AI简历筛选：评分体系搭建关乎筛选效率与用户体验
AI简历筛选，并非单纯的技术问题，而是产品设计方面的挑战，评分体系怎样去搭建，这既对筛选效率有所影响，又决定着用户体验，本文结合落地案例，将评分体系的核心逻辑进行拆解，为AI产品从0到1提供实战指南。
前些日子跟诸位分享过HR领域里AI落地情形，大略谈了谈我们究竟是怎样切实将AI简历筛选予以落地的。
但是，雷神个人感觉，于进行AI简历筛选平台制作期间，最为困难的并非是简历解析，也并非是标签生成，然而却是，评分体系究竟该如何去设定。
要是评分逻辑欠缺清晰程度，那么结果便会致使 HR 产生不放心之感；要是体系过度死板，那么又将会错失潜在的优质候选人。
所以，我们在设计的时候，确立了一个核心理念：
使评分能够体现AI的“语义理解能力”，并且要保证招聘环节中的最基本的“硬性标准”。
为此，我思考出了一套 “三维加权评分模型”。
第一层：向量模型评分（核心能力匹配 · 权重 50%）
这是整个体系的“定方向”部分，雷神觉得也是最重要的。
它借助大模型具备的语义理解能力，将岗位描述也就是JD，跟简历内容进行匹配 。
举个例子：
JD 要求“具备出色的财务分析和预算编制能力”；
写于候选人简历上的信息是，主导制定公司依据年度情况的财务预算，且完成了基于季度情形的财务状况分析报告。
即便不存在全然一样的关键词，然而AI能够领会两者于语义方面的高度关联，进而给出高分。
价值在于：
第二层：结构化标签评分（硬性门槛验证 · 权重 30%）
方向对了之后，下一步看候选人是否满足 硬性门槛。
包括学历，城市，技能，经验，岗位级别，这些构成标签维度，举例来说，任何一家企业能够按照实际情形灵活进行调整。每个标签，都存在独立的打分规则：
这一层的价值在于：
确保“基本条件”被纳入考量范围，与此同时，准许候选人借助真实的能力以及经验去填补学历或者年限方面存在的欠缺，即便学历或者年限当下并不契合要求，也能够凭借自身实力获得认可标点符号。
第三层：关键词评分（细节验证 · 权重 20%）
最后一层负责 细节验证，尤其是技术类岗位的刚性技能。
像是芯片设计岗位，对此有着精通 STA 的要求，进而系统不但会匹配“STA”，并且还会去寻找相关工具，例如“”“”。
如果简历里出现，就加分；没有就提醒 HR 注意。
价值在于：
给出用于语义匹配的，确凿的证据，防止出现那种，AI感觉相近可是候选人并未做过的，错误判断。
三维加权评分模型的合成逻辑
这里存在总分，它等于，向量模型分乘以百分之五十，加上，结构化标签分乘以百分之三十，再加上，关键词分乘以百分之二十 。
这就是 三维加权评分模型：
总结
很多人一提 AI 简历筛选，第一反应就是“关键词搜索”。
但其实，关键词只能解决表面问题，真正的核心在于 评分体系。
我们这次探索出的 三维加权评分模型，做到了：
看一下候选人实际能够做的是些什么，优先考虑能力；过硬的条件不能放过去，以进行门槛校验；躲开“看似匹配”方面的风险，属于细节验证
它使得 HR 不会再被“人海战术”所淹没，而是能够迅速地聚焦于真正值得去面试的候选人之上。
进一步思考：权重不能一刀切
不过，在真实招聘场景里，我们也发现了一个问题：
不同岗位、不同层级、不同业务场景下，评分的权重不能一刀切。
比如：
这有着这样的意味，哪怕是三维加权评分模型，要是权重被写死，那么就会致使结果失真。
动态权重自适应框架
因此，未来我们应该按照升级版思路去落地：动态权重自适应。
它包含三个层次：
基础评分层，会沿用三维加权评分模型，以此来保证算法逻辑统一。权重配置层，当HR发布职位的时候，能够选择系统推荐模板，也能够手动调整权重，或者直接应用历史成功案例的配置。学习迭代层，系统会依据招聘结果反馈，此反馈包含录用效果以及后续表现，进而自动优化权重，使得模型越用越聪明。
如此运作之后，AI 这般事物既能够发挥作用对分数进行计算辅助，又能够持续开展经由学习实现的变更与跃进演化，进而促使推荐所产生的结果更加契合于实际存在的业务所具备的需求。
展望
今儿个咱们所谈论的是简历筛选，然而这仅仅 是 AI 在招聘这个环节里的一个切入点 。
未来，动态权重会持续完善，反馈闭环也会持续完善，数据沉淀同样会持续完善，在这种情况下，这套评分体系能够完全延展到全链路的人才管理，：
也就是说，AI 不但能够协助我们去处理“眼前的效率问题”，而且更有极大可能性变成用于支撑企业长久人才战略实施的基础能力 。
欢迎 你 发表评论: