Od JobMatchera do CV Studio: znaleźć ofertę to dopiero początek

Pierwszy problem: za dużo informacji do przejrzenia

JobMatcher, rozwijany w projekcie Job Alert, powstał jako prywatne narzędzie do monitorowania ofert pracy. Jego zadanie nie polega na napisaniu ładnego opisu ogłoszenia. Ma zebrać oferty, porównać je z profilem i pokazać te, którym warto poświęcić uwagę.

To zmienia sposób patrzenia na AI. Zanim model zacznie cokolwiek podsumowywać, trzeba ustalić, czego właściwie szukamy. Sama nazwa stanowiska nie wystarcza. Znaczenie mają obowiązki, umiejętności i preferencje osoby, dla której przygotowywany jest wynik. Dwie podobnie nazwane role mogą oznaczać zupełnie inną pracę.

Dlatego w JobMatcherze jest kilka etapów. Najpierw zebranie ofert i ograniczenie duplikatów. Potem filtrowanie według reguł, ranking i analiza wybranych ogłoszeń z pomocą AI. Na końcu powstaje podsumowanie. Każdy etap ma inną funkcję i nie wszystkie wymagają udziału modelu.

Podoba mi się w tym projekcie właśnie to, że AI nie musi robić wszystkiego. Jeżeli da się odrzucić oczywiście nietrafione wyniki prostą regułą, nie ma powodu prosić modelu o rozbudowaną interpretację każdego z nich. Uwaga i koszt analizy powinny trafiać tam, gdzie rzeczywiście mogą pomóc.

Najpierw trzeba powiedzieć, co znaczy dopasowanie

Polecenie „znajdź dobre oferty” brzmi zrozumiale, dopóki nie trzeba go wykonać. Co oznacza „dobre”? Zgodne z dotychczasową rolą? Dające możliwość zmiany? Blisko miejsca zamieszkania? Pasujące do określonych kompetencji? Nie da się tego rozstrzygnąć samą elokwencją modelu.

Własny profil jest więc częścią rozwiązania, a nie dodatkiem. Powinien opisywać rzeczy, które rzeczywiście mają znaczenie przy wyborze. Potrzebne są zarówno sygnały dopasowania, jak i powody odrzucenia. Inaczej system może znaleźć ofertę podobną językowo, ale nieprzydatną dla konkretnej osoby.

Przykładowo, ogłoszenie może zawierać dużo znanych terminów, a jednocześnie wymagać rodzaju odpowiedzialności, którego ktoś nie chce podejmować. To hipotetyczny przykład. Pokazuje jednak, dlaczego dopasowanie słów nie jest jeszcze dopasowaniem pracy.

Wynik powinien pomagać wrócić do ogłoszenia z konkretnymi pytaniami. Co pasuje? Czego nie potwierdzono? Co wymaga sprawdzenia? Jeżeli ranking nie pozwala tego zrozumieć, łatwo nadać liczbie większe znaczenie, niż rzeczywiście ma.

Ocena AI nie jest prawdopodobieństwem zatrudnienia

Scoring porządkuje kolejkę przeglądania. Nie mówi, jaka jest szansa otrzymania oferty pracy. System nie zna wszystkich kandydatów, decyzji rekrutera ani wewnętrznego kontekstu zatrudnienia. Dlatego nie przedstawiałbym wysokiego dopasowania jako obietnicy wyniku rekrutacji.

Ta sama ostrożność dotyczy braków w ogłoszeniu. Jeżeli nie ma informacji o warunku istotnym dla kandydata, odpowiedź powinna zachować tę niewiadomą. Nie zamieniać jej w pozytywną ocenę tylko dlatego, że reszta opisu wygląda dobrze.

Warto też odróżnić „nie znaleziono w materiale” od „osoba tego nie potrafi”. Profil może być niekompletny. Nie każda umiejętność jest opisana w CV. Taki brak może prowadzić do pytania do użytkownika, ale nie powinien być uzupełniany przez model z wyobraźni.

Dla mnie użyteczny raport pomaga zdecydować, co sprawdzić dalej. Ma oszczędzić część przeglądania, a nie odebrać człowiekowi ocenę. To ważna granica, bo dobrze wyglądająca liczba bardzo łatwo zaczyna udawać pewność.

Raport musi dotrzeć do normalnego sposobu pracy

Projekt nie kończy się wtedy, gdy analiza zadziała raz. Potrzebna jest jeszcze powtarzalność. Oferty nie powinny niepotrzebnie wracać jako nowe, konfiguracja musi odpowiadać profilowi, a wynik powinien mieć formę, którą da się przejrzeć bez znajomości kodu.

W JobMatcherze służy temu między innymi podsumowanie mailowe. Użytkownik dostaje wynik w miejscu, z którego już korzysta. Nie musi za każdym razem uruchamiać skryptu i szukać odpowiedniego pliku. To pozornie mniej interesująca część niż sam model, ale dla użyteczności bardzo ważna.

Nie jestem programistą. Buduję te narzędzia z pomocą AI, więc szczególnie patrzę na to, czy da się sprawdzić ich zachowanie. Co się stanie, gdy źródło nie odpowie? Czy brak wyników oznacza brak ofert, czy błąd pobierania? Czy wiadomość rzeczywiście zawiera nowy raport?

Takie pytania nie są dodatkiem do projektu. One decydują, czy można na nim polegać w codziennym użyciu. Sam brak komunikatu o błędzie nie jest dla mnie wystarczającym potwierdzeniem, że cały przebieg się udał.

Drugi problem pojawia się po wybraniu oferty

Znalezienie interesującego ogłoszenia nie przygotowuje jeszcze aplikacji. Trzeba przejrzeć wymagania, odnieść je do własnego doświadczenia i wybrać, co pokazać w dokumentach. W tym miejscu zaczyna się temat CV Studio.

To osobny lokalny projekt. Nie opisuję go jako gotowego automatu połączonego z JobMatcherem. Pierwsze narzędzie dotyczy wyszukiwania i selekcji. Drugie porządkuje pracę nad konkretną aplikacją. Łączy je potrzeba użytkownika, ale techniczny i operacyjny zakres jest rozdzielony.

W CV Studio punktem startu jest zatwierdzony profil doświadczenia i kompetencji. Następnie pojawia się konkretna oferta, jej wymagania oraz praca nad treścią dokumentów. Użytkownik przechodzi przez Studio akceptacji i dopiero po sprawdzeniu przygotowuje pliki.

To dla mnie naturalne rozwinięcie myślenia od problemu. Kiedy jeden etap staje się łatwiejszy, wyraźniej widać następny. Nie znaczy to, że trzeba natychmiast połączyć wszystko w jeden automat. Najpierw warto sprawdzić, czy kolejny etap działa samodzielnie.

CV powinno zmieniać sposób pokazania faktów

Dopasowanie dokumentu do ogłoszenia łatwo źle zrozumieć. Jeśli model zobaczy listę wymagań, potrafi napisać tekst bardzo dobrze pasujący do tej listy. Tylko że dobrze dopasowany tekst nie musi być prawdziwym opisem kandydata.

Dlatego podstawą CV Studio jest profil zatwierdzonych informacji. Obowiązki, kompetencje, narzędzia i doświadczenie mają pochodzić z tego źródła. Oferta pomaga zdecydować, co wyeksponować. Nie staje się źródłem nowych faktów o osobie.

Jeżeli w ogłoszeniu pojawia się wymaganie bez pokrycia w profilu, system powinien pokazać lukę. Użytkownik może wtedy doprecyzować doświadczenie albo uznać, że wymagania nie spełnia. Nie powinien dostać dopisanej kompetencji tylko dlatego, że poprawiłaby dopasowanie dokumentu.

Równie ważne jest zachowanie znaczenia. Można uprościć opis obowiązku, zmienić kolejność albo wybrać istotny fragment. Nie można przy okazji zmienić wsparcia procesu w samodzielne zarządzanie nim. Takie przesunięcie może być małe językowo, ale duże z punktu widzenia prawdy.

Akceptacja człowieka jest częścią procesu

W CV Studio dokument ma zostać sprawdzony przed uznaniem go za gotowy. Sama poprawność techniczna nie wystarcza. Plik może się otwierać, mieć właściwy układ i dobrze wyglądać, a jednocześnie zawierać zdanie, pod którym użytkownik nie chce się podpisać.

Dlatego oddzielam kontrolę pliku od akceptacji treści. Techniczne sprawdzenie odpowiada między innymi na pytanie, czy dokument się generuje i czy układ jest czytelny. Akceptacja człowieka dotyczy tego, czy opis jest prawdziwy i czy właściwie przedstawia doświadczenie.

Projekt przygotowuje CV w wersji prostszej, przeznaczonej do odczytu maszynowego, oraz w wersji ułożonej z myślą o rekruterze. Dokumenty powstają w DOCX i PDF. Samo użycie określenia ATS nie jest jednak obietnicą przejścia przez każdy system rekrutacyjny. To kierunek konstrukcji dokumentu, nie gwarancja rezultatu.

Wysyłka pozostaje po stronie użytkownika. Także oznaczenie aplikacji jako wysłanej jest działaniem człowieka. Dzięki temu stan w narzędziu nie udaje, że wydarzyło się coś, czego system nie wykonał i nie potwierdził.

Co działa, a co nadal jest wyłączone

Na etapie opisywanym w tym artykule Job Alert działa produkcyjnie, natomiast CV Studio jest projektem lokalnym po pilocie przygotowania dokumentów i ich akceptacji. To różne poziomy dojrzałości i nie chcę ich sprowadzać do jednego hasła „wszystko już działa”.

W CV Studio pozostaje aktywny lokalny tryb demonstracyjny propozycji. Wywołania zewnętrznego AI na rzeczywistych danych są wyłączone. Automatyczne uruchamianie pracy na podstawie wyników Job Alerta również nie jest częścią działającego połączenia. To granice aktualnego etapu, nie ukryte funkcje.

Można zapytać, po co tworzyć takie narzędzie, zanim włączy się całą automatyzację. Dla mnie odpowiedź jest praktyczna: najpierw trzeba wiedzieć, czy użytkownik potrafi przejść proces i uzyskać właściwy dokument. Inaczej automat będzie tylko szybciej powtarzał niedopracowane działanie.

Nie wyciągam z pilota wniosku o skuteczności rekrutacyjnej. Przygotowany i zaakceptowany dokument nie jest równoznaczny z zaproszeniem na rozmowę ani z zatrudnieniem. Takie rezultaty wymagałyby osobnych danych.

Co można z tego przenieść do własnej pracy

W obu projektach wraca potrzeba uporządkowania informacji przed decyzją. Najpierw trzeba określić źródła i kryteria. Potem rozdzielić to, co model może zaproponować, od tego, co musi zostać potwierdzone przez człowieka. Na końcu wynik powinien trafić do użytecznej formy.

Podobny układ może mieć porównanie dostawców, przygotowanie oferty dla klienta albo analiza materiałów do decyzji. To przykłady zastosowania metody, nie funkcje opisanych narzędzi. W każdym z nich ważne jest, żeby odpowiedź pozostawała związana z materiałem wejściowym.

Nie zaczynałbym od pytania, jak zautomatyzować wszystkie etapy. Wybrałbym fragment, który najbardziej przeszkadza, i opisał dobry wynik. Dopiero po kilku sprawdzonych przebiegach oceniałbym, co warto połączyć i czego nadal nie oddawać automatowi.

Tak patrzę na JobMatchera i CV Studio. To dwa konkretne problemy, z osobnymi granicami i własnym sposobem kontroli. W AI po Twojemu pracujemy podobnie nad jednym zadaniem. Celem jest proces, który potrafisz samodzielnie wykonać i sprawdzić. Do tego nie zawsze potrzebna jest własna aplikacja.