---
Konkretna chwila: Wątek na Slacku, który zapoczątkował zmiany
Podczas ostatniego wątku na Slacku jeden z naszych rekruterów wyraził frustrację z powodu niedopasowanych profili kandydatów. Kandydat z mocnymi kwalifikacjami był pomijany w rolach, które wydawały się idealnie dopasowane. To zapoczątkowało dyskusję na temat naszego algorytmu dopasowania kandydatów AI i jego niedociągnięć. Wiedzieliśmy, że musimy głębiej zbadać mechanikę stojącą za naszym procentem dopasowania.
Zrozumienie problemu
Znaczenie skutecznego dopasowania kandydatów jest nie do przecenienia. Dla naszych rekruterów stawka jest wysoka; ich sukces zależy od przedstawienia odpowiednich kandydatów firmom. Niedopasowanie nie tylko frustruje rekruterów, ale także zagraża możliwościom kandydatów. Czuliśmy tę presję wyraźnie, gdy dążyliśmy do uproszczenia procesu rekrutacji zarówno dla kandydatów, jak i firm korzystających z naszej platformy.
Kluczowy problem: Niedopasowane umiejętności
Szczególny scenariusz uwypuklił nasz problem: starszy inżynier oprogramowania został pominięty w roli z powodu błędnej interpretacji jego umiejętności przez nasz algorytm. Nasz algorytm miał trudności z synonimami umiejętności; terminy takie jak „rozwój oprogramowania” i „programowanie” nie zawsze generowały ten sam wynik dopasowania, co prowadziło do zamieszania. To niedopasowanie oznaczało, że wykwalifikowani kandydaci nie byli pokazywani w odpowiednich ofertach pracy, a nasz system dopasowania nie dostarczał wartości.
Początkowe próby: Fałszywe starty i niepowodzenia
W naszych początkowych próbach naprawienia sytuacji, rozważaliśmy po prostu dodanie bardziej deterministycznych filtrów opartych na twardo zakodowanych zestawach umiejętności. To wydawało się proste, ale ostatecznie nie rozwiązywało podstawowego problemu zrozumienia semantycznego. Jeden z naszych inżynierów backendowych szybko zauważył, że to podejście ograniczało elastyczność i nie uwzględniało niuansów ludzkiego języka. Zrozumieliśmy, że potrzebujemy bardziej zaawansowanego rozwiązania.
Nowe podejście techniczne: Prze-rankowanie LLM
Zdecydowaliśmy się na wdrożenie dużego modelu językowego (LLM) do prze-rankowania kandydatów po początkowej fazie pobierania dopasowań. Proces ten obejmuje dwa główne kroki:
- Pobieranie: Kandydaci są początkowo dopasowywani na podstawie deterministycznych filtrów—umiejętności, doświadczenia i wykształcenia.
- Prze-rankowanie: LLM następnie ocenia dopasowania, uwzględniając synonimy, kontekst i istotność, aby dostarczyć ostateczny wynik.
# Przykład prze-rankowania z LLM
re_ranked_candidates = llm_model.rank(candidates, job_description)Metoda ta znacznie poprawiła naszą zdolność do ujawniania kandydatów, których umiejętności mogłyby zostać pominięte z powodu różnic w terminologii.
Widoczne zmiany w naszym produkcie
Po wdrożeniu nowego algorytmu zaobserwowaliśmy znaczące zmiany. Kandydaci zaczęli otrzymywać bardziej odpowiednie rekomendacje ofert pracy, co poprawiło ich doświadczenie na naszej platformie. Rekruterzy również zgłosili zwiększoną satysfakcję z jakości dopasowań kandydatów, co prowadziło do szybszych zatrudnień i skrócenia czasu rekrutacji. Te poprawy można zobaczyć na naszych stronach /jobs i /for-companies, gdzie rekruterzy mają teraz dostęp do bardziej dopasowanej puli kandydatów.
Kluczowe wnioski z naszego doświadczenia
- Język ma znaczenie: Synonimy i wariacje w opisach umiejętności mogą znacząco wpływać na wyniki dopasowania.
- Elastyczność jest kluczowa: Poleganie wyłącznie na deterministycznych filtrach może ograniczać zdolność algorytmu do dostosowania się do rzeczywistego użycia języka.
- Opinie użytkowników są nieocenione: Bezpośrednie informacje od rekruterów i kandydatów pomogły nam zidentyfikować problemy, które moglibyśmy przeoczyć na początku.
Implikacje dla kandydatów
Z perspektywy kandydata, ta poprawa oznacza lepszą szansę na dopasowanie do ról, w których naprawdę pasują. Kandydaci mogą oczekiwać, że zobaczą oferty, które będą bardziej zgodne z ich umiejętnościami i doświadczeniem, co prowadzi do bardziej satysfakcjonującego procesu poszukiwania pracy.
Implikacje dla rekruterów
Rekruterzy mogą teraz polegać na bardziej solidnym algorytmie dopasowania, który uwzględnia niuanse języka i profile kandydatów. Oznacza to zwiększoną efektywność w pozyskiwaniu kandydatów, co ostatecznie przynosi korzyści ich celom rekrutacyjnym i firmom, które obsługują.
Patrząc w przyszłość: Otwarte pytania i przyszłe kierunki
Chociaż poczyniliśmy znaczące postępy, zdajemy sobie sprawę, że wciąż jest wiele do zrobienia. Monitorujemy trwałe problemy, takie jak inflacja seniority i przeładowanie słów kluczowych, które mogą nadal zniekształcać procenty dopasowania. Gdybyśmy mieli cofnąć jeden aspekt, prawdopodobnie byłyby to zbyt sztywne początkowe filtry, które ograniczały naszą elastyczność. Jesteśmy zobowiązani do udoskonalenia naszego podejścia i zbadania, jak możemy jeszcze bardziej poprawić nasz algorytm. ---