Akuisisi Bakat dan Tolok Ukur Berbasis AI untuk Pekerjaan – Majalah Time.com

Industri rekrutmen menghabiskan banyak jam kerja untuk menyaring profil. Tidak hanya membuat seluruh proses rekrutmen menjadi lama, lambat, dan tidak praktis. Selain itu, bias perekrut juga bisa mempengaruhi kualitas daftar pendek dan perekrutan.

Dalam sebuah artikel baru yang baru-baru ini diterbitkan di arXiv.org, penulis menganalisis kemungkinan menggunakan akuisisi bakat berbasis AI dan platform pembandingan untuk tujuan pekerjaan. Makalah penelitian ini membentuk dasar dari teks berikut.

Pentingnya penelitian ini

Waktu rata-rata untuk mengisi posisi terbuka adalah 42 hari, dan pemberi kerja menghabiskan sekitar $4.129 untuk menutup posisi pekerjaan apa pun. Meski begitu, jika perekrut memilih kandidat yang tepat tidak mudah dipastikan. AI dapat membuat proses Rekrutmen secara keseluruhan menjadi lebih efisien. Makalah penelitian ini telah mengusulkan cara untuk mengidentifikasi dan memisahkan resume yang lebih relevan dari resume yang kurang relevan. Skor relevansi antara pencari kerja dan pemberi kerja berdasarkan kecocokan keterampilan dan kecocokan budaya mengarah pada penyaringan yang dibantu AI. Penelitian ini dapat membantu perekrut membuat keputusan yang tidak memihak dan membantu perekrut menghemat uang dan waktu dalam proses rekrutmen.

Para peneliti juga memuji solusi bakat berbasis AI yang ada dalam makalah penelitian mereka.

Kredit gambar: arXiv:2009.09088 [cs.CY]

Lingkup penelitian

Untuk mempermudah, para peneliti telah membatasi proyek mereka untuk memecahkan masalah di industri ilmu komputer saja

HAY adalah kriteria pembandingan yang umum digunakan untuk pekerjaan di industri rekrutmen

• Know-How: Mengukur berbagai keterampilan seperti yang dijelaskan dalam posting Pekerjaan
• Pemecahan Masalah: Mengukur tingkat kerumitan yang terkait dengan Pekerjaan
• Akuntabilitas: Mengukur tingkat tanggung jawab yang diperlukan untuk peran tersebut.

Pelaksanaan proyek

Keterampilan teknis dan kriteria kesesuaian budaya dipertimbangkan untuk memetakan CV dan lowongan pekerjaan.

Mengukur Kesesuaian Teknis:

Poin-poin penting yang dipertimbangkan untuk perlengkapan teknis adalah sebagai berikut.

• Kata-kata terkait OR yang sama perlu diperhitungkan untuk pencocokan yang lebih baik. Misalnya, ML dan Machine Learning adalah sama.
• Beberapa kata bisa memiliki hubungan orangtua-anak. Misalnya, jika pengklasifikasi mengekstrak istilah “pembelajaran mesin” itu juga akan menyimpulkan “kecerdasan buatan”.
• Frekuensi kata kunci keterampilan tertentu (atau terkait erat) dipertimbangkan saat menetapkan relevansi antara lowongan pekerjaan dan resume.
• Pendidikan juga dipertimbangkan untuk mencocokkan lowongan pekerjaan dan resume.

Mengukur Kesesuaian Budaya:

• Job-post mengidentifikasi budaya Organisasi, mengukurnya berdasarkan kriteria dua kutub di bawah ini, dan memetakan dengan kandidat untuk menetapkan kecocokan budaya mereka.

Kredit gambar: arXiv:2009.09088 [cs.CY]

Gunakan kasus

Dua kasus penggunaan di bawah ini digunakan untuk mencocokkan posting pekerjaan dan resume

• Pencocokan ManyToOne: Ini membandingkan CV yang berbeda untuk posting pekerjaan tertentu dan memberikan skor yang cocok untuk mereka.
• Pencocokan OneToOne: Ini mengeksplorasi tingkat korespondensi antara posting pekerjaan dan resume tertentu.

Himpunan data

Algoritme digunakan pada lima resume yang berbeda dan dipertimbangkan untuk Magang Ilmu Data

Hasil

Algoritme yang diusulkan mampu mengidentifikasi resume yang relevan untuk Pekerjaan tertentu dan juga menetapkan hubungan korespondensi antara berbagai resume dan posting pekerjaan masing-masing menggunakan pencocokan ManyToOne dan pencocokan OneToOne.

Kesimpulan

Dalam kata-kata para peneliti

Tentang prosesnya, algoritma yang jelas untuk rekomendasi dapat diterapkan. Model yang memungkinkan untuk proses parsing dan rekomendasi CV sangat bervariasi, pendekatan yang tidak lengkap dapat ditemukan dalam penelitian. Kami menerapkan metodologi bagi dan taklukkan untuk model tersebut. Kami dapat mendekati setiap masalah dan menyelesaikannya masing-masing dengan alat terbaik seperti ontologi, embeddings, pencocokan langsung, evaluasi ahli, pembelajaran mesin. Kembangkan algoritma untuk keseluruhan proses sesuai dengan ada tidaknya data. Tentang produk, itu akan mengurangi waktu dalam proses perekrutan, menghemat uang, menginvestasikan perekrut dalam kegiatan yang lebih produktif untuk meningkatkan retensi dan produktivitas tim dan mengurangi perekrut‘bias. Selain itu, itu akan mendorong kandidat terbaik‘ cocok pada organisasi, yang akan meningkatkan nilai perusahaan sebagai konsekuensinya.

Sumber: Rudresh Mishra, Ricardo Rodriguez dan Valentin Portillo, “Akuisisi Bakat Berbasis AI dan Tolok Ukur untuk Pekerjaan”.