---

Transparenz bei tagbasierten Übereinstimmungen: So haben wir es erreicht

Kürzlich entbrannte in unserem Slack-Chat eine Diskussion unter den Teammitgliedern darüber, wie Nutzer die tagbasierten Übereinstimmungen verstehen. Einer der Entwickler brachte eine Beschwerde eines Kunden vor, der nicht nachvollziehen konnte, warum sein Lebenslauf nicht mit der Stellenanzeige übereinstimmte, obwohl er ähnliche Fähigkeiten hatte. Das brachte uns zum Nachdenken: Wie können wir es ermöglichen, dass Nutzer besser verstehen, warum der Algorithmus diese oder jene Entscheidung getroffen hat?

Warum das wichtig ist

Das Problem der tagbasierten Übereinstimmungen betrifft alle: von Nutzern, die einen Job suchen, bis hin zu Unternehmen, die passende Kandidaten finden möchten. Ein mangelndes Verständnis der Algorithmen kann zu Unzufriedenheit bei den Nutzern führen und somit das Vertrauen in unsere Plattform mindern. In einem hart umkämpften Rekrutierungsmarkt kann dies ein entscheidender Faktor bei der Wahl zwischen uns und anderen Lösungen sein. Wenn Nutzer nicht verstehen, wie das System funktioniert, könnten sie einfach zu den Mitbewerbern wechseln.

Konkrete Probleme

In einem Fall bewarb sich ein Nutzer auf eine Stelle, erhielt jedoch keine positive Rückmeldung. Er wandte sich an uns mit der Frage, warum sein Lebenslauf nicht den Anforderungen entsprach. Wir stellten fest, dass die tagbasierte Übereinstimmung auf Algorithmen basierte, die nicht erklärten, wie die Tags ausgewählt wurden. Dies führte zu Unzufriedenheit und letztendlich zu einer Verschlechterung des Nutzererlebnisses.

Erste Schritte

Zunächst beschlossen wir, ein einfaches Feedback-System einzuführen, das den Nutzern mitteilt, welche Tags für die Übereinstimmung verwendet wurden. Dieses Vorgehen stellte sich jedoch als zu oberflächlich heraus. Wir erhielten viele Rückmeldungen, dass die Nutzer nicht verstehen, was Tags sind und wie sie funktionieren. Daher kehrten wir zur Zeichenbrett zurück, um eine tiefere Lösung zu finden.

Technischer Ansatz

Wir entschieden uns, ein komplexeres System zu implementieren, das nicht nur die Tags anzeigt, sondern auch erklärt, wie der Algorithmus zu seinen Schlussfolgerungen gelangt ist. Wir entwickelten ein Modell, das die Übereinstimmungen analysierte und Erklärungen in natürlicher Sprache generierte. Ein Beispielcode, den wir für diese Aufgabe verwendet haben:

# Beispielcode zur Generierung von Erklärungen
class ExplanationGenerator:
    def generate(self, matching_tags):
        return f