Man kan säga att mjukvaruprodukttyper som färdas i överljudshastighet till konsumenternas bultande hjärtan skulle behöva sätta sajter för dejting, prissänkta försäljningsvarningar och jobb långt upp i toppen. Den senare har en ny vän i Baidu.

Kan en ledig tjänst tillsättas av rätt kandidat tack vare en maskin, eller ska arbetssökande bedömas av en människa?

Du har med största sannolikhet träffat henne också, minst en gång i dina jobbsökande erfarenheter. Hon är personalen som var särskilt bra på jobbet. Hon skannade ditt CV, rad för rad, men läs också mellan raderna.

Hon ställde frågor som var relevanta för tjänsten. Hon visste att om du listade en sorts färdighet eller ett verktyg skulle du förmodligen inte ha några svårigheter med en annan färdighet eller verktyg som de skulle behöva introducera.

Wow. Skulle en maskin kunna göra hennes jobb? Väl, frågan kanske snarare borde vara, kan programvara hjälpa henne att fatta beslut för kandidater som sparar tid, och träffade målet?

Vi kommer definitivt att veta mer, medan forskare arbetar fram jobbmatchande teknik för många onlinerekryteringstjänster. Faktiskt, det finns de som skulle hävda att det är det mänskliga elementet som löper större risk att baka i partiskhet och subjektivt tänkande istället för att tydligt bedöma kandidaten för att matcha jobbets behov.

I nyheterna finns ett neuralt nät för att matcha CV till beskrivningar i inlägg av lediga jobb. Baidu testar för att se om deras tillvägagångssätt effektivt kan matcha arbetssökande med jobb. MIT Technology Review "The Download" kollade på Baidu-teamens tidning, där de presenterade sitt neurala nät som kan fungera, från meritförteckningar, den person som bör kandidera enligt den kompetens som arbetsgivarna eftersträvar.

"Person-Job Fit:Adapting the Right Talent for the Right Job with Joint Representation Learning" är den artikel som forskarna skrev för att beskriva sitt arbete. Person-Job Fit kan vara en väg till att anpassa rätt arbetssökande till rätt positioner.

När vi diskuterade deras föreslagna modell, baserat på ett neuralt nätverk, de sa att Person-Job Fit Neural Network (PJFNN) "effektivt kan lära sig den gemensamma representationen av Person-Job fitness från historiska jobbansökningar."

Deras modell som heter "Person-Job Fit Neural Network" lämnar lite gissningar om vad den gör. Relevanta arbetssökande flaggas. Författarna är tydligen ganska positiva till PJFNN-potentialen.

Vad är det för Baidu? Motivation att engagera sig i teknik för matchning mellan anställda och jobb skulle kunna tillfredsställa deras avsikt att växa affärer. Hur så? "Eftersom Baidu äger världens näst största sökmotor, Det är troligt att företaget skulle kunna använda den här tekniken för att bättre rikta in jobbannonser."

Datauppsättningen som användes i experimenten var uppgifter om jobbansökningar från ett högteknologiskt företag i Kina, innehåller mer än 2 miljoner meritförteckningar och 15, 039 platsannonser. Det fanns bara 31, 928 framgångsrika jobbansökningar.

Försiktighet har uttryckts på annat håll, fastän, att deras neurala nättillvägagångssätt inte är perfekt. Begränsningar inkluderar en möjlighet till partiskhet. "Om partiskhet finns i tidigare anställningar, det kan krypa in i sådana här system, utgöra en nackdel för vissa grupper som kanske inte har samma arbetsmöjligheter, " sa "Nedladdningen."

Författarna skrev att "Inte alla jobbkrav kan modelleras väl i PJFNN." Ändå, de sa att de trodde att "även om PJFNN inte kan lära sig bra representationer för alla krav, de latenta vektorerna för de flesta meritförteckningar och jobbannonser som PJFNN lärt sig är generellt meningsfulla och kan bidra till att förbättra effektiviteten och effektiviteten hos Person-Job Fit."

© 2018 Tech Xplore