---
Un Momento Concreto: El Hilo de Slack que Provocó el Cambio
Durante un reciente hilo en Slack, uno de nuestros reclutadores compartió su frustración por los perfiles de candidatos desajustados. Un candidato con fuertes cualificaciones estaba siendo pasado por alto para roles que parecían encajar a la perfección. Esto provocó una discusión sobre nuestro algoritmo de coincidencia de candidatos con IA y sus deficiencias. Sabíamos que teníamos que profundizar en la mecánica detrás de nuestro porcentaje de coincidencia.
Entendiendo el Problema
La importancia de una coincidencia efectiva de candidatos no puede subestimarse. Para nuestros reclutadores, las apuestas son altas; su éxito depende de presentar a los candidatos adecuados a las empresas. La desalineación no solo frustra a los reclutadores, sino que también pone en peligro las oportunidades de los candidatos. Sentimos esta presión de manera aguda mientras buscábamos agilizar el proceso de contratación tanto para candidatos como para empresas que utilizan nuestra plataforma.
El Problema Central: Habilidades Desajustadas
Un escenario específico destacó nuestro problema: un ingeniero de software senior fue pasado por alto para un rol debido a que nuestro algoritmo malinterpretó sus habilidades. Nuestro algoritmo tenía dificultades con los sinónimos de habilidades; términos como “desarrollo de software” y “programación” no siempre activaban la misma puntuación de coincidencia, lo que generaba confusión. Esta desalineación significaba que candidatos cualificados no estaban apareciendo en ofertas de trabajo relevantes, y nuestro sistema de coincidencia estaba fallando en proporcionar valor.
Intentos Iniciales: Comienzos Falsos y Retrocesos
En nuestros intentos iniciales de remediar la situación, exploramos simplemente añadir más filtros deterministas basados en conjuntos de habilidades codificados. Esto parecía sencillo, pero en última instancia no abordó el problema subyacente de la comprensión semántica. Uno de nuestros ingenieros de backend identificó rápidamente que este enfoque limitaba la flexibilidad y no tenía en cuenta las sutilezas del lenguaje humano. Nos dimos cuenta de que necesitábamos una solución más sofisticada.
Un Nuevo Enfoque Técnico: Reordenación con LLM
Decidimos implementar un modelo de lenguaje grande (LLM) para reordenar a los candidatos después de una fase inicial de recuperación de coincidencias. El proceso implica dos pasos principales:
- Recuperación: Los candidatos son inicialmente emparejados en función de filtros deterministas: habilidades, experiencia y educación.
- Reordenación: El LLM evalúa entonces las coincidencias, considerando sinónimos, contexto y relevancia para proporcionar una puntuación final.
# Ejemplo de reordenación con LLM
re_ranked_candidates = llm_model.rank(candidates, job_description)Este método mejoró drásticamente nuestra capacidad para presentar candidatos cuyas habilidades podrían haber sido pasadas por alto debido a diferencias terminológicas.
Cambios Observables en Nuestro Producto
Después de implementar el nuevo algoritmo, observamos cambios significativos. Los candidatos comenzaron a recibir recomendaciones de trabajo más relevantes, mejorando su experiencia en nuestra plataforma. Los reclutadores también informaron una mayor satisfacción con la calidad de las coincidencias de candidatos, lo que llevó a colocaciones más rápidas y métricas de tiempo de contratación reducidas. Estas mejoras se pueden ver en nuestras páginas /jobs y /for-companies, donde los reclutadores ahora tienen acceso a un grupo de candidatos más refinado.
Conclusiones Clave de Nuestra Experiencia
- El lenguaje importa: Los sinónimos y variaciones en las descripciones de habilidades pueden afectar significativamente los resultados de coincidencia.
- La flexibilidad es crucial: Confiar únicamente en filtros deterministas puede limitar la adaptabilidad del algoritmo al uso del lenguaje en el mundo real.
- La retroalimentación de los usuarios es invaluable: La entrada directa de reclutadores y candidatos nos ayudó a identificar problemas que podríamos haber pasado por alto inicialmente.
Implicaciones para los Candidatos
Desde la perspectiva de un candidato, esta mejora significa una mejor oportunidad de ser emparejado con roles donde realmente encajan. Los candidatos pueden esperar ver oportunidades que se alineen más estrechamente con sus habilidades y experiencias, lo que lleva a un proceso de búsqueda de empleo más satisfactorio.
Implicaciones para los Reclutadores
Los reclutadores ahora pueden confiar en un algoritmo de coincidencia más robusto que tiene en cuenta las sutilezas del lenguaje y los perfiles de los candidatos. Esto significa una mayor eficiencia en la búsqueda de candidatos, beneficiando en última instancia sus objetivos de contratación y las empresas a las que sirven.
Mirando Hacia Adelante: Preguntas Abiertas y Direcciones Futuras
Si bien hemos logrado avances significativos, reconocemos que aún queda trabajo por hacer. Estamos monitoreando problemas persistentes como la inflación de seniority y el relleno de palabras clave, que aún pueden distorsionar los porcentajes de coincidencia. Si tuviéramos que deshacer un aspecto, probablemente serían los filtros iniciales demasiado rígidos que limitaban nuestra flexibilidad. Estamos comprometidos a refinar nuestro enfoque y explorar cómo podemos mejorar aún más nuestro algoritmo. ---