СОРЕВНОВАНИЕ

Резюме противоречивы. Даже самый лучший анализ OCR оставляет много беспорядочных и неструктурированных данных. Затем, когда кандидат проходит процесс подачи заявки, в него включаются люди. Добавьте к набору данных текстовые обзоры заявителя в произвольной форме, а также языковые и личные предубеждения. Кроме того, каждый источник данных разрознен, что дает ограниченные аналитические возможности.

СЕРВИСЫ

  • Машинное обучение
  • НЛП
  • Аналитика людей

Обработка естественного языка позволяет машинам понимать и классифицировать текст произвольной формы.

НАШ ПОДХОД

После оценки процессов найма в нескольких компаниях мы обнаружили 3 последовательные возможности для систематического улучшения результатов найма с помощью машинного обучения НЛП. Проблемными областями являются: правильное структурирование данных резюме кандидатов, оценка соответствия должности и снижение предвзятости при приеме на работу людей.

Мы использовали:

Наука о данных: алгоритмы НЛП для получения разнообразных данных резюме кандидатов в реляционную базу данных.

Машинное обучение: запатентованная адаптивная таблица навыков работы, позволяющая оценить, подходит ли кандидат для работы, путем анализа извлеченных фраз резюме.

AI: Анализ настроений для уменьшения предвзятости в объявлениях о вакансиях.

РЕШЕНИЕ

Blue Orange Digital начала с насущной проблемы - изолированных источников данных. Мы разработали специальный ETL для смешивания, очистки и стандартизации различных наборов данных. Затем мы работали над синтаксическим анализом и категоризацией строкового текста произвольной формы для интеллектуального поиска и анализа неструктурированных документов. Используя классификаторы обнаружения ключевых слов, оптическое распознавание символов и облачные механизмы NLP, мы смогли очистить текст строки и превратить его в реляционные данные. Со структурированными данными мы предоставили быструю, интерактивную и доступную для поиска панель управления бизнес-аналитикой в ​​AWS Quick Sight. Благодаря очищенному и структурированному набору данных мы смогли выполнить как анализ тональности текста, так и выявление субъективности, чтобы уменьшить предвзятость кандидата в оценке человека.

Благодаря структурированным данным мы предоставили быструю, интерактивную и доступную для поиска панель управления бизнес-аналитикой в ​​AWS QuickSight.

Возобновить просмотр

Мы использовали машинное обучение для автоматизации проверки резюме, составления короткого списка и оценки кандидатов на основе резюме существующих сотрудников. Во-первых, мы использовали алгоритм машинного обучения для обработки естественного языка, чтобы превратить неструктурированный текст резюме в реляционные данные. Затем мы создали другой алгоритм машинного обучения, который обучался на предыдущих сотрудниках, чтобы узнать, какие точки данных резюме (входные данные) коррелируют с успешными сотрудниками, чтобы создать короткий список квалифицированных кандидатов на должность (выход). Вместо того, чтобы просто сканировать ключевые слова, мы можем делать прогнозные предложения по найму в HR. Кроме того, для фирм, которые используют оцифрованные интервью, мы можем использовать технологию машинного обучения для оценки личности кандидатов и их соответствия должности, изучая выражения лиц успешных кандидатов и выбор слов.

Анализ настроений

Мы использовали анализ настроений, чтобы выявить потенциально предвзятые формулировки в описаниях должностей. В программу вводятся такие слова, как «агрессивный», которые воспринимаются как мужские, и такие слова, как «сотрудничество», которые воспринимаются как женские. Анализируя слова, используемые в объявлении о вакансии, программа создает выходные данные из предложенных заменяющих слов, чтобы помочь решить проблему, заключающуюся в том, что эти слова могут мешать кандидатам-женщинам подавать заявки.