---

Po co to było potrzebne: pierwszy sygnał w Slacku

Pewnego dnia w Slacku zobaczyliśmy wiadomość od jednego z naszych rekruterów: "Wygląda na to, że AI nie rozumie, co znaczy być Senior Go developerem". To nie było tylko narzekanie — dotyczyło to całego naszego systemu rekrutacji. Zaczęliśmy rozumieć, że błędy w ocenie kandydatów mogą prowadzić do utraty czasu i zasobów dla naszego zespołu oraz firm, z którymi współpracujemy.

Kontekst problemu

W dzisiejszym świecie rekrutacja wymaga wysokiej precyzji. Staraliśmy się wykorzystać AI do automatyzacji oceny kandydatów, ale z każdym nowym zgłoszeniem napotykaliśmy rosnące problemy z AI-hallucynacjami. Kandydaci, którzy wyraźnie nie pasowali do wymagań, przechodzili do następnego etapu. To powodowało niezadowolenie wśród rekruterów i obniżało zaufanie do naszej platformy.

Problem w szczegółach

Jednym z wyraźnych przykładów było niedawne CV, które trafiło do naszego systemu. Kandydat twierdził, że ma 10-letnie doświadczenie w Go, ale w jego profilu nie było wzmianki o konkretnych projektach lub technologiach związanych z tą platformą. AI określiło go jako silnego kandydata, ale po dokładniejszej analizie zrozumieliśmy, że to była po prostu halucynacja.

Pierwsze próby rozwiązania

Nasza pierwsza próba obejmowała użycie prostych słów kluczowych do filtrowania CV. Jednak, jak pokazała praktyka, to nie rozwiązywało problemu. Kandydaci z niewystarczającym doświadczeniem wciąż trafiali do systemu. Nawet rozważaliśmy wprowadzenie wielopoziomowego testowania, ale to zwiększało czas i zasoby poświęcane na selekcję.

Techniczne podejście

Ostatecznie postanowiliśmy połączyć kilka podejść. Dodaliśmy deterministyczne filtry, które sprawdzały obecność konkretnych technologii i projektów w CV. Wprowadziliśmy również analizę sygnałów kwalifikacji, uwzględniającą nie tylko doświadczenie, ale także udział w projektach open-source czy publikacje. Dodatkowo wykorzystaliśmy buforowane wyjaśnienia GPT do głębszej analizy.

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

Co zmieniło się w produkcie

Po wdrożeniu nowych filtrów i metod analizy zauważyliśmy znaczący spadek liczby kandydatów z nieuzasadnionymi oczekiwaniami. To pozwoliło rekruterom skupić się na naprawdę wykwalifikowanych specjalistach, poprawiając tym samym jakość rekrutacji. Zaktualizowaliśmy również strony /jobs i /for-companies, aby odzwierciedlić nowe podejście do oceny kandydatów.

Czego się nauczyliśmy

• Weryfikacja faktów jest ważniejsza, niż się wydaje. Proste słowa kluczowe nie dadzą dokładnego obrazu.
• Deterministyczne filtry mogą znacznie poprawić jakość wyników.
• Informacje zwrotne od rekruterów są kluczem do poprawy procesów.
• Wykorzystanie buforowanych danych pozwala skrócić czas przetwarzania zapytań.

Co to oznacza dla kandydatów

Dla kandydatów oznacza to, że ich CV będzie analizowane z uwzględnieniem rzeczywistych umiejętności i doświadczenia. Dążymy do stworzenia bardziej uczciwego i przejrzystego systemu rekrutacji, w którym wasze osiągnięcia będą odpowiednio oceniane. To także oznacza, że kandydaci mają większe szanse na uzyskanie rozmowy kwalifikacyjnej, jeśli ich kwalifikacje odpowiadają wymaganiom.

Co to oznacza dla rekruterów

Rekruterzy mogą być pewni, że system skutecznie filtruje kandydatów, co pozwala im skupić się na ważniejszych aspektach pracy. To zaoszczędzi czas i poprawi jakość zatrudnienia. Co więcej, będą mogli dostarczać lepsze rekomendacje na podstawie dokładnych danych.

Następne kroki

Pomimo osiągniętego postępu rozumiemy, że praca nie jest zakończona. Nadal monitorujemy jakość analizy i jesteśmy gotowi wprowadzać zmiany w algorytmach, gdy zajdzie taka potrzeba. Gdybyśmy mieli możliwość powrotu na początku, moglibyśmy od razu zintegrować bardziej zaawansowane metody analizy, aby uniknąć początkowych trudności. ---