كيف يعمل الاستقطاب الأصلي بالذكاء الاصطناعي فعليًا

معظم الفرق جربت الاستقطاب بالذكاء الاصطناعي حتى الآن. معظمهم عادوا بخيبة أمل.

السبب هو نفسه تقريبًا دائمًا: الأداة لفّت نموذج لغة حول نفس بحث Boolean الذي كانوا يستخدمونه بالفعل. كانت نافذة الدردشة جديدة. قائمة المرشحين لم تكن كذلك.

الاستقطاب الأصلي بالذكاء الاصطناعي شيء مختلف. يعامل طلب المجند — اعثر لي على مهندس منصة كبير أطلق بنية تحتية متعددة المناطق، ويفضل في fintech، والذي سيفتح بريدي الإلكتروني فعليًا — كمشكلة يفكر فيها النظام، وليس استعلامًا يُجزأ.

التفسير، لا التحليل

أول شيء يجب تغييره هو كيفية قراءة الطلب.

أداة الكلمات المفتاحية ترى مهندس منصة كبير متعدد المناطق fintech. تبحث في الملفات التي تحتوي على تلك السلاسل بالضبط، ثم تصنف بناءً على درجة غامضة. المرادفات تخمين؛ منصة قد تطابق منصات لكنها تفوت البنية التحتية. المستوى هو فلتر سنوات الخبرة الذي يعاقب من تخطى مستوى.

نظام أصلي بالذكاء الاصطناعي يفسر الطلب كما يفسره مجند آخر. كبير يعني موظف أو مسار رئيسي في هذا السوق، مع نطاق قيادة. البنية التحتية متعددة المناطق تعني التوازن العالمي للحمل، التكرار، الفشل التلقائي — ليس العبارة الحرفية. fintech هي الصناعة المفضلة، ليست فلترًا صارمًا، لأن الأنماط الأساسية تنتقل من healthtech، الألعاب، وadtech بطرق مفهومة جيدًا.

كل هذا ليس بحثًا. إنه تفسير، ويجب أن يحدث قبل إنشاء أي قائمة مرشحين.

المهام، لا المكالمات الفردية

بمجرد تفسير الطلب، يشغل النظام ما نسميه مهمة: خطة متعددة الخطوات ينفذها وكيل منسق ضد مجموعة المرشحين.

مهمة لطلب مهندس المنصة هذا ستكون مثل: سحب تمريرة أولى واسعة على الملفات المحتملة، تقييم كل منها مقابل متطلبات الدور المستنتجة، التوسع في الصناعات المجاورة عند نقص العرض، الغوص العميق في أفضل 200، والتوقف فقط عندما تكون القائمة المختصرة مليئة بالمرشحين الذين سينجون من مراجعة مدير التوظيف.

هذا هو الجزء الذي يكسر كل أداة كلمات مفتاحية. البحث يعيد 1800 نتيجة ثم يبتعد. المهمة تعرف أن 1800 نتيجة تعني القليل حتى يتم تقييمها، وأن التقييم سيرفض معظمها، وأن النظام يحتاج للاستمرار حتى تصبح القائمة المختصرة حقيقية.

التقييم هو المنتج

القائمة المختصرة جيدة فقط بقدر جودة التقييم خلفها.

تقييم مهندس ليس مسألة عد ضربات الكلمات المفتاحية. إنه قراءة مسار الحياة المهنية، عمق كل دور، نوع المشاكل التي تم تنفيذها، قوس المستوى، والإشارات التي توحي بأن شخصًا ما منفتح على محادثة.

نموذج تم ضبطه بدقة على هذه الإشارات — ويسمح له بقضاء حساب حقيقي لكل مرشح — ينتج درجة ملاءمة تصمد عند الاتصال بمدير التوظيف. النموذج الذي لم يُضبط، لا يفعل ذلك.

التواصل في نفس الحلقة

الجزء الأخير الذي تفوته معظم الأدوات هو أن الاستقطاب والتواصل ليسا منفصلين. نفس السياق الذي قيم المرشح هو ما يجعل البريد الإلكتروني يستحق الفتح.

عندما يعرف النظام بالفعل أن مرشحًا أطلق مشروعًا متعدد المناطق في شركة معينة، يمكنه صياغة بريد إلكتروني يذكر ذلك دون أن يبدو كقالب. عندما لا يعرف، تحصل على نفس "مرحبًا first-name، صادفت ملفك الشخصي" الذي يحذفه الجميع.

ما الذي تحصل عليه فعليًا

عمليًا، تغير حلقة الاستقطاب الأصلية بالذكاء الاصطناعي ثلاثة أشياء:

• تصل القائمة المختصرة في دقائق، لا أيام.
• يتوقف مدير التوظيف عن إعادتها، لأنها تطابق الوصف فعليًا.
• ترتفع نسبة الرد على التواصل الأول، لأن لكل بريد سببًا محددًا للوجود.

تُلصق تسمية الاستقطاب بالذكاء الاصطناعي بالعديد من المنتجات. من المفيد السؤال، عند تقييم واحد، أي من هذه الأشياء الثلاثة يتغير فعليًا عند استخدامه.