LinkedIn详细介绍了AI工具 可以更好地将工作与候选人匹配

领英(LinkedIn)今天拉开了合格申请者(Qualified Applicant，QA)的帷幕，该系统是一种AI系统，可从求职者的互动中学习各种技能和经验，使他们更喜欢聘用者。该模型是微软拥有的平台用来帮助200个国家/地区的6.9亿用户找到他们有最大机会获得回馈的工作的模型，该模型旨在通过强调被认为合适的招聘者来减少招聘人员忽视申请人的可能性。

LinkedIn表示，创建一个可以应对职位临时性的系统绝非易事。它必须大规模地工作-质量保证具有“数十亿”的系数-并且必须对尽可能多的求职者和雇用者有效。正式而言，质量检查试图预测“正招聘者行动”的可能性，条件是给定成员申请特定职位。积极的招聘人员行动的构成取决于具体的情况-可以包括查看申请人的个人资料，向他们发送消息，邀请他们参加面试或向他们发送工作机会。

单一的全局QA模型是针对成员和角色而量身定制的，每个成员和每个职位的模型都针对成员和职位所特有的数据进行了培训。在单个训练迭代中，许多模型中的每个模型都是独立的，从而使它们并行且易于大规模使用。在对所有数据训练全局模型的同时，仅使用成员的工作应用程序对每个成员的模型进行训练。同时，按职位模型对职位的求职者进行了培训。

每隔几周对全球质量检查进行一次再培训，但是必须定期更新个性化模型以应对性能下降。(LinkedIn表示，三周后，每位成员的模型相对于基准模型的性能优势有所提高。)培训标签每天由诸如聘用新候选人的事件等生成;近似的标签收集管道试探性地推断出负数，并在可用时立即使用明确的正负反馈。例如，如果招聘者对稍后提交的其他申请做出回应，则管道可能会在14天后推断出没有参与的负面标签。

生成标签和重新训练个性化QA模型组件最多需要一天的时间，这些组件只有在通过某些自动质量检查后才能部署。将来，LinkedIn希望通过基于流处理技术(如Apache Samza和Apache Kafka)构建的近实时数据收集和培训框架，将延迟时间减少至数分钟。

该公司表示，在已部署QA的LinkedIn行业各行各业-求职者，高级和招聘人员-该公司表示已启用新体验。在寻找者方面，如果成员的个人资料与工作相匹配，则质量检查会突出显示搜索结果。对于高级会员，它展示了与其他求职者竞争的机会。使用LinkedIn Recruiter的聘用者将受益于更智能的申请人排名，以及针对得分很高的会员的通知。

LinkedIn表示，个性化模型与他们所替换的系统相比，招聘人员通知的招聘者互动率和点击率(CTR)取得了“两位数”增长，同时，确认的员工和高级职位也获得了“整个站点的提升”搜寻者点击率。“我们的分析表明，大多数求职者至少应聘5个工作，而大多数求职者至少应聘10个应聘者。事实证明，这产生了足够的数据来训练……个性化模型，” LinkedIn在博客中写道。“我们的愿景……是为全球劳动力的每一个成员创造经济机会。实现这一目标的关键是使求职者和雇用者之间的市场更加高效……积极的求职者申请了很多工作，而只有少数人得到了反馈。”

LinkedIn对AI的使用无处不在。在2019年10月，微软拥有的平台揭示了一个模型，该模型使用Microsoft的认知服务平台和独特的LinkedIn衍生数据集实现，从而为上传到LinkedIn的图像生成文本描述。LinkedIn的“推荐候选人”功能可学习给定角色的招聘条件，并在专用选项卡中自动显示相关候选人，其AI驱动的搜索引擎使用数据，例如人们在个人资料上发布的内容以及候选人执行的搜索以产生预测适用于最适合的工作和求职者。此外，LinkedIn的AI驱动的审核工具会自动发现并删除不适当的用户帐户。