---

Warum das notwendig war: die erste Alarmmeldung in Slack

An einem Tag sahen wir in Slack eine Nachricht von einem unserer Recruiter: "Es scheint, dass die KI nicht versteht, was es bedeutet, ein Senior Go-Entwickler zu sein". Das war nicht nur eine Beschwerde — es betraf unser gesamtes System der Personalauswahl. Wir begannen zu erkennen, dass Fehler bei der Bewertung von Kandidaten zu einem Verlust von Zeit und Ressourcen für unser Team und die Unternehmen, mit denen wir zusammenarbeiten, führen könnten.

Kontext des Problems

In der modernen Welt erfordert Recruiting hohe Präzision. Wir strebten an, KI zur Automatisierung der Bewertung von Kandidaten zu nutzen, aber mit jeder neuen Bewerbung stießen wir auf wachsende Probleme mit KI-Halluzinationen. Kandidaten, die offensichtlich nicht die erforderlichen Qualifikationen hatten, schafften es in die nächste Runde. Dies führte zu Unzufriedenheit unter den Recruitern und verringerte das Vertrauen in unsere Plattform.

Das Problem im Detail

Ein prägnantes Beispiel war ein kürzlich eingegangenes Lebenslauf, das in unser System gelangte. Der Kandidat gab an, 10 Jahre Erfahrung in Go zu haben, aber in seinem Profil fehlten Hinweise auf spezifische Projekte oder Technologien, die mit dieser Plattform verbunden sind. Die KI bewertete ihn als starken Kandidaten, aber bei genauerer Analyse wurde uns klar, dass es sich nur um eine Halluzination handelte.

Erste Lösungsversuche

Unser erster Versuch bestand darin, einfache Schlüsselwörter zur Filterung von Lebensläufen zu verwenden. Allerdings zeigte die Praxis, dass dies das Problem nicht löste. Kandidaten mit unzureichender Erfahrung schafften es weiterhin in das System. Wir zogen sogar in Betracht, mehrstufige Tests einzuführen, aber das würde die Zeit und Ressourcen für die Auswahl erhöhen.

Technischer Ansatz

Letztendlich entschieden wir uns, mehrere Ansätze zu kombinieren. Wir fügten deterministische Filter hinzu, die das Vorhandensein spezifischer Technologien und Projekte im Lebenslauf überprüften. Außerdem implementierten wir die Analyse von Qualifikationssignalen, die nicht nur die Erfahrung, sondern auch die Teilnahme an Open-Source-Projekten oder Veröffentlichungen berücksichtigte. Zusätzlich verwendeten wir gecachte Erklärungen von GPT für eine tiefere Analyse.

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

Was sich im Produkt geändert hat

Nach der Implementierung neuer Filter und Analysemethoden bemerkten wir einen signifikanten Rückgang der Anzahl der Kandidaten mit unbegründeten Erwartungen. Dies ermöglichte es den Recruitern, sich auf tatsächlich qualifizierte Fachkräfte zu konzentrieren, wodurch die Qualität der Auswahl verbessert wurde. Wir haben auch die Seiten /jobs und /for-companies aktualisiert, um den neuen Ansatz zur Bewertung von Kandidaten widerzuspiegeln.

Was wir gelernt haben

• Faktenprüfung ist wichtiger, als es scheint. Einfache Schlüsselwörter liefern kein genaues Bild.
• Deterministische Filter können die Qualität der Ergebnisse erheblich verbessern.
• Feedback von Recruitern ist der Schlüssel zur Verbesserung der Prozesse.
• Die Nutzung von gecachten Daten ermöglicht eine Verkürzung der Verarbeitungszeit von Anfragen.

Was das für Kandidaten bedeutet

Für Kandidaten bedeutet das, dass ihre Lebensläufe unter Berücksichtigung realer Fähigkeiten und Erfahrungen analysiert werden. Wir streben an, ein gerechteres und transparenteres Auswahlverfahren zu schaffen, bei dem Ihre Leistungen angemessen gewürdigt werden. Das bedeutet auch, dass Kandidaten höhere Chancen auf ein Vorstellungsgespräch haben, wenn ihre Qualifikationen den Anforderungen entsprechen.

Was das für Recruiter bedeutet

Recruiter können sicher sein, dass das System Kandidaten effektiv filtert, was es ihnen ermöglicht, sich auf wichtigere Aspekte ihrer Arbeit zu konzentrieren. Das spart Zeit und verbessert die Qualität der Einstellung. Darüber hinaus können sie qualitativ hochwertigere Empfehlungen auf der Grundlage genauer Daten geben.

Nächste Schritte

Trotz der erreichten Fortschritte verstehen wir, dass die Arbeit nicht abgeschlossen ist. Wir beobachten weiterhin die Qualität der Analyse und sind bereit, bei Bedarf Änderungen an den Algorithmen vorzunehmen. Hätten wir die Möglichkeit, zurückzugehen, könnten wir sofort komplexere Analysemethoden integrieren, um die anfänglichen Schwierigkeiten zu vermeiden. ---