---
Wprowadzenie do problemu
Niedawno w Slacku rozmawialiśmy o tym, jak automatyzacja może uprościć proces rankingowania kandydatów. Jeden z programistów zaproponował użycie GPT do uproszczenia tego zadania, ale rozmowa szybko stała się napięta. Niektórzy z nas pamiętali negatywne doświadczenia, gdy automatyzacja prowadziła do błędów, co skłoniło nas do refleksji nad tym, na ile możemy zaufać algorytmowi w tak ważnym procesie.
Kontekst: dlaczego to ważne
Ranking kandydatów to nie tylko zadanie, to krytyczny etap w procesie rekrutacji. Błędy na tym etapie mogą prowadzić do utraty talentów lub, odwrotnie, do zatrudnienia niewłaściwych pracowników. W naszej drużynie jest wielu ludzi z doświadczeniem w rekrutacji i wszyscy rozumieliśmy, że automatyzacja powinna być nie tylko szybka, ale i niezawodna. Wiedzieliśmy, że błędy mogą kosztować firmę zarówno straty finansowe, jak i reputacyjne.
Problem w szczegółach
Jednym z przykładów, które rozważaliśmy, była sytuacja, gdy GPT błędnie zinterpretował CV kandydata. Kandydat z dużym doświadczeniem w IT został oceniony niżej niż mniej doświadczony specjalista, tylko dlatego, że jego CV zawierało bardziej skomplikowane terminy, które GPT nie mogło poprawnie przetworzyć. Doprowadziło to do utraty potencjalnie wartościowego pracownika, co podważyło zaufanie do zautomatyzowanych systemów.
Pierwsze próby
Zaczęliśmy od prostej integracji GPT w naszym procesie, mając nadzieję, że algorytm będzie w stanie oceniać CV według zadanych kryteriów. Jednak po kilku testach zrozumieliśmy, że mimo wysokich ocen dokładności, model wciąż popełniał błędy. Postanowiliśmy wrócić do ręcznej analizy, ale okazało się to nieefektywne przy zwiększającym się wolumenie kandydatów.
Techniczne podejście
Ostatecznie wybraliśmy podejście, które łączyło w sobie najlepsze cechy obu światów: wykorzystanie GPT jako narzędzia pomocniczego do oceny, ale z dodatkowymi warstwami weryfikacji i ręcznej analizy. Opracowaliśmy algorytm, który najpierw rankingował kandydatów za pomocą GPT, a następnie przekazywał wyniki zespołowi rekruterów do ostatecznej weryfikacji. Przykład kodu, który wykorzystaliśmy do integracji:
# Przykład kodu do integracji GPT
results = gpt_model.rank_candidates(resumes)
validated_results = validate_results(results)Zmiany w produkcie
Po wdrożeniu nowego systemu zauważyliśmy, że dokładność rankingowania wzrosła o 30% w porównaniu z poprzednią wersją. To również pozwoliło nam skrócić czas przetwarzania CV, co pozytywnie wpłynęło na doświadczenie zarówno kandydatów, jak i rekruterów. Zaktualizowaliśmy sekcje na /jobs i /for-companies, aby odzwierciedlić te zmiany.
Czego się nauczyliśmy
- Automatyzacja może być przydatna, ale wymaga kontroli.
- Ważne jest łączenie rozwiązań technologicznych z ludzkim doświadczeniem.
- Pełne zaufanie do AI może prowadzić do utraty talentów.
- Konieczne jest ciągłe testowanie i doskonalenie algorytmów.
- Ręczna weryfikacja pozostaje ważnym etapem w procesie.
Co to oznacza dla kandydatów
Kandydaci mogą oczekiwać bardziej sprawiedliwej oceny swoich CV dzięki połączonemu podejściu. Staramy się uwzględniać nie tylko słowa kluczowe, ale także ogólny kontekst, co pozwala lepiej zrozumieć ich doświadczenie i umiejętności.
Co to oznacza dla rekruterów
Rekruterzy mogą teraz pracować bardziej efektywnie, wykorzystując GPT do wstępnej analizy, a nie jako jedyne źródło oceny. To pozwala skupić się na ważniejszych aspektach, takich jak interakcja z kandydatami i ich cechy osobiste.
Następne kroki
Nadal obserwujemy działanie naszego systemu i planujemy okresowe aktualizacje algorytmów GPT w celu zwiększenia dokładności. W przyszłości rozważamy również wprowadzenie dodatkowych metryk do analizy wyników. Gdybyśmy mogli coś zmienić w procesie, dodalibyśmy więcej etapów weryfikacji w celu zwiększenia pewności co do wyników. ---