Moka 推出 AI 人崗匹配功能,提升企業簡歷篩選效率
36氪獲悉,智慧招聘管理系統 ofollow,noindex" target="_blank">Moka 近日推出“AI 人崗匹配”及“簡歷智慧解析”功能,推動簡歷篩選這一細分環節中的智慧化。
在現有的簡歷篩選環節尤其是主動 Sourcing 的步驟中,HR 們需要花費大量時間從海量人才庫中搜索簡歷,提取學歷、工作背景、專案經驗等資訊,整理錄入,並與在招職位需求做匹配。 但資訊提取工作繁瑣重複,技術含量低;人才庫中失效簡歷比例高,匹配效率低;簡歷初篩依賴 HR 經驗,經驗不足的 HR 缺乏篩選條件參考 。這些痛點都導致 HR 的投入和產出不成比例,企業難以篩選出合適的人才。
Moka 的簡歷智慧解析技術結合了概率圖模型、傳統機器學習模型與深度學習模型,包括 LSTM(長短期記憶網路)、CRF(條件隨機場)模型、OCR(影象文字提取)等技術,提取簡歷中的非結構性資料,解析維度超過100個, 在資料覆蓋範圍與精準度上實現了優於同行業解析水平10%的提升。
在簡歷解析的基礎上,人崗匹配功能更進一步, 通過人工智慧將企業的在招職位與企業的人才庫簡歷進行匹配和推薦,從而實現簡歷庫的盤活 。基於 NLP 技術、知識圖譜、深度學習模型及大量的招聘行為積累資料,Moka 訓練出一套人崗匹配演算法,這套演算法會在企業後續招聘的過程中主動學習調優。
在推出產品新功能的同時,Moka 表示 將 在服務端投入更多資源,幫助企業梳理、覆盤、優化招聘流程,提高 HR 效率 ,堅持挖掘 SaaS 的價值,不做私有化部署或定製化開發。
Moka A 資方 GGV 紀源資本執行董事吳陳堯表示,由於一站式的解決方案更符合國內企業的需求,HR SaaS 領域內的垂直整合是趨勢所向。作為投資方,GGV 看好一個由資料及 AI 驅動的團隊去做整合。
針對兩項新功能,36 氪與 Moka CTO 李國興探討了技術實現上的挑戰與 Moka 的應對方案:
36氪:目前是否有資料支援AI的有效匹配?
李國興:AI人崗匹配上線不久,暫時還未產生大量的資料做支援。
36氪:匹配演算法的形式是跨公司的普適匹配演算法還是每個公司的專屬演算法?如果是後者,單家公司是否有足夠的語料庫支援演算法的訓練?
李國興: 我們採用的是普適匹配演算法,但我們的演算法會結合單家公司的歷史行為資料進行訓練 ,如通過、淘汰過哪些候選人。基於這些資料,我們可以進一步完善每個職位的個性化候選人畫像,比如 A 公司的 Java 職位更看重教育背景,B 公司的 Java 職位對工作年限卡的更嚴等等。
36氪:白領的技能相對難以量化,在某些行業/崗位上尤其突出,人崗匹配的演算法是否因此侷限?
李國興:我們的演算法基於 Moka 系統的脫敏資料訓練,所以演算法的適用範圍主要是我們所服務的行業。關於技能本身如何量化,回到人崗匹配的目標來看,其實核心還是如何刻畫技能和職位的關係。針對這個問題我們構建了一個知識圖譜,其中包含了職位和技能、技能和技能的對應關係,從而將簡歷的資訊更好的與職位資訊匹配。
36氪:正在佈局的物流/零售領域的藍領招聘,有什麼突破點或難點?
李國興:這一塊目前我們還處於探索調研階段,AI人崗匹配現在主要適用於我們所服務的行業,但未來我們會嘗試AI人崗匹配在多行業的解決方案。
36氪:簡歷資料來源是 Moka 本身積累的招聘資料還是招聘平臺渠道?
李國興: Moka 人崗匹配演算法的訓練資料來自於 Moka 系統本身積累的資料。 我們有完善的資料倉庫體系和資料清洗、脫敏、傳輸等處理流程,從而確保用於演算法訓練的候選人資料是完全抹去個人資訊的,符合《網路安全法》,也同時最大程度地保障客戶的隱私。
36氪:如何保證求職者的簡歷的時效性?
李國興:Moka 人崗匹配的推薦資料來源來源於企業自己的人才庫積累,這部分資料的優點是企業獨特的資源,對企業的僱主品牌有認知,缺點就是求職意向不明確。針對這個問題 Moka 提供人才庫全網動態監測的功能,幫助企業把人才庫盤活 。全網動態監測功能資料來源於第三方合作方,並應用脫敏的簡歷查重演算法來匹配人才庫的候選人。