JD-tilpasset screening med ærlighedsgrænse

Hvordan vi byggede scoring-motoren

Jeg startede med at definere en klar kontrakt mellem stillingsbeskrivelsen og CV'et. Motoren læser almindelig tekst, extractor klause og mapper hver klause til en færdighed eller kravefrase. Jeg undgik enhver model, der forsøger at gætte skjulte egenskaber; i stedet tvang jeg systemet til at vise den præcise tekst, der blev brugt til hver match.

Dataindtastninger

Værktøjet accepterer to blokke af tekst: stillingsbeskrivelsen og CV'et. Ingen filparsing, ingen metadataekstraktion, bare de rå streng, du indsætter. Jeg bevarede den oprindelige formatering inde i bevisblokken, så du kan se den præcise sætning, der udløste en score.

Matchingslogik

Til hver kraveklause beregner jeg en lighedsscore ved hjælp af en term-hyppighed invers-dokument-hyppighed vektor. Hvis ligheden overstiger en grænseværdi, markerer jeg det som en styrke; ellers bliver det et gap. Den endelige fit-score er den vægtede gennemsnit af alle klause-scores, skaleret til 1-10.

Bevisfangst

Hver styrke eller gap gemmer kilde-sætningen fra CV'et og kilde-klause fra stillingsbeskrivelsen. Jeg gemmer dem som almindelige tekststykker, ikke som indlejring, så du kan gennemgå beslutningen senere. Denne bevisblok er det, der gør scoren forklarlig.

Eksempel på indtastningsfelter

Felt | Beskrivelse | Eksempel Stillingsbeskrivelse | Frit-form tekst for rollen | "Erfaring med Python og REST-API'er" CV | Frit-form tekst for kandidaten | "Bygget REST-API'er ved hjælp af Python i to år" Matchet klause | Stillingsbeskrivelsesklause, der fandt en lighed over grænseværdi | "Erfaring med Python og REST-API'er" Bevis-udsnit | Præcis CV-sætning brugt til match | "Bygget REST-API'er ved hjælp af Python i to år"

Typisk arbejdsproces for en rekrutteringsmedarbejder

Jeg bruger værktøjet hver morgen, når jeg åbner en ny stillingsopslag. Trinnene er korte, gentagelige og efterlader en papirspor.

Trin 1: Indsæt stillingsbeskrivelse

Jeg kopierer den fulde stillingsbeskrivelse fra ansvarliges email og indsætter den i venstre boks. Jeg redigerer eller sammenfatter ikke; jeg beholder den originale formulering.

Trin 2: Upload CV

Jeg indsætter CV-teksten i højre boks. Hvis jeg har en PDF, konverterer jeg den først til almindelig tekst med et gratis offline-værktøj og indsætter derefter.

Trin 3: Gennemgå scorekort

Motoren returnerer en matchnings-score, en liste over styrker, en liste over huller og bevis for hver. Jeg ruller gennem beviserne for at verificere, at matchningen er ægte og ikke et artifact af vilkårlige nøgleord.

Trin 4: Tilføj noter

Jeg tilføjer en kort note i mit ansøger-sporsystem med link til scorekort-URL. Denne note optager datoen, scoren og eventuelle opfølgningspørgsmål, jeg har til kandidaten.

Hvad scorekortet indeholder

Udgangen er bevidst begrænset til, hvad der kan spores tilbage til kilde dokumenterne.

Fitnesskala

Scoren går fra 1 (lille overlap) til 10 (næsten komplet overlap). Jeg behandler score under 4 som et klart mismatch, score 5-7 som værd at diskutere, og score 8-10 som stærke kandidater til en interview.

Styrker vs JD

Hver styrke er en JD-klausul, som CV'en opfylder. Jeg viser klausul tekst, ligningsprocent og bevisuddrag fra CV'en.

Gap-flag

Hver gap er en JD-klausul, som ikke opfylder grænsen. Jeg viser klausul tekst, den bedste ligning fundet og en note om, at intet bevis opfylder grænsen.

Bevislinjer

For hver styrke og gap leverer jeg en direkte citat fra CV'en. Jeg inférerer aldrig mening; jeg viser kun, hvad kandidaten faktisk skrev.

Hvordan vi overholder EEOC-rettledninger

Jeg designede systemet til at undgå enhver slutning om beskyttede karakteristika. Følgende afsnit forklarer de konkrete skridt, jeg tog.

Attributter, vi ignorerer

Modellen ser aldrig på navn, adresse, dimittendår eller nogen felt, der kunne antyde alder, køn, race, handicap eller national oprindelse. Jeg fjerner disse felter, før jeg bearbejder dem, hvis de optræder i resume-teksten.

Hvordan vi undgår proxy-signaler

Jeg checker efter indirekte tegn som skolenavne, der korrelerer med bestemte grupper, eller formuleringer, der måske kan afsløre tilknytning. Hvis en term optræder på en intern watchlist, markerer jeg den til manuel gennemgang og bruger den ikke i ligningssammenligningen.

Revisionshistorik

Hver kørsel skriver en log-indtastning, der inkluderer hashen af input-teksterne, versionen af scoring-koden og tidsstempel. Jeg gemmer disse log-indtastninger i seks måneder, så jeg kan demonstrere, at ingen demografiske data blev brugt i en beslutning.

Hvad dette ikke er

Jeg vil gerne gøre det klart, hvad værktøjet ikke kan, så du ikke forveksler det med noget, det ikke er.

Ikke en garanti for ansættelse

Scoren reflekterer kun ligheden med den skrevne jobbeskrivelse. Den forudser ikke fremtidig præstation, kulturel tilpasning eller teamdynamik. Jeg præsenterer aldrig scoren som en løfte om, at kandidaten vil være succesfuld.

Ikke en erstatning for menneskelig dømmekraft

Rekrutteren eller ansættelseslederen må gennemgå beviserne, tale med kandidaten og træffe den endelige beslutning. Værktøjet leverer kun konsekvens og sporbarehed.

Ikke en sortboks-ranger

I modsætning til uigennemsigtige modeller, der giver et enkelt tal uden forklaring, viser Candidate Score hver styrke, hver svaghed og den præcise tekst, der producerede hvert resultat. Du kan se, hvorfor en kandidat fik den score, de fik.

Sådan håndterer vi edge cases

Reelle inputs er rodende. Jeg har bygget specifikke vagter for de situationer, jeg ser oftest.

Manglende sektioner

Hvis et resume mangler en færdighedssektion, parser jeg stadig hele dokumentet for nøgleordsmatch.

Meget lange dokumenter

Jeg afkorter inputs til 10.000 tegn før ligningsskoring for at holde køretiderne forudsigelige. Jeg gemmer den fulde tekst i bevisblokken, så intet går tabt under gennemgang.

Flere sprog

Jeg registrerer sproget for hver blok med en let klassifikator. Hvis resume og JD er på forskellige sprog, returnerer jeg en advarsel og beregner ikke en score.

Tvetydige forkortelser

Jeg udvider almindelige akronymer ved hjælp af en intern ordbog før ligningsskoring. Hvis en akronym ikke er i ordbogen, behandler jeg den som en bogstavelig token.

Hvordan vi opdaterer modellen

Forbedringer kommer fra brugerfeedback og fra eksterne retningslinjer for sikker brug af AI.

Feedback-løkke

Hver måned eksporterer jeg anonymiserede scorekort med rekrutteringsnoter om falske positiver og falske negativer. Jeg gennemgår disse noter for at justere lighedstrøglet eller tilføje nye stop-ord.

Eksterne standarder

Jeg følger OWASP Top 10 for LLM-applikationer, når jeg vurderer prompt-injektionsrisici, selvom værktøjet ikke eksponerer et prompt-grænseflade til slutbrugere.

Versionsstyring

Hver udgave får en semantisk versionsetiket. Jeg offentliggør en kort ændringslog, der listar eventuelle ændringer af stop-ordlisten, lighedstrøglet eller bevisudtrækningslogikken.

Operatør checkliste for JD-justeret screening med en ærlighedsgrænse

Jeg holder en skrevet checkliste ved siden af hver udgivelse, der berører dette emne. Listen er bevidst kedelig: navngiv ejeren, navngiv bevisartefakten og navngiv rollback. Hvis et trin ikke kan producere en fil, en billet eller en loglinje, er det ikke et trin - det er en ønsketænkning.

Før du ændrer produktion

- Fryse branchen eller konfigurationsrevisionen, du vil måle imod. - Optæl den nuværende fejltilstand med en konkretpunktindgang og en konkretpunktudgang. - Bekræft, hvilken identitet jobbet kører som, og om denne identitet kan nå data, den ikke skal kunne nå. - Åbn de primære referencer, du vil citerer: https://owasp.org/www-project-top-10-for-large-language-model-applications, https://www.nist.gov/itl/ai-risk-management-framework.

Mens du kører checken

- Foretræk en reproducerbar vej over ti anekdotiske skærmbilleder. - Skriv den forventede sikre udfald, før du udløser værktøjet eller forespørgslen. - Fanget det eksakte kommando, prompt, skema eller regex under test - ikke en paraphrase. - Hvis systemet kan handle (sende, skrive, slette, overføre), kræv en bekræftelsesgrænse i samme pass.

Efter du er færdig

- Fil residual risiko med en ejer og en dato, selv når scan er ren. - Konverter ikke en grøn check til salgsprog, der hævder fuldstændighed. - Kør den samme checkliste, når modellen, værktøjsskemaet eller valideringsreglerne ændres.

Signal | Hvad at optage | Stop-ship? Uventet skriv eller send | Værktøjsnavn, args, identitet | Ja, indtil gated Manglende bekræftelse på destruktiv handling | Call-sti og omgåelse | Ja Ubetroet tekst behandles som instruktion | Kildeoverflade og resulterende handling | Ja for agent-rækkevidde Scanner ren, dommer åben | Udsatte elementer + ejer | Kun hvis kernevej er sikker

candidatescore hjælper med den målbare første pass. Arkitekturvalg, juridisk godkendelse og kundeorienterede krav har stadig brug for en menneskelig ejer. Behandle hver checkliste-række som beslutningsstøtte, ikke en certifikat.

Hvordan jeg forklarer begrænsninger for købere

Når en potentiel kunde spørger, om produktet "dækker alt", besvarer jeg med grænsen: automatiserede kontroller fanger kendte mønstre, men nye kæder og politikdom kræver stadig gennemgang. Den ærlighed holder supportbelastningen nede og holder bloggen i overensstemmelse med, hvad produktet faktisk kan.

Hvis du har brug for en anden mening, par denne artikel med referencerne nedenfor og med din egen reproduktion i staging. Spring ikke reproductionstrinet over, bare fordi en model har skrevet en selvbevidst sammenfatning.

Referencer

- https://owasp.org/www-project-top-10-for-large-language-model-applications - https://www.nist.gov/itl/ai-risk-management-framework

Ofte stillede spørgsmål

Hvad er der i scorekortet?

Det viser styrker, der er matchet med JD, gap-flag og beviserne bag hver opkald.

Er scoren forklarlig?

Ja. Hver opkald inkluderer bevis, så du kan se, hvorfor en kandidat fik den score, de fik.

Skal jeg formatering af CV?

Du indsætter CV og JD; værktøjet håndterer sammenligningen.

Hvem skal bruge det?

Rekrutteringsfolk og ansættelseschefer, der ønsker konsekvent, bevisbaseret screening mod en skrevet JD.

Hvad med ?

De er ikke en del af dette værktøj, men det er designet til at arbejde sammen med andre værktøjer som andre.

Referencer

- EEOC — Forbudte ansættelsespolitikker - NIST AI RMF

Ønsker du at prøve produktet? CandidateScore

Genereret 2026-09-17 · primære kilder kun · ingen fabrikerede trafikmetrikker

Relaterede læsninger