---

Wyzwanie przesiewania CV z wykorzystaniem AI w procesach rekrutacyjnych

W jednej z ostatnich dyskusji na Slacku, jeden z naszych rekruterów wyraził frustrację z powodu liczby wykwalifikowanych kandydatów, którzy byli pomijani przez nasz system przesiewania CV. To zapoczątkowało rozmowę na temat tego, jak możemy poprawić dokładność naszych procesów przesiewania opartych na AI. Gdy zagłębiliśmy się w ten temat, stało się jasne, że nasze podejście wymaga dopracowania, aby zapewnić sprawiedliwość i efektywność w ocenie kandydatów.

Zrozumienie stawki

Przesiewanie CV z wykorzystaniem AI stało się podstawą nowoczesnej rekrutacji. W miarę jak firmy się rozwijają, liczba aplikacji może szybko przytłoczyć zespoły HR. Rekruterzy czują presję, aby przesiać setki CV, jednocześnie zapewniając, że żaden wykwalifikowany kandydat nie zostanie pominięty. Fałszywe negatywy – sytuacje, w których wykwalifikowani kandydaci są błędnie odrzucani – mogą prowadzić do utraty talentu i hamować rozwój organizacji. Dla nas, poprawa naszego algorytmu przesiewania oznaczała nie tylko lepsze doświadczenie kandydatów, ale także optymalizację efektywności rekrutacji.

Rozwój problemu

Początkowo zauważyliśmy, że nasz system odrzucał kandydatów z różnorodnymi doświadczeniami i umiejętnościami, często z powodu braku dopasowania słów kluczowych. Na przykład, kandydat z dużym doświadczeniem w zarządzaniu projektami, używający tytułu „Koordynator Projektu”, był oznaczany jako niekwalifikowany tylko dlatego, że nasz system był trenowany na CV, w których dominował tytuł „Kierownik Projektu”. To ujawniło znaczną wadę w naszych procesach analizy i ekstrakcji, które były zbyt sztywne w interpretacji kwalifikacji.

Początkowe próby i nauka na błędach

Nasze pierwsze podejście polegało na rozszerzeniu bazy słów kluczowych używanych w procesie przesiewania. Jednak doprowadziło to do zalewu nieistotnych aplikacji, jeszcze bardziej przytłaczając naszych rekruterów. Zrozumieliśmy, że samo zwiększenie listy słów kluczowych nie było skutecznym rozwiązaniem; potrzebowało bardziej zniuansowanego podejścia. W rezultacie postanowiliśmy skupić się na poprawie naszych możliwości strukturalnej ekstrakcji, aby lepiej interpretować różne tytuły zawodowe i istotne doświadczenie.

Nasze techniczne rozwiązanie

Przeprojektowaliśmy nasze oprogramowanie do przesiewania CV, aby włączyć zaawansowane techniki przetwarzania języka naturalnego (NLP). Dzięki temu mogliśmy skuteczniej analizować CV i ekstraktować dane strukturalne, koncentrując się na kontekście, a nie tylko na słowach kluczowych.

import spacy

nlp = spacy.load('en_core_web_sm')

def extract_skills(resume_text):
    doc = nlp(resume_text)
    skills = [ent.text for ent in doc.ents if ent.label_ == 'SKILL']
    return skills

Poprawiając naszą efektywność analizy, mogliśmy lepiej zrozumieć umiejętności i doświadczenia kandydatów, niezależnie od tego, jak przedstawiali swoje tło. Kluczowe było przejście od ścisłego dopasowania słów kluczowych do kontekstowego zrozumienia kwalifikacji.

Zmiany w produkcie i wpływ na użytkowników

Wprowadzone zmiany zaowocowały zauważalnym spadkiem liczby fałszywych negatywów. Kandydaci, którzy wcześniej byli pomijani, teraz byli dokładnie dopasowywani do wymagań pracy. Ta poprawa nie tylko wzbogaciła doświadczenie aplikantów, ale także zmniejszyła obciążenie naszego zespołu rekrutacyjnego. Jako bezpośredni skutek zaobserwowaliśmy wzrost liczby wykwalifikowanych kandydatów przechodzących do etapu rozmów kwalifikacyjnych, co jest kluczowe dla naszych celów rekrutacyjnych przedstawionych na naszej stronie /jobs.

Wnioski wyciągnięte z rozwoju

W trakcie tego procesu nauczyliśmy się kilku nieintuicyjnych lekcji:

• Kontekst ma większe znaczenie niż słowa kluczowe: Zrozumienie znaczenia doświadczeń kandydatów prowadziło do dokładniejszych dopasowań.
• Różnorodne tytuły zawodowe są cenne: Poszerzenie naszego spojrzenia na tytuły zawodowe może ujawnić ukryte talenty.
• Ciągłe uczenie się jest niezbędne: Regularne aktualizacje naszego modelu są konieczne, aby nadążyć za ewoluującą terminologią branżową.
• Opinie rekruterów są kluczowe: Ich spostrzeżenia bezpośrednio informują nasze dostosowania i ulepszenia.

Wskazówki dla kandydatów

Dla kandydatów poruszających się w świecie AI w przesiewaniu CV, kluczowe jest dostosowanie swojego CV nie tylko do wypisania umiejętności. Używaj standardowych tytułów zawodowych tam, gdzie to możliwe, ale także dostarczaj kontekstu wokół swoich doświadczeń. Podkreślaj osiągnięcia i kwantyfikuj swoje wyniki. Takie podejście nie tylko zwiększa szanse na przejście przez oprogramowanie przesiewające, ale także rezonuje z rekruterami poszukującymi namacalnych dowodów Twojego wpływu.

Rady dla rekruterów

Jako rekruter, bądź świadomy ograniczeń przesiewania CV z wykorzystaniem AI. Kluczowe jest zrównoważenie procesów automatycznych z ludzkim wglądem. Regularnie przeglądaj odrzucone aplikacje, aby zidentyfikować wzorce fałszywych negatywów. Ta praktyka może pomóc w dopracowaniu Twoich kryteriów przesiewania i zapewnieniu, że utalentowane osoby nie są pomijane tylko z powodu ich sformułowań lub formatowania.

Patrząc w przyszłość

Chociaż nasze ostatnie zmiany znacznie poprawiły nasz proces przesiewania, zdajemy sobie sprawę, że zawsze jest więcej do zrobienia. Obecnie monitorujemy wpływ tych aktualizacji na jakość kandydatów i badamy integrację bardziej zaawansowanych modeli AI. Gdybyśmy mieli ponownie przemyśleć nasze podejście, priorytetem byłaby jeszcze większa elastyczność w analizie różnorodnych kwalifikacji, aby zminimalizować stronniczość i poprawić inkluzyjność w rekrutacji. ---