---

Transparencia en las coincidencias por etiquetas: cómo lo logramos

Recientemente, en nuestro chat de Slack, surgió una discusión entre los miembros del equipo sobre cómo los usuarios comprenden las coincidencias por etiquetas. Uno de los desarrolladores presentó una queja de un cliente que no podía entender por qué su currículum no coincidía con la oferta de trabajo, a pesar de tener habilidades similares. Esto nos llevó a reflexionar: ¿cómo podemos hacer que los usuarios entiendan mejor por qué el algoritmo tomó ciertas decisiones?

Por qué es importante

El problema de las coincidencias por etiquetas afecta a todos: desde los usuarios que buscan trabajo hasta las empresas que quieren encontrar candidatos adecuados. La falta de comprensión sobre el funcionamiento de los algoritmos puede llevar a la insatisfacción de los usuarios y, como consecuencia, a una disminución de la confianza en nuestra plataforma. En un mercado de reclutamiento tan competitivo, esto puede ser un factor decisivo al elegir entre nosotros y otras soluciones. Si los usuarios no pueden entender cómo funciona el sistema, pueden simplemente optar por la competencia.

Problemas concretos

En uno de los casos, un usuario solicitó una oferta de trabajo, pero no recibió una respuesta positiva. Se puso en contacto con nosotros para preguntar por qué su currículum no coincidía con los requisitos. Descubrimos que la coincidencia por etiquetas se basaba en algoritmos que no explicaban cómo se seleccionaron las etiquetas. Esto generó insatisfacción y, en última instancia, deterioró la experiencia del usuario.

Primeros pasos

Primero decidimos implementar un sistema de retroalimentación simple que informara a los usuarios qué etiquetas se utilizaron para la coincidencia. Sin embargo, esta solución resultó ser demasiado superficial. Recibimos muchos comentarios de que los usuarios no entendían qué eran las etiquetas y cómo funcionaban. Por lo tanto, regresamos a la mesa de diseño para encontrar una solución más profunda.

Enfoque técnico

Decidimos implementar un sistema más complejo que no solo mostrara las etiquetas, sino que también explicara cómo el algoritmo llegó a sus conclusiones. Creamos un modelo que analizaba las coincidencias y generaba explicaciones en lenguaje natural. Un ejemplo de código que utilizamos para esta tarea:

# Ejemplo de código para generar explicaciones
class ExplanationGenerator:
    def generate(self, matching_tags):
        return f