Робот для HR: как мы научили модель обрабатывать тысячи резюме, и не дали рекрутерам сойти с ума
- Заказчик
- Proscom
- Задача
- Как упростить работу рекрутерам и быстро и эффективно обработать 1000 резюме? С помощью умных алгоритмов сервиса HRobot
Все началось около года назад, когда мы работали над другим ML-проектом.
ML (Machine Learning) — Машинное обучение — подраздел искусственного интеллекта, который использует техники, чтобы обучать системы выполнять определенные задачи на основе представленных данных.
Мы расширяли штат, рекрутеры ежедневно просматривали десятки резюме. И однажды они попросили нас помочь: «Ребят, мы не справляемся. Уже отсеяли 500 резюме, отложили 100 и еще 1000 штук в очереди. Мы физически не справляемся. А еще, как понять, кого в первую очередь смотреть?»
Так, мы поняли, что наш проект может принести пользу и в HR-сфере и решили его переформатировать. Устраивайтесь поудобнее, сейчас расскажем, как появился HRobot.
Проблема: как обработать 1000 резюме за несколько часов? Явно не руками дорогих (во всех смыслах) рекрутеров. Тратить ресурсы специалистов на подобные механические задачи по меньшей мере расточительно. И как избавиться от гипотетической субъективности рекрутеров?
Решение: мы решили обратиться к силам, значительно превосходящим нас в быстрой обработке данных, — к искусственному интеллекту.
Так, наш ответ рекрутерам был следующим: «Давайте нам эти 500 неподошедших резюме, 100 удачных и 1000 оставшихся. Мы загрузим их в модель и обработаем».
Итак, у нас были:
NLP-модель (Natural Language Processing — обработка естественного языка). Это технология машинного обучения, которая дает возможность интерпретировать и «понимать» язык человека;
алгоритмы, которые искали закономерности в успешных и неуспешных резюме. Важно отметить, что маркер успешности и неуспешности для обучения модели задает человек, ее обучающий. Так он учит машину отличать хорошее от плохого, показывая примеры подходящих и неподходящих резюме.
Наша модель проанализировала эти данные: «посмотрела» на 500 неудачных примеров и на 100 хороших — и научилась отличать одни от других. Иными словами, она нашла определенные закономерности:
наличие или отсутствие ключевых навыков и опыта;
спецификации по вакансии;
релевантность опыта успешных кандидатов.
Модель учитывала требования, указанные в объявлении о вакансии и сравнивала их с информацией в резюме. Это позволило выявить соответствие между ожиданиями работодателя и предоставленной кандидатом информацией.
Алгоритмы обращались к опыту успешных кандидатов, сопоставляли их характеристики и признаки с новыми резюме, чтобы выделить общие черты успешных кандидатов.
И именно так из той тысячи резюме — о которых ничего не было известно — модель выбрала 50 наиболее подходящих. Мы отдали их рекрутерам, а те пошли назначать собеседования.
Через две недели HR-специалисты вернулись и сказали, что наши алгоритмы отлично справились и предложили продолжить работу.
Что касается объективности, то отметим, что модель полностью исключает человеческий фактор в обработке резюме. Ей все равно, что бывшего мужа рекрутера Анны зовут Антон, и теперь она автоматически отказывает кандидатам с таким именем. Модель не может забыть положить резюме в папку, потому что устала. Она руководствуется только навыками и опытом кандидата.
Проблема: нейросеть — это здорово, но как ею пользоваться?
Решение: после того, как наши рекрутеры попросили нас сделать умный сервис, мы решили максимально облегчить их работу. И взялись не только за оптимизацию обработки резюме, но и за простоту использования Hrobot.
Мы проанализировали ряд популярных платформ по поиску работы: смотрели, как соискатели заполняют резюме, пытались понять, чего от них ждут работодатели.
Исходя из этих исследований, мы продумали пользовательский путь и воплотили его в удобном и простом интерфейсе.
Дизайн получился максимально простой: мы обозначили зоны загрузки резюме (кстати, можно загружать их прямо «пачкой»), показали, где искать результаты.
Проблема: а как быть, если появляются новые вакансии? Рекрутерам придется учиться обучать модель?
Решение: мы решили предложить несколько моделей, обученных на наиболее распространенных вакансиях: руководитель проектов, системный аналитик, продуктовый дизайнер, фронтенд-разработчик и других.
Затем мы поняли, что HRobot может быть полезен другим компаниям и не стали жадничать, а выпустили его в мир.
С помощью готовых моделей рекрутеры могут протестировать сервис и понять, как он работает. Но для того, чтобы получить максимальный эффект, необходимо создать собственные уникальные модели, основанные на данных компании.
При этом мы не бросаем компании, которые воспользуются сервисом, на произвол судьбы. Мы помогаем создавать новые модели. Сами отбираем резюме для обучения алгоритмов, учитывая необходимые ключевые навыки, и обогащаем их реальными данными компании.
В итоге, компания получает модель, обученную на собственных данных, а не на мнении отдельных рекрутеров.
Мы исследовали HR-процессы одного банка. В год он нанимает до 2000 линейных сотрудников. На их обучение и работу тратятся ресурсы. Однако 30% этих сотрудников увольняются в первые 3 месяца. Получается, что все затраты на них — это прямые убытки. Так, основные KPI HRobot — уменьшение подобных убытков и снижение числа увольнений по инициативе работника.
Сервис запущен и получает положительные отзывы.
Мы также планируем запустить версию для соискателей — с помощью HRobot они смогут составить «идеальное» резюме. Массив накопленных обезличенных данных (модели и запросы пользователей из b2b-раздела), аналитика рынка и компетенции партнеров позволят узнать, какие навыки, качества и опыт нужны для улучшения резюме и развития карьеры.