מערכת דירוג מועמדים מבוססת AI
אנו מפתחים מערכות דירוג מועמדים מבוססות AI הפותרות את בעיית הבחירה הרב-קריטריונית: כישורים טכניים, ניסיון רלוונטי, התאמה תרבותית, מסלול קריירה. שיטות מסורתיות כמו התאמת מילות מפתח משיגות דיוק של כ-50% על נתונים אמיתיים. אנו משתמשים בניקוד רב-וקטורי עם רכיבים נפרדים לכל קריטריון וצבירה משוקללת, הניתנת להתאמה אישית לכל תפקיד. זה לא רק משפר את הדיוק אלא גם מספק הסבר לכל ציון.
תרחיש גיוס טיפוסי: 400 קורות חיים למשרה, למנהל משאבי אנוש יש זמן לקרוא 30. השאר מסוננים על ידי אותות שטחיים—תארי משרה, שמות אוניברסיטאות, נוכחות מילות מפתח. זו לא בחירת המועמדים הטובים ביותר—זו בחירת הראשונים שנקרים בדרך. מערכת דירוג ה-AI שלנו נותנת ציון משוקלל לכל מועמד ביחס למשרה ספציפית, מסבירה את הציון במונחים מובנים למשאבי אנוש, ואינה מפספסת פרופילים חזקים עם רקע לא מסורתי. על זה מדבר גיוס AI אמיתי ואוטומציה של גיוס.
היכן הגישה הנאיבית נכשלת
הגישה הפשוטה ביותר—התאמת מילות מפתח או TF-IDF בין תיאור המשרה לקורות החיים—מניבה דיוק של 0.45–0.55 על נתונים אמיתיים. מועמד עם 10 שנות ניסיון ב"פיתוח תוכנה" מפסיד למי שכתב את הביטוי המדויק מתיאור המשרה. הסמנטיקה אובדת.
השלב הבא—דמיון embedding באמצעות sentence-transformers—יש לו בעיה אחרת: מודלים לשימוש כללי (all-MiniLM-L6-v2, text-embedding-3-small) מתפקדים בצורה גרועה על סמנטיקה ספציפית למשאבי אנוש. "Python" בתיאור משרה ו"Python" בקורות חיים של אנליסט נתונים לעומת מפתח backend הם הקשרים שונים, אך ה-embedding אינו מבחין. התאמה סמנטית של קורות חיים ללא הקשר אינה יעילה.
מסובכים עוד יותר הם דרישות מרומזות. תיאור משרה דורש "ניסיון בניהול צוות", מועמד כותב "הובלתי צוות של 5 אנליסטים"—התאמה סמנטית עשויה לעבוד, אך סף מטושטש על דמיון קוסינוס (<0.72) יחתוך אותה. הגישה שלנו עם cross-encoders מתגברת על מגבלה זו.
כיצד פועל ניקוד רב-ממדי
לא ציון יחיד, אלא וקטור של הערכות על פני ממדים מרכזיים:
- התאמת כישורים טכניים—התאמה סמנטית של כישורים טכניים. אנו משתמשים ב-bi-encoder לאחזור ראשוני (FAISS, top-100), ולאחר מכן ב-cross-encoder לניקוד מדויק (ms-marco-MiniLM-L-12-v2 או מכוונן על נתוני משאבי אנוש מ-MS MARCO).
- רמת ניסיון—חילוץ שנות ניסיון רלוונטי מקורות החיים באמצעות NER + regex. השוואה לדרישות תיאור המשרה.
- מסלול קריירה—ניתוח התקדמות: צמיחה באחריות, רלוונטיות של תפקידים קודמים. קריאת LLM עם פלט מובנה.
- השכלה והסמכות—חילוץ מבוסס כללים + נורמליזציה של שמות אוניברסיטאות והסמכות.
הדירוג הסופי הוא סכום משוקלל עם משקלים ספציפיים לתפקיד. למפתחים זוטרים, להשכלה יש משקל גדול יותר; לסניורים, מסלול הניסיון.
כיוונון מודלים על נתונים היסטוריים
אם קיימים נתוני גיוס היסטוריים (מי גויס, מי עבר ראיונות, מי נכשל), זה זהב לאימון. אנו בונים מודל דירוג: קלט (משרה, קורות חיים), פלט—הסתברות לגיוס מוצלח. LambdaRank או ListNet על גבי תכונות embedding.
זהירות עם הטיה: אם נתונים היסטוריים מכילים הטיה (למשל, 90% מהגיוסים הם גברים לתפקידים טכניים), המודל ישחזר אותה. ביקורת הוגנות לפני פריסה היא חובה. אנו עורכים ביקורות הוגנות באמצעות ספריית AIF360.
AI מוסבר למשאבי אנוש
ציון ללא הסבר הוא קופסה שחורה שמשאבי אנוש מתעלמים ממנה. עבור כל מועמד, אנו מייצרים:
- 3 ההתאמות המובילות לדרישות התפקיד (עם ציטוטים מקורות החיים)
- 2 הפערים המובילים (מה נדרש, מה חסר)
- המלצה אחת לבדיקה נוספת במהלך ראיונות
זה הופך את הדירוג לכלי, לא תחליף לשיקול דעת. AI מוסבר הוא יתרון מרכזי של המערכת שלנו.
מקרה מעשי: כיצד קיצרנו את זמן הסינון פי 3
הלקוח שלנו—חברת IT במיקור חוץ עם 200+ משרות פתוחות בו זמנית. תהליך קיים: בדיקה ידנית ב-ATS (Huntflow). זמן עיבוד במשפך: 8–12 ימים לשיחת טלפון ראשונה.
בנינו את המערכת: פענוח קורות חיים (PDF/DOCX → JSON מובנה באמצעות חילוץ LLM + regex) → אינדוקס bi-encoder ב-Qdrant → דירוג מחדש עם cross-encoder של top-50 לכל משרה → הסברים שנוצרו על ידי LLM → אינטגרציה דרך Huntflow API, ציונים מוצגים ישירות בכרטיס המועמד.
תוצאות לאחר 3 חודשים: זמן ממוצע לשיחה ראשונה ירד מ-9.4 ל-3.1 ימים (פי 3 מהר יותר בהשוואה לסינון ידני). מנהלי משאבי אנוש סקרו top-15 במקום top-30 בממוצע (פחות לא רלוונטיים). שיעור הצעות עבודה לגיוסים דרך המערכת: +22% בהשוואה לקו הבסיס ההיסטורי. חיסכון ממוצע ללקוח: $38k–55k לשנה לכל 100 משרות. צרו קשר כדי לדון בפרויקט דומה.
מחסנית טכנית
| רכיב | כלים |
|---|---|
| פענוח קורות חיים | LlamaParse, Docling, חילוץ LLM מותאם אישית |
| Embedding | text-embedding-3-large, E5-mistral-7b, jina-embeddings-v3 |
| מאגר וקטורי | Qdrant, pgvector |
| Reranker | cross-encoder ms-marco, Cohere Rerank |
| מודל דירוג | LightGBM, LambdaRank (אם קיימים נתונים היסטוריים) |
| הסברים | GPT-4o-mini, Claude Haiku (פלט מובנה) |
השוואת שיטות דירוג (precision@10 על הנתונים שלנו):
| שיטה | Precision@10 | זמן עיבוד (100 קורות חיים) | יכולת הסבר |
|---|---|---|---|
| מילות מפתח | 45% | 2 שניות | נמוכה |
| דמיון Embedding | 62% | 5 שניות | בינונית |
| המערכת שלנו | 83% | 12 שניות | גבוהה |
הגישה שלנו מדויקת ב-34% יותר מדמיון embedding ומספקת יכולת הסבר מלאה. זהו פתרון HR Tech ו-ML למשאבי אנוש.
מה כלול
- ביקורת על תהליך הגיוס הנוכחי ואיכות הנתונים
- פיתוח אב טיפוס תוך שבועיים: bi-encoder + דירוג סקלרי
- כיול משקלים עם מחלקת משאבי אנוש
- ביקורת הוגנות והסרת הטיה מהמודל
- אינטגרציה עם ATS (Huntflow, Lever, Greenhouse, Workday)
- תיעוד והכשרת צוות
- תמיכה של 3 חודשים לאחר ההשקה
שלבי עבודה
- ביקורת נתונים—איכות קורות החיים במאגר, זמינות נתוני גיוס היסטוריים, מבנה תיאורי משרה. זה קובע את הגישה.
- אב טיפוס תוך שבועיים—bi-encoder + דירוג סקלרי פשוט, הדגמה על 50 משרות.
- איטרציות עם משאבי אנוש—כיול משקלים, אימות על מקרים של מועמדים "ידועים". ללא קלט מגייסים, אי אפשר לכוונן איכות.
- ביקורת הוגנות—חובה לפני פריסה, במיוחד אם משתמשים בנתונים היסטוריים.
- אינטגרציית ATS—דרך API עבור Huntflow, Lever, Greenhouse, או Workday. או ממשק עצמאי.
ציר זמן: MVP תוך 4–6 שבועות, מערכת מלאה עם כיוונון ואינטגרציית ATS תוך 3–4 חודשים.
פרטים טכניים על כיוונון
לכיוונון, אנו משתמשים ב-LambdaRank עם פונקציית אובדן NDCG. אנו מאמנים על זוגות (משרה, קורות חיים) עם תווית גיוס מוצלח. אנו מיישמים עצירה מוקדמת ו-dropout כדי למנוע התאמת יתר.קבלו ייעוץ על יישום דירוג AI על ידי יצירת קשר עם הצוות שלנו. יש לנו 10+ שנות ניסיון בייצור ו-40+ פרויקטים מוצלחים ב-NLP וגיוס. בקשו הדגמה כדי לראות את המערכת בפעולה.