Ertas 助力简历筛选与人力资源

The Challenge

成长型公司的人才招聘团队每个空缺岗位需要审查数百甚至数千份申请。手动简历筛选耗时、不一致且容易受到无意识偏见的影响。不同的招聘人员对相同岗位适用不同的标准，高流量时期会忽略合格候选人，快速推进的压力导致肤浅的审查，错过可转移技能或非传统背景。

现有的 AI 筛选工具使用容易被操控的关键词匹配，无法评估实际资质。在简历中列出所有技术关键词的候选人得分高于简历简洁的真正有技能的工程师。这些工具也无法适应组织特定的需求——您对「高级」的定义可能与行业通用标准不同，而预测在您公司成功的特定技术栈、领域经验和软技能组合对您的招聘背景是独特的。现成的筛选工具针对通用职位描述优化，而非您特定团队的需求。

The Solution

Ertas 使 HR 团队能够在组织的历史招聘数据上微调筛选模型——经过有经验的招聘人员评估的简历，并跟踪了整个招聘漏斗的结果。模型学习哪些资质、经验模式和技能组合预测您特定组织中每种岗位类型的成功，远超关键词匹配，理解候选人经验的语义含义以及它们如何映射到您的要求。

通过 Ertas Studio，人才团队在简历和结构化评估的配对上训练模型——按技术匹配度、经验相关性、技能匹配和招聘团队定义的其他维度对每位候选人评分。微调后的模型处理新申请并产生与招聘人员已使用的格式和标准匹配的结构化评估。通过 Ertas Cloud 以严格的访问控制部署，模型作为初筛工具对候选池进行优先排序，确保每位合格候选人都获得人工关注，同时减少招聘人员花在明显不匹配申请上的时间。Ertas Vault 确保所有候选人数据按照数据保护法规处理。

Key Features

Example Workflow

一家科技公司每年招聘 200 名工程师，每个岗位平均收到 500 份申请。人才团队导出 20,000 份历史申请及招聘人员评估（5 维评分标准）和招聘结果，在移除人口统计标识符后上传到 Ertas Vault，并在 Ertas Studio 中微调筛选模型。模型作为连接到 ATS 的 API 部署。当新申请到达时，模型产生匹配招聘人员评分标准的结构化评估，附带优先级分数和引用具体简历要素的简要理由。招聘人员仍然审查每位候选人但从 AI 优先排序的列表开始。三个月后，团队衡量结果：每个岗位的招聘人员筛选时间减少 60%，获得面试的合格候选人比例增加 25%——主要是因为 AI 发现了招聘人员在大批量手动筛选中以前遗漏的具有相关但不明显的可转移经验的候选人。