Искусственный интеллект LinkedIn генерирует вопросы отбора кандидатов из объявлений о вакансиях

Источник · Перевод автора

LinkedIn использует ИИ и машинное обучение для генерации проверочных вопросов для активных объявлений о работе. В статье, опубликованной на этой неделе на сервере препринтов Arxiv.org, соавторы описывают Job2Questions, модель, которая помогает рекрутерам быстро находить кандидатов, сокращая потребность в ручном отборе. Это не просто теоретическое исследование – Job2Questions были кратко протестированы на миллионах рабочих мест путем найма менеджеров и кандидатов на платформе LinkedIn.

Сроки развертывания Job2Questions случайны. Отбор является неизбежным злом – исследование, проведенное LinkedIn, показало, что примерно 70% ручных проверок телефонных разговоров раскрывают недостающие базовые квалификации кандидатов. Но поскольку пандемия все больше влияет на традиционные процессы найма, компании принимают альтернативные решения, при этом некоторые из них демонстрируют готовность к пилотированию ИИ и средств машинного обучения. Job2Questions предназначен для сокращения времени, которое рекрутеры тратят на вопросы, на которые у них уже должны быть ответы, или выявляет пробелы, которые могут заполнить сами кандидаты.

Как объясняют исследователи, Job2Questions генерирует несколько кандидатов на отборочный вопрос, учитывая содержание объявления о работе. Сначала он разделяет сообщения на предложения и преобразует эти предложения в пары шаблонов вопросов (например, «Сколько лет опыта работы у вас есть…» и «Получили ли вы следующий уровень образования:») и переменных («Java») и «Степень бакалавра»). Затем он классифицирует предложения в один из нескольких шаблонов, разработанных путем найма экспертов, и выбирает систему связывания сущностей, чтобы определить параметры, соответствующие выбранным шаблонам, а именно, помечая конкретные типы сущностей из предложений (например, «образовательные степени», «произнесенные слова», «языки», «инструментальные навыки» и «полномочия»). Предварительно обученная, тонко настроенная сеть глубокого усреднения в Job2Questions анализирует отправку текста на предмет семантического значения. И, наконец, модель ранжирования определяет лучшие вопросы группы.

Чтобы собрать данные для обучения моделям машинного обучения, лежащим в основе Job2Questions, исследователи LinkedIn разработали аннотаторы для обозначения пар предложение-вопрос, что позволило прогнозировать шаблоны из предложений. Затем команда собрала 110 409 помеченных триплетов – образцы данных, содержащие одну публикацию вакансии, шаблон и параметры – представленные авторами постов в LinkedIn, которые служили для обучения модели ранжирования вопросов Job2Questions, чтобы предвидеть, добавит ли постер работы скрининг. вопрос к постингу. Отборочные вопросы, добавленные и отвергнутые вербовщиками, и плакаты служили ярлыками правды.

В ходе двухнедельного эксперимента, включающего 50% трафика LinkedIn, исследователи утверждают, что только 18,67% кандидатов, которые не ответили правильно на вопросы скрининга, были оценены как «хорошо подходящие» рекрутерами, в то время как те, кто ответил по крайней мере один вопрос правильно имел рейтинг на 23% выше. Они также утверждают, что ранжирование кандидатов по их ответам на отборочный вопрос улучшило показатель хорошей подгонки заявителя на 7.45% и уменьшило показатель плохой подгонки на 1.67%; что у кандидатов на 46% больше шансов получить хорошую оценку для рекомендаций о работе, основанных на их ответах на вопросы; и что работа с проверочными вопросами привела в 1,9 раза больше взаимодействия рекрутер-заявитель в целом и в 2,4 раза больше взаимодействия с кандидатами, прошедшими отбор.

«Мы обнаружили, что вопросы отбора часто содержат информацию, которую участники не помещают в свой профиль. Среди участников, которые ответили на вопросы отбора, 33% участников не предоставляют информацию об образовании в своем профиле. В частности, люди со средним образованием имеют меньше шансов указать это в своем профиле. Что касается языков, 70% участников не перечисляют языки, на которых они говорили (в основном носители языка) в своем профиле. Наконец, 37% членов не имеют опыта работы с конкретными инструментами», – написали соавторы газеты. «Короче говоря, мы подозреваем, что, когда люди составляют свой профессиональный профиль, они, как правило, упускают из виду базовые квалификации, которые рекрутеры очень ценят во время отбора. Таким образом, вопросы отбора гораздо лучше, прямые сигналы для отбора кандидатов по сравнению с профилем участника».