---

Introducción al problema

En uno de nuestros días de trabajo, al discutir con el equipo los resultados de las pruebas de una nueva función, notamos que los usuarios a menudo se encontraban con problemas al buscar en la base de datos. Esto generaba insatisfacción y aumentaba el tiempo necesario para realizar las consultas. Uno de los desarrolladores planteó la cuestión: "¿Y si usamos GPT para el parsing de datos en lugar de para la búsqueda?".

Contexto del problema

El problema de la búsqueda en la base de datos era relevante para todo el equipo. Los usuarios que buscaban información sobre vacantes o candidatos se quejaban de la lentitud y la imprecisión de los resultados. Esto era crítico, ya que la calidad de la búsqueda determinaba cuán exitosos podíamos ser en ayudar a las empresas a encontrar los candidatos adecuados en /jobs y /for-companies. Entendíamos que resolver este problema podría mejorar significativamente la experiencia del usuario y aumentar la satisfacción del cliente.

Detalles del problema

Específicamente, nos encontramos en una situación en la que las consultas de los usuarios a menudo devolvían resultados irrelevantes. Por ejemplo, uno de los usuarios buscaba un candidato con experiencia en Java, pero obtenía una lista en la que predominaban los resultados sobre Python. Esto no solo irritaba a los usuarios, sino que también disminuía la confianza en nuestra plataforma.

Primeras intentos de solución

Inicialmente decidimos intentar mejorar el algoritmo de búsqueda utilizando métodos de filtrado y clasificación más complejos. Sin embargo, después de varias iteraciones y pruebas, nos dimos cuenta de que esto no resolvía el problema fundamental: la eficacia de la búsqueda en la base de datos dependía de las limitaciones de la propia estructura de datos. También consideramos la posibilidad de utilizar índices avanzados, pero esto requeriría gastos significativos en infraestructura y tiempo para su implementación.

Enfoque técnico para la solución

Finalmente, llegamos a la conclusión de que trasladar la funcionalidad de GPT a la etapa de parsing de datos sería más efectivo. Comenzamos la integración de GPT para analizar las consultas de los usuarios y extraer la información necesaria de la base de datos.

import openai

response = openai.ChatCompletion.create(
  model="gpt-3.5-turbo",
  messages=[{"role": "user", "content": "Encuentra un candidato con experiencia en Java"}]
)

Este enfoque nos permitió procesar las consultas de manera más flexible y precisa, mejorando la calidad de las respuestas y reduciendo el tiempo de respuesta.

Cambios en el producto

Después de integrar GPT en el parsing, notamos mejoras significativas en la calidad de los resultados. Los usuarios comenzaron a recibir resultados más relevantes, lo que tuvo un impacto positivo en la experiencia del usuario. También comenzamos a recibir comentarios positivos de las empresas que utilizaban /for-companies, que destacaban que encontrar candidatos adecuados se había vuelto más fácil y rápido.

Lecciones aprendidas

• Comprender la estructura de datos es crítico para elegir el enfoque correcto para la búsqueda.
• Utilizar GPT para el parsing de datos puede mejorar significativamente la precisión de los resultados.
• No hay que temer a abandonar soluciones iniciales si no están dando resultados.
• La retroalimentación de los usuarios debe ser el criterio principal para evaluar los cambios.

Qué significa esto para los candidatos

Para los candidatos, esto significa que ahora pueden esperar resultados más precisos al buscar vacantes en nuestra plataforma. El sistema de parsing mejorado les ayuda a encontrar ofertas adecuadas más rápidamente, lo que aumenta sus posibilidades de conseguir empleo.

Qué significa esto para los reclutadores

Para los reclutadores, esto les brinda la oportunidad de encontrar candidatos adecuados de manera más eficiente. Con el sistema de parsing mejorado, pueden identificar más rápidamente a los especialistas adecuados, lo que reduce el tiempo para cubrir vacantes y aumenta la productividad general.

Próximos pasos

No obstante, entendemos que el trabajo no ha terminado. Seguimos monitoreando cómo los usuarios interactúan con el nuevo sistema y recopilamos datos sobre cómo afecta su experiencia. Si tuviéramos que recorrer este camino nuevamente, probaríamos más a fondo diferentes enfoques de integración antes de tomar una decisión final. En el futuro, planeamos explorar oportunidades para mejorar los algoritmos de aprendizaje automático para una mayor optimización. ---