Sztuczna inteligencja w rekrutacji pracowników - AI sercem bazy kandydatów ATS Element

2 marca 2020

Kontynuując wątek zastosowań jakie ma sztuczna inteligencja w rekrutacji pracowników, postaram się pokazać jaką rewolucję technologia ta przynosi w zakresie zarządzania bazami kandydatów w systemach ATS. Słowo rewolucja nie jest tu użyte przesadnie. Sztuczna inteligencja, jako pierwsza technologia, pozwoli organizacjom w sposób natychmiastowy, wykorzystując minimalną ilości ludzkiej pracy, czerpać z pełnego potencjału baz kandydatów. Nigdy wcześniej nie było to możliwe.

Na potrzeby tego artykułu bazę kandydatów będę traktował jako zbiór wszystkich CV, które organizacja zgromadziła w związku z prowadzonymi procesami rekrutacyjnymi pracowników. Nie mam tu na myśli rzeczywistych relacji międzyludzkich, a jedynie zbiory dokumentów aplikacyjnych kandydatów.

Bazy kandydatów przechowywane są na różne sposoby: skrzynki e-mailowe, laptopy, serwery własne, zasoby chmurowe. Niekiedy do gromadzenia i zarządzania CV wykorzystywane są dedykowane systemy HR’owe, w szczególności systemy rekrutacyjne, potocznie zwane ATS ‘ami (od applicant tracking system).

Bez względu na sposób przechowywania i rozmiar bazy kandydatów, nie jesteśmy w stanie wykorzystać jej pełnego potencjału bez zaangażowania ludzkiej pracy. Wielkość tego zaangażowania jest wprost proporcjonalna do wielkości bazy kandydatów., 

Klasyczny model przeszukiwania bazy kandydatów - bez sztucznej inteligencji

Wyobraźmy sobie, że pracujemy w firmie z branży inżynieryjnej, która posiada bazę 10 tys. kandydatów. Są to różnorodni kandydaci, których zgromadziliśmy w toku licznych rekrutacji na stanowiska inżynieryjne. Przyjmijmy również, że poszukujemy kandydata, który:

  • posiada 4 letnie doświadczenie na stanowisku inżyniera sprzedaży;
  • przez minimum 2 lata zarządzał działem sprzedaży;
  • językiem angielskim włada na poziomie C2;
  • mieszka w Warszawie. 

Jak wyglądałby proces wyszukiwania takiego kandydata w naszej przykładowej bazie, gdzie sztuczna inteligencja nam nie pomaga? Dotychczas dysponowaliśmy dwoma możliwościami:

  1. Jeśli miejsce, w którym przechowujemy CV (np. system typu ATS), nie umożliwia odczytywania treści dokumentów, bo nie ma sztucznej inteligencji, wówczas konieczne jest wykonanie ludzkiej pracy związanej z przejrzeniem każdego CV. Jest to scenariusz najbardziej kosztowny. Koszt wzrasta z każdym nowym CV, które spływa do bazy kandydatów. Przy bazie 10 tys. kandydatów jest to koszt sprawdzenia przez człowieka każdego z tych 10 tys. CV.
  2. Jeśli dysponujemy systemem typu ATS lepszej klasy, który potrafi odczytać treść zgromadzonych w nim CV, wówczas możemy przeszukać bazę kandydatów za pomocą dowolnego ciągu znaków, często przy wykorzystaniu operatorów logicznych (boolean search). Jeśli zatem szukamy inżyniera, to w naszej bazie kandydatów wpiszemy w wyszukiwarce np. “inżynier AND warszawa” i system wyświetli nam wszystkie CV, które zawierają słowa “inżynier” i “warszawa”. Nie jest to rozwiązanie idealne, albowiem wciąż musimy przejrzeć każde wyszukane CV i sprawdzić kontekst użycia tych słów. Czym więcej znalezionych kandydatów, tym więcej CV będziemy musieli samodzielnie przeanalizować.

Oczywiście w obu powyższych wypadkach, pracę związaną z analizą CV wykonuje się zazwyczaj już w momencie wpływu aplikacji do systemu. Po zapoznaniu się z treścią życiorysu rekruter może oznaczyć CV notatką, czy etykietą. Jest to bardzo pomocne rozwiązanie, aczkolwiek tylko tak dobre, jak dobrze zostaną wykonane te notatki i etykiety. Niestety dokładne etykietowanie i szczegółowe notatki to dodatkowy czas, a zatem i koszt, który rośnie wraz z rosnącą liczbą aplikacji.

Sztuczna inteligencja zrobi to za nas!

Przypomnę, że nasze zadanie polega na efektywnym wyszukaniu w bazie 10 tys. kandydatów z branży inżynieryjnej tych CV, które spełniają nasze wymagania.

By rozwiązać to zadanie rzeczywiście efektywnie, tzn. najszybciej, najtaniej i z dobrą dokładnością, musimy skorzystać z systemu rekrutacji, który nie tylko potrafi odczytać treść dokumentów (przykład nr 2 powyżej), ale musi również tę treść rozumieć. Rozumienie treści CV jest kolejnym etapem rozwoju systemów rekrutacyjnych, który rewolucjonizuje sposób pracy z bazami kandydatów. Czym jednak jest to rozumienie treści CV? Przedstawię to na przykładzie systemu rekrutacyjnego Element

Nasz system ATS, natychmiast po złożeniu aplikacji przez kandydata, odczytuje treść CV. Odczytuje, tzn. znak po znaku zapisuje treść całego dokumentu. Następnie rozpoczyna się proces rozumienia tej treści. Rozumienie polega na podejmowaniu przez algorytm sztucznej inteligencji samodzielnej decyzji o tym, jakie znaczenie mają poszczególne elementy treści CV. Innymi słowy, nasz ATS najpierw odczytuje treść CV i następnie interpretuje, co w tym CV jest:

  • imieniem
  • nazwiskiem
  • miejscem zamieszkania
  • miejscem zatrudnienia
  • stanowiskiem
  • opisem stanowiska
  • datą rozpoczęcia i datą zakończenia pracy
  • znajomością języka w stopniu od A1 do C2
  • umiejętnością
  • certyfikatem
  • szkoleniem

Jeśli zatem sztuczna inteligencja systemu rekrutacyjnego Element natrafi w życiorysie na frazę “Jan Kowalski”, to samodzielnie podejmie decyzję, że fraza ta to w istocie imię i nazwisko kandydata. Jeśli natrafi na frazę “Inżynier sprzedaży” to prawdopodobnie uzna, że jest to stanowisko pracy kandydata. Użyłem słowa “prawdopodobnie”, ponieważ sztuczna inteligencja podejmując swoją decyzję, bierze pod uwagę wiele czynników, takich jak np. kontekst, w którym znajduje się dane słowo lub fraza. W wyniku analizy całego CV powstaje ustrukturyzowany profil kandydata. Dzięki tej strukturze nasz system ATS dokładnie wie jaka jest historia zatrudnienia kandydata, na jakich uczelniach i kierunkach studiował, czy też jakie deklaruje umiejętności językowe. 

Algorytm sztucznej inteligencji potrafi w ułamkach sekund “zrozumieć” setki dokumentów CV i tworzyć z nich ustrukturyzowane profile kandydatów. W tak powstałej ustrukturyzowanej bazie kandydatów odszukanie kandydata posiadającego określoną historię zawodową jest już kwestią ułamków sekund i nie wymaga jakiejkolwiek ludzkiej pracy.

Trzy klasy systemów rekrutacyjnych ATS

Część dostępnych na rynku systemów ATS zapisuje pliki CV bez odczytywania ich treści. Wyszukując kandydatów, użytkownik takiego systemu rekrutacyjnego może jedynie przejrzeć każde CV z osobna i czytając je stwierdzić, czy treść dokumentu zawiera poszukiwane informacje. Jest to model już archaiczny i bardzo kosztowny z punktu widzenia kosztów wyszukiwania kandydatów. Sztuczna inteligencja w nim nie jest wykorzystywana. Nazwijmy ten typ systemów rekrutacyjnych jako system ATS klasy I.

Zdecydowana większość systemów ATS nie tylko zapisuje pliki CV, ale także odczytuje ich treść. Dzięki odczytaniu treści użytkownik może w wyszukiwarce wpisać “inżynier sprzedaży” i znaleźć wszystkich kandydatów, którzy w swoich CV użyli takiej właśnie frazy. Użytkownik takiego ATS nie może skorzystać ze sztucznej inteligencji, przez co nie wie w jakim kontekście fraza została użyta i musi sprawdzić to samodzielnie, przeglądając treść dokumentu. To będzie system ATS klasy II.

Wreszcie pojawiają się już systemy rekrutacyjne – np. nasz ATS Element – które idą krok dalej i nie tylko odczytują treść życiorysów, ale także samodzielnie interpretują tę treść, ponieważ posiada sztuczną inteligencję. Innymi słowy, taki ATS rozumie co w treści CV jest imieniem, co jest nazwiskiem, stanowiskiem, pracodawcą, datą rozpoczęcia, zakończenia itd. Taki system rekrutacyjny automatycznie zmienia całą bazę kandydatów, bez względu na jej rozmiar, w uporządkowany zbiór informacji, w którym można wyszukiwać kandydatów szybciej i precyzyjniej niż kiedykolwiek. Taki system rekrutacyjny wykona nasze zadanie w sposób maksymalnie efektywny. To będzie system ATS klasy III.

Warto zauważyć, że z punktu widzenia użytkownika ATS ’em klasy III jest również Linkedin. Linkedin nie musi jednak korzystać z algorytmów sztucznej inteligencji. Użytkownicy portalu samodzielnie tworzą na Linkedin swoje profile zawodowe, budując własnoręcznie największą na świecie ustrukturyzowaną bazę kandydatów.

Wkrótce wrócimy do rozważań o sztucznej inteligencji. Opowiemy jak stworzyliśmy własną SI w Element.

Powiązane posty:

Linki zewnętrzne:

hashtags# sztuczna inteligencja baza kandydatów rekrutacja ATS system rekrutacyjny

Maciej Michalewski

Maciej Michalewski

CEO @ Element. Recruitment Automation Software

Ostatnie wpisy:

Google Kormo Jobs

Google testuje Kormo Jobs – nową aplikację, która w odróżnieniu od Google Cards, dedykowana jest stricte procesom rekrutacyjnym.

Czytaj więcej »