---

Введення в проблему

В один з робочих днів, обговорюючи з командою результати тестування нової функції, ми помітили, що користувачі часто стикалися з проблемами в пошуку по базі даних. Це викликало невдоволення і збільшувало час на виконання запитів. Один з розробників підняв питання: "А не спробувати чи використовувати GPT для парсингу даних, а не для пошуку?".

Контекст проблеми

Проблема з пошуком по базі даних була актуальною для всієї команди. Користувачі, які шукали інформацію про вакансії або кандидатів, скаржилися на повільність і неточність результатів. Це було критично, оскільки від якості пошуку залежало, наскільки успішно ми могли допомогти компаніям знаходити потрібних кандидатів на /jobs і /for-companies. Ми розуміли, що вирішення цієї проблеми може значно покращити користувацький досвід і підвищити задоволеність клієнтів.

Подробиці проблеми

Конкретно, ми стикнулися з ситуацією, коли запити користувачів часто повертали нерелевантні результати. Наприклад, один з користувачів шукав кандидата з досвідом у Java, але отримував список, в якому переважали результати по Python. Це не тільки дратувало користувачів, але й знижувало довіру до нашої платформи.

Перші спроби вирішення

Початково ми вирішили спробувати покращити алгоритм пошуку, використовуючи більш складні методи фільтрації та ранжування. Однак, після кількох ітерацій і тестів, ми зрозуміли, що це не вирішує основну проблему: ефективність пошуку по базі залежала від обмежень самої структури даних. Ми також розглянули можливість використання розширених індексів, але це вимагало б значних витрат на інфраструктуру і часу на реалізацію.

Технічний підхід до вирішення

Врешті-решт, ми прийшли до висновку, що перенесення функціональності GPT на етап парсингу даних буде більш ефективним. Ми почали інтеграцію GPT для аналізу запитів користувачів і витягування потрібної інформації з бази даних.

import openai

response = openai.ChatCompletion.create(
  model="gpt-3.5-turbo",
  messages=[{"role": "user", "content": "Знайди кандидата з досвідом у Java"}]
)

Цей підхід дозволив нам обробляти запити більш гнучко і точно, покращуючи якість відповідей і скорочуючи час відповіді.

Зміни в продукті

Після інтеграції GPT у парсинг ми помітили значні поліпшення в якості видачі. Користувачі стали отримувати більш релевантні результати, що позитивно позначилося на користувацькому досвіді. Ми також почали отримувати позитивні відгуки від компаній, які використовують /for-companies, які відзначали, що знаходити підходящих кандидатів стало простіше і швидше.

Уроки, які ми витягнули

• Розуміння структури даних критично важливе для вибору правильного підходу до пошуку.
• Використання GPT для парсингу даних може значно покращити точність видачі.
• Не варто боятися відмовлятися від початкових рішень, якщо вони не приносять результатів.
• Зворотний зв'язок від користувачів має бути основним критерієм для оцінки змін.

Що це означає для кандидатів

Для кандидатів це означає, що тепер вони можуть очікувати більш точні результати, коли шукають вакансії на нашій платформі. Покращена система парсингу допомагає їм швидше знаходити підходящі пропозиції, що підвищує їх шанси на успішне працевлаштування.

Що це означає для рекрутерів

Рекрутерам це дає можливість більш ефективно знаходити потрібних кандидатів. З покращеною системою парсингу вони можуть швидше ідентифікувати підходящих спеціалістів, що скорочує час на заповнення вакансій і підвищує загальну продуктивність.

Наступні кроки

Проте, ми розуміємо, що робота не закінчена. Ми продовжуємо стежити за тим, як користувачі взаємодіють з новою системою, і збираємо дані про те, як вона впливає на їх досвід. Якби нам довелося повторити цей шлях, ми б більш ретельно тестували різні підходи до інтеграції перед прийняттям остаточного рішення. У майбутньому ми плануємо досліджувати можливості покращення алгоритмів машинного навчання для подальшої оптимізації. ---