Dat Google for Jobs onlangs werd uitgebracht in Nederland (en even later ook in België), ging als een schokgolf door de recruitmentwereld. Leuk, dat werkzoekende Googlaars voortaan meteen vacatures te zien krijgen in hun resultaten. Maar het echte interessante zit hem waarschijnlijk veel meer in Google Cloud Talent Solution, kortweg GCTS, een AI-oplossing die helpt snel de juiste kandidaten voor vacatures te vinden. Deze efficiënte en zelflerende motor achter Google for Jobs kun je bovendien zelf implementeren in je website.
Achter elke goede zoekmachine zit een goed algoritme.
Hoe werkt dit precies? Wat zijn de voor- en nadelen ervan? Hoe snapt een zoekmachine de context van een zoekopdracht? Dat heeft ermee te maken dat achter elke goede zoekmachine een algoritme zit. Na elke zoekopdracht leert dit algoritme beter wat de context van een ingevoerde zoekterm is. Zoek maar eens op een Engelse term en zet er ‘Nederlands’ achter: de zoekmachine laat uit zichzelf de vertaling zien.
Slim algoritme
Handig dus, zo’n slim algoritme. Maar willen we snappen hoe het precies werkt, dan moeten we eerst inzoomen op de complexiteit van een algoritme. Relevante zoekresultaten verzamelen is een complex proces. Een computer kijkt normaal gesproken naar alle objecten in een database, om vervolgens te proberen daartussen dezelfde termen te vinden. Als die met exact dezelfde spelling in een object voorkomen, toont de computer deze objecten.
Bij een zoekmachine is dat een probleem. Deze vindt, naast relevante resultaten, óók resultaten die weliswaar de zoekterm bevatten, maar waar je niks aan hebt. Laten we het betrekken op vacatures. Iemand die zoekt naar een baan als CFO, zit bijvoorbeeld niet te wachten op vacatures voor een assisterende of juniorfunctie waar toevallig de term CFO een keer in voorkomt, omdat degene daaraan rapporteert.
Reistijd en vervoerswijze
GCTS moet daarvoor de oplossing vormen. Dit ontwikkelingsplatform, origineel in 2016 uitgebracht als Cloud Jobs API, geeft je de mogelijkheid gedetailleerde vacaturezoekopdrachten uit te voeren. Daarin kun je ook factoren opnemen als reistijd en vervoerswijze. Daarnaast kun je in GCTS automatische meldingen voor vacatures en veranderingen in bewaarde zoekopdrachten instellen.
Over de omvang en nauwkeurigheid van Googles zoekmachine valt eigenlijk niet te twisten.
Over de omvang en nauwkeurigheid van Googles zoekmachine valt eigenlijk niet te twisten. Je kunt ervan uitgaan dat voor GCTS hetzelfde geldt. Dat maakt het platform een slimme keuze als je erop uit bent de efficiëntie van je vacature- of werkenbij-site te verhogen. Zodra je het algoritme van GCTS voldoende getraind hebt, snapt het immers de context van zoekopdrachten, anticipeert het op spellingsfouten, herkent het de gevraagde werkervaring en kan het omgaan met vaktermen en acroniemen, zoals ‘HR’.
In beeld
Onderstaande afbeelding laat het verschil zien tussen een traditionele zoekopdracht met het zoekwoord ‘CFO’, en eentje uitgevoerd met GCTS.
Hoe werkt het algoritme?
Om iets van het algoritme te kunnen begrijpen, moeten we eerst kijken naar hoe een mens dingen leert. Het menselijk brein heeft neuronen, die signalen naar elkaar sturen op het moment dat jij met een van je zintuigen iets waarneemt. Dat doen ze net zolang tot er output is die bij de situatie past.
Bijvoorbeeld: als jij je hand tegen een hete pan houdt, krijg je het signaal: ‘terugtrekken!’. Dat patroon zit er al in sinds het moment dat je dat voor het eerst overkwam. Op het moment dat we doorhebben dat we correct hebben gehandeld, wordt een neuronenpatroon opgeslagen. Je hersens kunnen zo’n opgeslagen patroon in het vervolg toepassen. Soms gebeurt dat in situaties waarbij dat bewuste patroon misschien niet het beste antwoord is. Zo gauw we input ontvangen waaruit blijkt dat we fout zitten (een pijnprikkel of een andere negatieve waarneming), proberen we een nieuw patroon.
De computer doet dat ook zo
Een computer leert eigenlijk op dezelfde manier. Programmeurs bouwen in een programma een net van theoretische neuronen, een neuraal netwerk. Dit bestaat uit input- en outputneuronen, op basis van de complexiteit van de toepassing. Tussen deze neuronen zitten verschillende lagen verborgen neuronen. Elke laag is volledig verbonden met de vorige en volgende laag. Deze verbindingen hebben een zogenoemde bias en weight, factoren die de input manipuleren. Die input gaat door een neuron (vaak met een wiskundige functie) en geeft de output door aan de volgende neuronenlaag. Nadat deze het algoritme heeft gecorrigeerd op fouten, verandert de laag de bias of weight totdat de output goedgekeurd is. Zo onthoudt de computer patronen op dezelfde manier als de mens.
Bij bovenstaand voorbeeld bestaat de input uit een aantal handelingen van een persoon, zoals pagina’s bekijken of zoekwoorden invoeren. De beoordeling van deze handelingen bepaalt het algoritme door een aantal succesfactoren, bijvoorbeeld of iemand solliciteert of een vacature deelt. De ene factor weegt hierbij zwaarder dan de andere.
Hoe beter getraind het algoritme is, hoe groter de kans op een passende kandidaat.
De output in bovenstaand voorbeeld is een lijst met vacatures waarin deze persoon mogelijk interesse heeft. Zo gauw het algoritme een succesfactor registreert, ontwikkelt het zich. Het weet steeds beter welke vacatures het moet aanraden. Kandidaten krijgen hierdoor de best passende vacatures per definitie eerder te zien – en recruiters kunnen ervan uitgaan dat een kandidaat daadwerkelijk geïnteresseerd is. Hoe beter het algoritme getraind is, hoe groter de kans dat een kandidaat goed bij een vacature past.
De voordelen van GCTS
Uit verschillende case-studies omtrent het gebruik van GCTS blijkt dat de implementatie ervan de interactie op werkenbij-sites flink verbetert. Een aantal cijfers:
- Johnson & Johnson kreeg 41% meer geschikte kandidaten voor moeilijk te vervullen vacatures
- Bij CareerBuilder steeg het aantal opvolgende gebruikersacties met 41% en de klikfrequentie voor e-mailmeldingen met 15%.
- Siemens noteerde een kandidaat-conversiestijging van 30%.
- Bij RecruitMilitary steeg het aantal sollicitaties per dag met 78%.
Het geheim? De kunstmatige intelligentie (A.I.) achter GCTS levert preciezere én meer gepersonaliseerde zoekresultaten op. Dit stroomlijnt je recruitmentproces.
En zijn er ook nadelen?
Voordat je denkt dat aan GCTS geen nadelen kleven: die zijn er toch wel. Het is een typisch voorbeeld van ‘expertsoftware’. De implementatie ervan kost dan ook flink wat tijd, geld en expertise. Omdat de documentatie niet optimaal is, hebben zelfs experts de tijd nodig om het zich eigen te maken. Het gebruik van GCTS is ook niet gratis. Als je de 10.000 zoekopdrachten per maand passeert, kost elke zoekopdracht vanaf dat moment een fractie van een eurocent.
Zodra het algoritme voldoende getraind is, vergroot je de kans op de perfecte match.
Bij Marksmen zijn we momenteel bezig met de implementatie van GCTS en dat was voor ons ook de reden om dit artikel te schrijven. We willen andere bedrijven inspireren om ook hiermee aan de slag te gaan. Door GCTS te implementeren zorg je voor een fijn doorzoekbare vacaturesite, en voor meer geschikte kandidaten voor moeilijk te vervullen vacatures. Zodra het algoritme voldoende getraind is, vergroot je de kans op de perfecte match tussen zoekintentie en resultaten. Daarnaast blijkt uit onderzoek dat GCTS implementatie leidt tot meer interactie op je werkenbij-site.
Over de auteur
Dit artikel is geschreven door Emiel van Essen, Full Stack Developer bij Marksmen.