Para la búsqueda de especialistas en TI, dicho esquema aún no es particularmente aplicable, ya que esta área es específica y aquí los reclutadores usan otras herramientas. En cuanto al resto, es algo bastante de actualidad, especialmente cuando hay más de un centenar de encuestados en la vacante.
Alexander Barabash nos contó cómo funciona el servicio y cuál es la lógica de los oficiales de personal. Formalmente es director de GoRecruit, pero al mismo tiempo está directamente relacionado con el desarrollo.
REM AI-. Awtor (https://habr.com/ru/company/leader-id/blog/521378/), iPavlov (https://habr.com/ru/company/leader-id/blog/522624/) OpenTalks.AI (https://habr.com/ru/company/leader-id/blog/523448/).- ¿Qué es GoRecruit, cómo funciona?
- Este es un sistema de apoyo a las decisiones de personal basado en el análisis de datos de currículums y fuentes abiertas, incluidas las redes sociales. Calcula la calificación de un solicitante que solicita una determinada profesión, reduciendo los costos laborales del reclutador.
La diferencia fundamental con los análogos es que para poder participar en la evaluación, el solicitante debe responder a la vacante y subir su currículum de forma independiente o iniciar sesión a través del perfil en las redes sociales. En mi opinión, esta es una lógica muy importante. Algunos servicios ofrecen herramientas de búsqueda en frío para los solicitantes de empleo: toman datos abiertos de los perfiles de personas desprevenidas, lo que a veces va en contra de las políticas de las redes sociales. No está bien. Tomamos datos solo después de la autorización (es decir, el consentimiento del usuario), completándolos con datos de currículums y fuentes abiertas como el Servicio Federal de Alguaciles, las bases del Ministerio del Interior e Impuestos. La tarea final del sistema es enriquecer los datos sobre el solicitante generando un informe detallado para el departamento de recursos humanos y el personal de seguridad.
Entre otra información, este informe contiene una calificación que caracteriza el éxito esperado de un candidato determinado en una vacante seleccionada. El reclutador decide qué hacer a continuación con esta calificación.
- ¿Cómo describe la vacante para comparar? ¿Y de dónde viene la inteligencia artificial?
- De hecho, la inteligencia artificial, de la que tanto se habla ahora, es un método para extrapolar datos estadísticos. Pero para extrapolar algo, necesita tener una cantidad suficiente de información inicial. Para las grandes empresas, donde existen datos estadísticos sobre el movimiento de personal, construimos un modelo de vacantes basado en estos datos utilizando redes neuronales.
De hecho, analizamos información sobre aquellos empleados de la empresa que tienen éxito en un puesto determinado.Como resultado, la calificación del candidato en el informe se calculará en base a esta experiencia de la empresa (basada en la comparación con otras personas que han trabajado en puestos similares en esta empresa).
Para las pequeñas y medianas empresas, donde los datos estadísticos no son suficientes para construir un modelo, utilizamos un sistema experto. El modelo matemático de este sistema se basa en la opinión experta de especialistas, que reemplaza el rumbo del pensamiento humano en la toma de decisiones. Este enfoque se justifica cuando la empresa carece de estadísticas propias. Con el tiempo, desarrollamos estos modelos; hacemos los ajustes necesarios.
- Si hablamos de un modelo de red neuronal, ¿cómo se evalúa el “éxito” de una persona en esta o aquella posición?
- Y esta es una de las sutilezas de nuestro trabajo. Estos criterios difieren de una empresa a otra. La opción más simple es la situación laboral después de un cierto período de tiempo. Por ejemplo, si una persona sigue trabajando en este puesto un año después del empleo, se puede considerar exitosa, porque el objetivo final es encontrar una persona sin problemas que trabaje durante mucho tiempo en la empresa.
Las empresas más avanzadas tienen KPI internos de recursos humanos. Los tomamos como base: consideramos personas exitosas con un indicador, por ejemplo, superior al 70%. Seleccionamos adecuadamente los datos sobre el movimiento de personal y entrenamos un modelo matemático para cada profesión por separado.
- ¿Cuáles son las limitaciones de la aplicabilidad de este enfoque?
- No hay restricciones estrictas. Pero este es un método estadístico. Está claro que cuantos más datos (cuanto más rica sea la muestra), más preciso será el pronóstico, es decir, diremos más precisamente qué tan exitoso será el candidato. Por lo tanto, la solución funciona mejor para algunas profesiones de masas. Todavía no estamos listos para hacer recomendaciones para puestos altos o únicos.
- ¿Qué lugar ocupa el sistema en el proceso de búsqueda de personas?
- No nos dedicamos a la búsqueda. Ocupamos un nicho diferente: proporcionamos una evaluación cuando hemos recibido muchas respuestas para una vacante y es necesario decidir a quién llamar para una entrevista.
: . 600 . 5 , 50 , , , , .Y nuestro sistema da una respuesta en 5 segundos: calcula la calificación y clasifica 600 reanuda por ella. Puede pasar inmediatamente a la siguiente etapa: invitar a una entrevista o enviar una tarea de prueba, según cómo se tomen las decisiones de personal dentro de la empresa.
De hecho, este es el filtro inicial que consume más tiempo en la cadena de acciones relacionadas con la toma de decisiones del personal. Una cosa es comparar a tres personas. Pero es imposible recordar y comparar los 600 currículums condicionales; esto está por encima de las capacidades físicas de una persona. Después de leer incluso una docena, ya olvidará lo que sucedió al principio. A nuestros psicólogos les gusta repetir que el cerebro humano recuerda y puede almacenar rápidamente en la cabeza entre 7 y 10 parámetros. Por lo tanto, la gran pregunta es qué tan bien un reclutador estudiará manualmente 600 hojas de vida en una semana.
- ¿Cómo se construye exactamente esta calificación? ¿Qué datos tomas de tu currículum?
- Utilizamos un enfoque combinado: combinamos métodos de ingeniería ontológica con redes neuronales. El sistema extrae significados semánticos del texto del currículum, que necesitamos para el cálculo de calificación posterior. Dónde trabajaba la persona antes, qué cargo, qué cargos ocupaba, si tuvo pausas en el trabajo, qué éxitos logró y qué funciones desempeñó, qué tipo de educación recibió, si su profesión corresponde al perfil de la educación, etc.
Además, si es importante, destacamos la edad, el sexo y otra información adicional, todo lo que un oficial de recursos humanos regular verá al leer un currículum. Cada uno de estos elementos es un parámetro. Por lo general, el reclutador los compara, solo algoritmos esta comparación.
- ¿Qué fuentes adicionales de información utiliza?
- Además de las bases mencionadas del Ministerio del Interior, FSSP, etc., ahora estamos utilizando la red social VKontakte. También tenemos desarrollos para Facebook y Twitter, pero VKontakte es la fuente principal. Cuando hicimos un modelo para la toma de decisiones de personal para el puesto de operador de PC para centros multifuncionales, encontramos que alrededor del 97% de los candidatos tiene un perfil en esta red social. Por cierto, el cliente en ese momento dudaba de si sería posible enriquecer los perfiles con datos de VKontakte, pero el indicador del 97% lo tranquilizó.
- ¿Qué es exactamente lo que le interesa a su sistema en su perfil de red social?
- En primer lugar, tomamos los textos que una persona publica en su página para determinar su perfil psicológico.
Ejemplos de palabras clave para evaluar el psicotipo de un estudio conjunto de la Universidad de Pennsylvania y Cambridge
Se trata de una especie de preprocesamiento de datos. Evaluamos los rasgos de personalidad mediante palabras y frases utilizadas en las publicaciones (puede leer más sobre una técnica similar utilizada para analizar publicaciones en Facebook aquí (pdf) y aquí ).
Utilizando la tipología de Myers-Briggs, clasificamos a una persona como uno de los 16 psicotipos.Esta información también afecta a la calificación final: las personas de psicotipos completamente diferentes son adecuadas para diferentes profesiones.
Además, estamos interesados, por supuesto, en la información del perfil. VKontakte emite alrededor de 70 parámetros: lo que una persona escribió sobre sí misma en la página: edad, género, educación, preferencias, hijos, etc.
- ¿Cuántas publicaciones puede evaluar el sistema para una persona? ¿Qué pasa si solo se publican fotos de gatos en las redes sociales?
- El sistema no ofrece milagros, se comporta como un reclutador habitual.
Digamos que un candidato solicitó un trabajo pero no escribió nada en su currículum. Nosotros (como el reclutador) miramos los datos abiertos, digamos que tampoco hay nada allí. O no hay perfil en la propia red social o está vacío.
. , , .Esta es la lógica común de tomar una decisión de personal. Si no ve información sobre el candidato y no puede verificarla con fuentes abiertas, vaya al siguiente currículum.
Al comparar a dos personas, con una gran experiencia comprobada, buena educación y conocimiento, o algún tipo de incógnito, lo más probable es que elija a la persona sobre la que sabe más.
Nuestro sistema interpreta aquí la lógica humana. La falta de datos también es información que caracteriza a una persona de cierta manera, pero, por regla general, se usa con una calificación baja.
- ¿Por tanto, desde el punto de vista del sistema, el candidato ideal es aquel que abiertamente “difunde su vida” en la red social?
- No. Las redes sociales son solo un complemento y los datos básicos se obtienen del currículum.
- ¿Analizas los textos de los artículos sobre Habré o el código en GitHub para enriquecer aún más tu perfil?
- No. Estos son principalmente recursos para el personal de TI y no tenemos ese enfoque. En este segmento, existen otras herramientas que se afilan para la búsqueda y evaluación de especialistas en TI.
- ¿Existen factores que, desde el punto de vista del sistema, se acrediten inequívocamente al candidato como más o menos?
- Ésta es exactamente la característica única de GoRecruit: no existen tales factores. Todos los datos recopilados afectan la decisión final. Pero para cada profesión, en cada empresa, el grado de influencia de cada uno de los factores será diferente.
El significado del modelo matemático radica en el hecho de que estos parámetros cambian dependiendo de cómo se lleva a cabo el entrenamiento, qué datos se utilizan para esto.
- En el transcurso del trabajo en los modelos, cientos de hojas de vida deben haber pasado ante sus ojos. ¿Puede identificar alguna característica típica de generaciones?
- Probablemente no, excepto por uno. Cuanto mayor es una persona, más rica es su experiencia. Como regla general, con la edad, su trayectoria profesional comienza a trazarse y en general hay más información sobre él.
Pero puedo notar otra característica: el currículum como formato es mucho más diverso de lo que parece a primera vista. A pesar de la presencia de plantillas como HeadHunter, la gente escribe cosas muy diferentes en los currículums y con redacciones muy diferentes. Y aquí nos enfrentamos a problemas en la identificación de significados semánticos, ya que todos los algoritmos descansan en parte en la estructura del currículum. Esta es una tarea desafiante y desafiante.
- Has solicitado la aceleradora Archipelago 20.35... ¿Qué quieres obtener de él?
- Creo que esta es una oportunidad interesante para el desarrollo general de nuestro producto en todas las direcciones. Según lo que he leído sobre el Archipiélago, ofrece oportunidades multidireccionales, por lo que no percibimos el evento como algo unilateral, buscando un inversor o algo más. Aquí estamos esperando la solución de nuestros problemas de desarrollo, nuevos contactos, promoción de productos e incluso buscaremos clientes. Juntos.
- ¿Quién está en tu equipo? ¿Reclutadores, desarrolladores, matemáticos?
- Contamos con un equipo de matemáticos, programadores y psicólogos - personas en la intersección de las ciencias técnicas y humanitarias (psicología y matemáticas), expertos en el campo de Big data, inteligencia artificial (machine learning).