---

بداية الطريق: حديث في Slack

في أحد الأيام العادية في Slack لدينا، ناقشنا كيف يمكن تحسين عملية اختيار المرشحين للشركات. ذكر أحد المطورين أن المرشحين غالبًا ما يواجهون صعوبات في فهم متطلبات أرباب العمل. كانت هذه النقطة بمثابة نقطة انطلاق لفريقنا.

سياق المشكلة

كنا نعمل في مجال تكنولوجيا الموارد البشرية، وندرك كيف أن اختيار الكوادر الجيد مهم لنمو الأعمال. كانت الشركات تشتكي من نقص المرشحين المناسبين، بينما كان الباحثون عن عمل يشتكون من عدم وجود شفافية في المتطلبات والتوقعات. كل يوم كنا نشهد كيف أن هذه الفجوة تخلق مشاكل لكلا الجانبين. كان من المهم حل هذه المشكلة لتحسين العمليات لكل من المرشحين وأرباب العمل.

المشكلة المحددة

ذات مرة، تلقينا طلبًا من شركة ناشئة لم تتمكن من العثور على مطور مناسب لفريقها. نشروا إعلان وظيفة، لكنهم تلقوا العديد من السير الذاتية من مرشحين لم يتوافقوا مع المتطلبات. أدى ذلك إلى إضاعة الوقت لكل من قسم الموارد البشرية والباحثين عن عمل. أدركنا أن الأدوات الحالية غير قادرة على مطابقة مهارات المرشحين بفعالية مع احتياجات الشركات.

المحاولات الأولى

كانت محاولاتنا الأولى تتمثل في استخدام خوارزميات مطابقة السير الذاتية القياسية. اعتقدنا أنه من خلال زيادة كمية البيانات، يمكننا تحسين النتائج. ومع ذلك، لم يكن لذلك تأثير ملحوظ. واجهنا مشاكل في وفرة البيانات وغياب السياق، مما جعل الخوارزمية غير فعالة. في النهاية، قررنا إعادة التفكير في نهجنا والتركيز على فهم أعمق للمهارات والمتطلبات.

النهج الفني

طوّر فريقنا خوارزمية جديدة تأخذ في الاعتبار ليس فقط الكلمات الرئيسية، ولكن أيضًا الروابط السياقية بين المهارات والمتطلبات. قمنا بتطبيق المطابقة الدلالية، مما سمح بتحديد توافق المرشحين بدقة أكبر. إليك كيف كان يبدو جزء من الكود الذي استخدمناه لتحليل السير الذاتية:

import spacy

def analyze_resume(resume_text):
    nlp = spacy.load('en_core_web_sm')
    doc = nlp(resume_text)
    skills = [token.text for token in doc.ents if token.label_ == 'SKILL']
    return skills

سمح لنا هذا النهج بتحديد المهارات والتوافقات بدقة أكبر، مما قلل في النهاية من الوقت المستغرق في عملية التوظيف.

التغييرات في المنتج

بعد تنفيذ الخوارزمية الجديدة، لاحظنا تحسنًا ملحوظًا في جودة التوظيف. بدأت الشركات تتلقى سيرًا ذاتية أكثر ملاءمة، بينما حصل المرشحون على عروض تتناسب مع مهاراتهم. قمنا بتحديث الصفحات على موقعنا لتعكس هذه التغييرات، وحسّنا الأقسام /jobs و /for-companies، مع التركيز على دقة التوظيف.

الدروس التي تعلمناها

• فهم السياق أهم من مجرد زيادة حجم البيانات.
• استخدام الدلالات يمكن أن يحسن دقة التوظيف بشكل كبير.
• يجب أن تكون الفريق مفتوحة للأخطاء والفشل - هذه جزء مهم من العملية.
• التواصل الفعال بين قسم الموارد البشرية والمطورين أمر حاسم للنجاح.
• لا ينبغي التقليل من أهمية ملاحظات المستخدمين.

ماذا يعني ذلك للمرشحين

بالنسبة للمرشحين، يعني ذلك أنهم يمكن أن يتوقعوا نهجًا أكثر تخصيصًا ودقة في اختيار الوظائف. نحن نسعى لتقديم معلومات أوضح حول متطلبات وتوقعات أرباب العمل، مما يحسن بدوره فرصهم في الحصول على وظيفة ناجحة.

ماذا يعني ذلك للمجندين

يمكن للمجندين الآن العمل مع بيانات أكثر جودة عن المرشحين، مما يعني وقتًا أقل يُقضى في تصفية السير الذاتية غير المناسبة. سيمكنهم ذلك من التركيز على جوانب أكثر استراتيجية في التوظيف، مثل التفاعل مع المرشحين وبناء العلاقات مع العملاء.

الخطوات التالية

نستمر في متابعة نتائج خوارزميتنا ونخطط لتحسينها بشكل أكبر. على وجه الخصوص، نرغب في استكشاف إمكانيات التكامل مع منصات وبيانات أخرى. إذا كان علينا تغيير شيء ما، سنبدأ بتحليل أعمق لاحتياجات المستخدمين في أقرب مرحلة. ---