)

Diese Methode verbesserte unsere Fähigkeit erheblich, Kandidaten zu identifizieren, deren Fähigkeiten aufgrund von Terminologieunterschieden möglicherweise übersehen wurden.

Beobachtbare Veränderungen in unserem Produkt

Nach der Einführung des neuen Algorithmus beobachteten wir signifikante Veränderungen. Kandidaten erhielten relevantere Stellenempfehlungen, was ihre Erfahrung auf unserer Plattform verbesserte. Recruiter berichteten auch von einer höheren Zufriedenheit mit der Qualität der Kandidatenübereinstimmungen, was zu schnelleren Einstellungen und verkürzten Einstellungszeiten führte. Diese Verbesserungen sind auf unseren Seiten /jobs und /for-companies zu sehen, wo Recruiter nun Zugang zu einem verfeinerten Kandidatenpool haben.

Wichtige Erkenntnisse aus unserer Erfahrung

• Sprache ist wichtig: Synonyme und Variationen in der Beschreibung von Fähigkeiten können die Ergebnisse des Matchings erheblich beeinflussen.
• Flexibilität ist entscheidend: Sich ausschließlich auf deterministische Filter zu verlassen, kann die Anpassungsfähigkeit des Algorithmus an die reale Sprachverwendung einschränken.
• Benutzerfeedback ist unbezahlbar: Direkte Rückmeldungen von Recruitern und Kandidaten halfen uns, Probleme zu identifizieren, die wir möglicherweise zunächst übersehen hatten.

Auswirkungen auf Kandidaten

Aus der Perspektive der Kandidaten bedeutet diese Verbesserung eine bessere Chance, für Rollen gematcht zu werden, die wirklich zu ihnen passen. Kandidaten können erwarten, Gelegenheiten zu sehen, die näher an ihren Fähigkeiten und Erfahrungen liegen, was zu einem zufriedenstellenderen Bewerbungsprozess führt.

Auswirkungen auf Recruiter

Recruiter können jetzt auf einen robusteren Matching-Algorithmus vertrauen, der die Nuancen der Sprache und der Kandidatenprofile berücksichtigt. Dies bedeutet eine verbesserte Effizienz bei der Rekrutierung von Kandidaten, was letztendlich ihren Einstellungszielen und den Unternehmen, die sie bedienen, zugutekommt.

Ausblick: Offene Fragen und zukünftige Richtungen

Obwohl wir erhebliche Fortschritte gemacht haben, erkennen wir an, dass noch Arbeit vor uns liegt. Wir überwachen weiterhin hartnäckige Probleme wie Erfahrungsinflation und Keyword-Stuffing, die die Matching-Prozentsätze weiterhin verzerren können. Wenn wir einen Aspekt rückgängig machen müssten, wäre es wahrscheinlich die übermäßig starre anfängliche Filterung, die unsere Flexibilität einschränkte. Wir sind entschlossen, unseren Ansatz zu verfeinern und zu erkunden, wie wir unseren Algorithmus weiter verbessern können. ---