Зачем это было нужно: первая тревога в Slack

В один из дней в Slack мы увидели сообщение от одного из наших рекрутеров: "Кажется, ИИ не понимает, что значит быть Senior Go разработчиком". Это было не просто жалование — это затрагивало всю нашу систему подбора кадров. Мы начали понимать, что ошибки в оценке кандидатов могут привести к потере времени и ресурсов для нашей команды и компаний, с которыми мы работаем.

Контекст проблемы

В современном мире рекрутинг требует высокой точности. Мы стремились использовать ИИ для автоматизации оценки кандидатов, но с каждым новым откликом мы сталкивались с растущими проблемами ИИ-галлюцинаций. Кандидаты, которые явно не подходили по квалификации, проходили в следующий этап. Это создавало недовольство среди рекрутеров и снижало доверие к нашей платформе.

Проблема в деталях

Одним из ярких примеров было недавнее резюме, которое попало в нашу систему. Кандидат заявлял о наличии 10 лет опыта в Go, но в его профиле не было упоминаний о конкретных проектах или технологиях, связанных с этой платформой. ИИ определил его как сильного кандидата, но при более детальном анализе мы поняли, что это была просто галлюцинация.

Первые попытки решения

Наша первая попытка включала использование простых ключевых слов для фильтрации резюме. Однако, как показала практика, это не решало проблемы. Кандидаты с недостаточным опытом все равно попадали в систему. Мы даже рассматривали возможность введения многоуровневого тестирования, но это увеличивало время и ресурсы, затрачиваемые на отбор.

Технический подход

В конечном итоге мы решили сочетать несколько подходов. Мы добавили детерминированные фильтры, которые проверяли наличие конкретных технологий и проектов в резюме. Также мы внедрили анализ сигналов квалификации, учитывающий не только опыт, но и участие в open-source проектах или публикации. В качестве дополнения мы использовали кэшированные объяснения GPT для более глубокого анализа.

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

Что изменилось в продукте

После внедрения новых фильтров и методов анализа мы заметили значительное снижение числа кандидатов с неоправданными ожиданиями. Это позволило рекрутерам сосредоточиться на действительно квалифицированных специалистах, тем самым улучшив качество подбора. Мы также обновили страницы /jobs и /for-companies, чтобы отразить новый подход к оценке кандидатов.

Чему мы научились

• Проверка фактов важнее, чем кажется. Простые ключевые слова не дадут точной картины.
• Детерминированные фильтры могут значительно улучшить качество выдачи.
• Обратная связь от рекрутеров — ключ к улучшению процессов.
• Использование кэшированных данных позволяет сократить время обработки запросов.

Что это значит для кандидатов

Для кандидатов это означает, что их резюме будет анализироваться с учетом реальных навыков и опыта. Мы стремимся создать более честную и прозрачную систему подбора, где ваши достижения будут оценены по достоинству. Это также означает, что кандидаты получат более высокие шансы на получение интервью, если их квалификация соответствует требованиям.

Что это значит для рекрутеров

Рекрутеры могут быть уверены в том, что система эффективно фильтрует кандидатов, что позволяет им сосредоточиться на более важных аспектах работы. Это сэкономит время и улучшит качество найма. Более того, они смогут предоставлять более качественные рекомендации на основе точных данных.

Следующие шаги

Несмотря на достигнутый прогресс, мы понимаем, что работа не закончена. Мы продолжаем следить за качеством анализа и готовы вносить изменения в алгоритмы при необходимости. Если бы у нас была возможность вернуться к началу, мы могли бы сразу интегрировать более сложные методы анализа, чтобы избежать первоначальных трудностей.