Запуск AI-поиска вакансий на Laravel и MySQL

Недавно в нашей команде возникла обсуждение в Slack о том, как сделать поиск вакансий более релевантным для кандидатов. Один из разработчиков предложил использовать AI для улучшения точности подбора, и мы решили, что это именно то, что нам нужно. Это решение предстояло реализовать на Laravel с использованием MySQL в качестве базы данных.

Почему это было важно

Существующий механизм поиска не удовлетворял потребности пользователей: кандидаты часто не находили подходящие вакансии или получали нерелевантные результаты. Это вызывало недовольство и снижало доверие к нашей платформе. Последствия были серьезными — снижение количества откликов на вакансии и, как следствие, уменьшение потока кандидатов на страницы /jobs и /for-candidates. Нам нужно было понять, как использовать AI, чтобы изменить ситуацию.

Проблема в деталях

Поиск вакансий часто возвращал результаты, которые не соответствовали ни опыту кандидата, ни его предпочтениям. Например, один из пользователей, имеющий опыт работы в маркетинге, получал вакансии для технических специалистов. Это не только вызывало недовольство, но и снижало эффективность поиска. Наша задача заключалась в том, чтобы найти способ сделать поиск более умным и адаптивным к потребностям пользователей.

Первые попытки

Мы начали с простого подхода — попытались улучшить существующий алгоритм поиска, добавив некоторые фильтры. Однако это решение не дало значительных результатов. Мы быстро поняли, что недостаточно просто улучшить фильтрацию. Наша команда решила, что нам нужно больше данных и более сложные алгоритмы для обработки запросов.

Технический подход

В конечном итоге мы выбрали подход, основанный на машинном обучении, который позволил нам использовать данные о прошлом взаимодействии пользователей с платформой для создания более точных рекомендаций. Мы интегрировали библиотеку для обработки естественного языка (NLP), которая анализировала резюме и сопоставляла их с вакансиями.

// Пример кода для обработки запросов
public function searchJobs($query) {
    $results = Job::where('title', 'LIKE', '%' . $query . '%')
        ->orWhere('description', 'LIKE', '%' . $query . '%')
        ->get();
    return $results;
}

Этот код стал частью более сложной системы, которая учитывала не только текстовые совпадения, но и контекстные данные, такие как предпочтения кандидатов и активность на платформе.

Изменения в продукте

После внедрения нового поиска мы заметили ощутимые изменения в пользовательском опыте. Кандидаты начали получать более релевантные вакансии, что привело к увеличению числа откликов на предложения. Более того, мы получили положительные отзывы на страницах /for-candidates и /companies, где пользователи отмечали, что теперь находят именно то, что искали. Это улучшение также способствовало увеличению числа подписок на платные услуги на странице /pricing.

Чему мы научились

• Простое улучшение существующего алгоритма не всегда приводит к ожидаемым результатам.
• Использование данных о поведении пользователей позволяет создать более точные алгоритмы.
• Интеграция NLP может значительно повысить качество поиска.
• Важно тестировать разные подходы и не бояться отказываться от первоначальных идей, если они не работают.
• Обратная связь от пользователей — ключ к пониманию эффективности изменений.

Что это значит для кандидатов

Для кандидатов это означает, что теперь процесс поиска вакансий стал более интуитивным и эффективным. Вы можете ожидать, что поисковая система будет учитывать ваши навыки и предпочтения, предлагая вам более подходящие вакансии. Это значительно сократит время, затрачиваемое на поиск работы, и повысит вероятность нахождения идеального предложения.

Что это значит для рекрутеров

Рекрутерам это открывает новые возможности для привлечения подходящих кандидатов. Более точный поиск позволит им быстрее находить специалистов, соответствующих их требованиям. Это значит, что они смогут более эффективно заполнять вакансии и сокращать время на поиск подходящих сотрудников.

Следующие шаги

Несмотря на достигнутые успехи, мы продолжаем следить за работой нового алгоритма. В будущем планируем добавить больше параметров для анализа и улучшить обработку данных. Если бы нам пришлось возвращаться назад, мы бы уделили больше внимания тестированию в ранних стадиях, чтобы избежать некоторых ошибок. Мы уверены, что дальнейшие улучшения приведут к еще более высокой удовлетворенности пользователей и рекрутеров.