Ertas 助力简历筛选与人力资源

    微调模型,根据您的特定岗位要求、技能分类体系和招聘标准评估简历——一致且大规模。

    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 让 HR 团队能够用本组织自己的招聘数据微调筛选模型:由资深招聘人员评估过的简历,以及按团队评分标准写出的结构化评估。模型会学到组织在每类岗位上看重哪些资历、经历模式和技能组合,并能读懂候选人的经历对岗位的实际意义。

    在 Ertas Studio 中,人才团队用简历与结构化评估的配对进行训练,评估从技术匹配度、经验相关性、技能契合度以及招聘团队定义的其他维度为每位候选人打分。微调后的模型读取新的申请,并按招聘人员已经在用的格式写出评估。模型从 Hub 导出并在公司自己的服务器上运行后,可以接在招聘管理系统(ATS)后面,作为第一轮优先级排序,每位候选人仍由人工审阅。训练在 Ertas 的云端 GPU 上进行,训练集需要上传到 Ertas,因此请先删除姓名、联系方式和人口统计信息。满足劳动法和数据保护法的要求、向候选人说明自动筛选、检测模型偏差,仍然是雇主自己的工作。

    Key Features

    Studio

    自定义评估标准训练

    在 Studio 中用您的评估标准、岗位要求和招聘人员的评估训练筛选模型。模型会学到贵组织对每个岗位“合格候选人”的定义。

    Studio

    在 Data Craft 中整理评分示例

    在 Studio 的引导式数据集构建器 Data Craft 中创建和审核训练示例。资深招聘人员编辑目标评估、为其保存版本并逐条批准,让模型从团队认可的评估中学习。

    Hub

    接在 ATS 后面的筛选模型

    Hub 列出您训练好的模型。可以下载为 GGUF 或完整的 safetensors,用 Ollama 或 vLLM 部署,再从 ATS 集成或 n8n 工作流调用它,把结构化评估送回招聘人员的待办队列。

    Hub

    筛选时候选人数据留在内部

    导出后,模型在您自己的服务器上运行,它筛选的简历和写出的评估都留在您的网络内。训练数据需要上传到 Ertas,因此请在上传前去除可识别身份的信息,保留期结束后可在 Studio 中删除数据集。

    Example Workflow

    一家每年招聘 200 名工程师的科技公司,每个岗位平均收到约 500 份申请。人才团队导出 20,000 份历史申请及招聘人员按五维评分标准给出的评估,删除姓名、联系方式和人口统计标识后上传到 Ertas Studio。资深招聘人员在 Data Craft 中抽查样本,修正他们不认同的评估。团队微调出一个筛选模型,用一组模型从未见过的预留申请比较各次训练,并在上线前完成自己的偏差检测。选定的模型导出后部署在公司自己的基础设施上,接在 ATS 后面。新申请到达时,模型按招聘评分标准写出结构化评估,给出优先级分数和引用简历具体内容的简短理由。招聘人员仍然审阅每一位候选人,只是从排好优先级的名单开始。团队对照引入模型前的基线衡量筛选时间和面试率,并在评分标准变化时重新训练。

    Related Resources

    Ship AI that runs on your users' devices.

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