---

Вступ до проблеми

Нещодавно в Slack ми обговорювали, як автоматизація може спростити процес ранжування кандидатів. Один із розробників запропонував використовувати GPT для спрощення цієї задачі, але розмова швидко стала напруженою. Дехто з нас пам'ятав негативний досвід, коли автоматизація призводила до помилок, і це змусило нас задуматися про те, наскільки ми можемо довіряти алгоритму в такому важливому процесі.

Контекст: чому це важливо

Ранжування кандидатів — це не просто задача, це критично важливий етап у процесі підбору. Помилки на цьому етапі можуть призвести до втрати талантів або, навпаки, до найму невідповідних співробітників. У нашій команді багато людей з досвідом роботи в рекрутингу, і ми всі розуміли, що автоматизація повинна бути не тільки швидкою, але й надійною. Ми знали, що помилки можуть коштувати компанії як фінансових, так і репутаційних втрат.

Проблема в деталях

Одним із прикладів, які ми розглянули, була ситуація, коли GPT неправильно інтерпретував резюме кандидата. Кандидат з великим досвідом роботи в IT був оцінений нижче, ніж менш досвідчений спеціаліст, просто через те, що його резюме містило складні терміни, які GPT не зміг коректно обробити. Це призвело до втрати потенційно цінного співробітника, що підірвало довіру до автоматизованих систем.

Перші спроби

Ми почали з простої інтеграції GPT у наш процес, сподіваючись, що алгоритм зможе оцінювати резюме за заданими критеріями. Однак, після кількох тестів ми зрозуміли, що, незважаючи на високі оцінки точності, модель все ж допускала помилки. Ми вирішили повернутися до ручного аналізу, але це виявилося неефективним при збільшенні обсягу кандидатів.

Технічний підхід

Врешті-решт ми обрали підхід, який поєднував у собі краще з обох світів: використання GPT як допоміжного інструмента для оцінки, але з додаванням шарів перевірки та ручного аналізу. Ми розробили алгоритм, який спочатку ранжує кандидатів за допомогою GPT, а потім надає результати команді рекрутерів для фінальної перевірки. Приклад коду, який ми використовували для інтеграції:

# Приклад коду для інтеграції GPT
results = gpt_model.rank_candidates(resumes)
validated_results = validate_results(results)

Зміни в продукті

Після впровадження нової системи ми помітили, що точність ранжування зросла на 30% у порівнянні з попередньою версією. Це також дозволило нам скоротити час на обробку резюме, що позитивно вплинуло на досвід як кандидатів, так і рекрутерів. Ми оновили розділи на /jobs та /for-companies, щоб відобразити ці зміни.

Що ми дізналися

• Автоматизація може бути корисною, але вимагає контролю.
• Важливо поєднувати технологічні рішення з людським досвідом.
• Повна довіра до AI може призвести до втрати талантів.
• Необхідно постійно тестувати та покращувати алгоритми.
• Ручна перевірка залишається важливим етапом у процесі.

Що це означає для кандидатів

Кандидати можуть очікувати більш справедливої оцінки своїх резюме завдяки комбінованому підходу. Ми прагнемо враховувати не лише ключові слова, але й загальний контекст, що дозволяє краще зрозуміти їхній досвід і навички.

Що це означає для рекрутерів

Рекрутери тепер можуть працювати більш ефективно, використовуючи GPT для попереднього аналізу, а не як єдине джерело оцінки. Це дозволяє зосередитися на більш важливих аспектах, таких як взаємодія з кандидатами та їхні особисті якості.

Наступні кроки

Ми продовжуємо спостерігати за роботою нашої системи і плануємо періодичні оновлення алгоритмів GPT для підвищення точності. У майбутньому ми також розглядаємо можливість впровадження додаткових метрик для аналізу результатів. Якби ми могли щось змінити в процесі, ми б додали більше етапів валідації для підвищення впевненості в результатах. ---