履歷篩選

The Challenge

成長中公司的人才招募團隊每個開放職位審查數百甚至數千份申請。手動履歷篩選耗時、不一致且容易產生無意識偏見。不同的招募人員對同一職位應用不同的標準，合格的候選人在高量期間被忽略，而快速推進的壓力導致表面審查，遺漏了可轉移技能或非傳統背景。

現有的 AI 篩選工具使用容易被操縱的關鍵字匹配，無法評估實際資格。在履歷中列出所有技術關鍵字的候選人得分高於擁有簡潔履歷的真正有技能的工程師。這些工具也無法適應組織特定的要求——您對「資深」的定義可能與通用行業標準不同，而預測在您公司成功的特定技術堆疊、領域經驗和軟技能對您的招聘情境是獨特的。現成的篩選工具為通用職位描述最佳化，而非為您特定團隊的需求。

The Solution

Ertas 使 HR 團隊能夠在其組織的歷史招聘資料上微調篩選模型——由經驗豐富的招募人員評估的履歷，追蹤整個招聘漏斗的結果。模型學習哪些資格、經驗模式和技能組合能預測您特定組織中每種職位類型的成功，遠超關鍵字匹配，理解候選人經驗的語義含義以及它們如何對應到您的需求。

透過 Ertas Studio，人才團隊在履歷和結構化評估的配對上訓練模型——根據招聘團隊定義的維度對每位候選人在技術契合度、經驗相關性、技能匹配和其他方面進行評分。微調模型隨後處理新申請並產出匹配招募人員已在使用的格式和標準的結構化評估。透過具有嚴格存取控制的 Ertas Cloud 部署，模型作為初篩工具對候選人庫進行優先排序，確保每位合格候選人獲得人工關注，同時減少招募人員花在明顯不匹配申請上的時間。Ertas Vault 確保所有候選人資料根據資料保護法規處理。

Key Features

Example Workflow

一家每年招聘 200 名工程師的科技公司平均每個職位收到 500 份申請。人才團隊匯出 20,000 份歷史申請及招募人員評估（5 維度評分量規）和招聘結果，在移除人口統計識別碼後上傳至 Ertas Vault，並在 Ertas Studio 中微調篩選模型。模型作為連接其 ATS 的 API 部署。當新申請到達時，模型產出匹配招募人員量規的結構化評估，附帶優先順序分數和引用具體履歷要素的簡要理由。招募人員仍審查每位候選人，但從 AI 優先排序的清單開始。三個月後，團隊衡量結果：每個職位的招募人員篩選時間減少 60%，獲得面試的合格候選人比例增加 25%——主要是因為 AI 找出了具有相關但不明顯的可轉移經驗的候選人，這些在高量手動篩選中以前會被遺漏。