履歷篩選

    建構自動化履歷篩選和候選人匹配的 AI 模型

    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 讓 HR 團隊能以組織自己的招募資料微調篩選模型:由資深招募人員評估過的履歷,以及依團隊評分標準寫出的結構化評估。模型會學到組織在每類職缺上重視哪些資格、經歷模式和技能組合,並讀懂候選人的經歷對職缺的實際意義。

    在 Ertas Studio 中,人才團隊以履歷與結構化評估的配對進行訓練,評估從技術契合度、經驗相關性、技能匹配度以及招募團隊定義的其他面向替每位候選人評分。微調後的模型會讀取新的應徵資料,並以招募人員已在使用的格式寫出評估。模型從 Hub 匯出並在公司自己的伺服器上執行後,可以接在應徵者追蹤系統(ATS)後面,作為第一輪優先排序,每位候選人仍由人工審閱。訓練在 Ertas 的雲端 GPU 上執行,訓練集需要上傳到 Ertas,因此請先刪除姓名、聯絡資料和人口統計資訊。符合勞動法規與個資法規的要求、向候選人說明自動篩選、檢測模型偏誤,仍是雇主自己的工作。

    Key Features

    Studio

    自訂評估標準訓練

    在 Studio 中以您的評估標準、職缺要求和招募人員的評估訓練篩選模型。模型會學到貴組織對每個職缺「合格候選人」的定義。

    Studio

    在 Data Craft 中整理評分範例

    在 Studio 的引導式資料集建構工具 Data Craft 中建立和審核訓練範例。資深招募人員編輯目標評估、保存版本並逐筆核准,讓模型從團隊認同的評估中學習。

    Hub

    接在 ATS 後面的篩選模型

    Hub 列出您訓練好的模型。可下載為 GGUF 或完整的 safetensors,以 Ollama 或 vLLM 部署,再從 ATS 整合或 n8n 工作流程呼叫它,把結構化評估送回招募人員的待辦佇列。

    Hub

    篩選時候選人資料留在內部

    匯出後,模型在您自己的伺服器上執行,它篩選的履歷和寫出的評估都留在您的網路內。訓練資料需要上傳到 Ertas,因此請在上傳前去識別化,保存期限結束後可在 Studio 中刪除資料集。

    Example Workflow

    一家每年招募 200 名工程師的科技公司,每個職缺平均收到約 500 份應徵。人才團隊匯出 20,000 份歷史應徵資料及招募人員依五個面向評分標準給出的評估,刪除姓名、聯絡資料和人口統計識別資訊後上傳到 Ertas Studio。資深招募人員在 Data Craft 中抽查樣本,修正他們不認同的評估。團隊微調出一個篩選模型,用一組模型從未看過的保留應徵資料比較各次訓練,並在上線前完成自己的偏誤檢測。選定的模型匯出後部署在公司自己的基礎設施上,接在 ATS 後面。新應徵資料進來時,模型會依招募評分標準寫出結構化評估,附上優先分數和引用履歷具體內容的簡短理由。招募人員仍會審閱每一位候選人,只是從排好優先順序的名單開始。團隊對照導入模型前的基準衡量篩選時間和面試率,並在評分標準改變時重新訓練。

    Related Resources

    Ship AI that runs on your users' devices.

    Start free with 150 credits after card verification. Paid plans from $20/mo USD.