---

Навіщо це було потрібно: перша тривога в Slack

В один із днів у Slack ми побачили повідомлення від одного з наших рекрутерів: "Схоже, ІІ не розуміє, що означає бути Senior Go розробником". Це було не просто скарга — це стосувалося всієї нашої системи підбору кадрів. Ми почали усвідомлювати, що помилки в оцінці кандидатів можуть призвести до втрати часу та ресурсів для нашої команди та компаній, з якими ми працюємо.

Контекст проблеми

У сучасному світі рекрутинг вимагає високої точності. Ми прагнули використовувати ІІ для автоматизації оцінки кандидатів, але з кожним новим відгуком ми стикалися з зростаючими проблемами ІІ-галюцинацій. Кандидати, які явно не підходили за кваліфікацією, проходили на наступний етап. Це створювало незадоволення серед рекрутерів і знижувало довіру до нашої платформи.

Проблема в деталях

Одним із яскравих прикладів було недавнє резюме, яке потрапило в нашу систему. Кандидат заявляв про наявність 10 років досвіду в Go, але в його профілі не було згадок про конкретні проекти чи технології, пов'язані з цією платформою. ІІ визначив його як сильного кандидата, але при більш детальному аналізі ми зрозуміли, що це була просто галюцинація.

Перші спроби вирішення

Наша перша спроба включала використання простих ключових слів для фільтрації резюме. Однак, як показала практика, це не вирішувало проблеми. Кандидати з недостатнім досвідом все ще потрапляли в систему. Ми навіть розглядали можливість введення багаторівневого тестування, але це збільшувало час і ресурси, витрачені на відбір.

Технічний підхід

Врешті-решт ми вирішили поєднати кілька підходів. Ми додали детерміновані фільтри, які перевіряли наявність конкретних технологій і проектів у резюме. Також ми впровадили аналіз сигналів кваліфікації, що враховує не лише досвід, але й участь в open-source проектах або публікації. Як доповнення ми використали кешовані пояснення GPT для більш глибокого аналізу.

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

Що змінилося в продукті

Після впровадження нових фільтрів і методів аналізу ми помітили значне зниження кількості кандидатів з необґрунтованими очікуваннями. Це дозволило рекрутерам зосередитися на дійсно кваліфікованих спеціалістах, тим самим покращивши якість підбору. Ми також оновили сторінки /jobs та /for-companies, щоб відобразити новий підхід до оцінки кандидатів.

Чому ми навчилися

• Перевірка фактів важливіша, ніж здається. Прості ключові слова не дадуть точної картини.
• Детерміновані фільтри можуть значно покращити якість видачі.
• Зворотний зв'язок від рекрутерів — ключ до покращення процесів.
• Використання кешованих даних дозволяє скоротити час обробки запитів.

Що це означає для кандидатів

Для кандидатів це означає, що їх резюме буде аналізуватися з урахуванням реальних навичок і досвіду. Ми прагнемо створити більш чесну і прозору систему підбору, де ваші досягнення будуть оцінені по достоїнству. Це також означає, що кандидати отримають вищі шанси на отримання інтерв'ю, якщо їх кваліфікація відповідає вимогам.

Що це означає для рекрутерів

Рекрутери можуть бути впевнені в тому, що система ефективно фільтрує кандидатів, що дозволяє їм зосередитися на більш важливих аспектах роботи. Це заощадить час і покращить якість найму. Більше того, вони зможуть надавати більш якісні рекомендації на основі точних даних.

Наступні кроки

Незважаючи на досягнутий прогрес, ми розуміємо, що робота не закінчена. Ми продовжуємо стежити за якістю аналізу і готові вносити зміни в алгоритми за необхідності. Якби у нас була можливість повернутися на початок, ми могли б відразу інтегрувати більш складні методи аналізу, щоб уникнути початкових труднощів. ---