Emiel van Essen
30 september 2020
Google Jobs werd onlangs uitgebracht in Nederland, dat heb je vast meegekregen. Het ging als een schokgolf door de recruitmentwereld. Wat je misschien niet wist is dat je Google Cloud Talent Solution, de efficiënte en zelflerende motor achter Google Jobs, zelf kunt implementeren in je website. Hoe werkt dit precies? En wat zijn de voor- en nadelen ervan?
Achter elke goede zoekmachine zit een algoritme. 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.
Handig, zo’n slim algoritme. Maar hoe werkt het precies? Om die vraag te kunnen beantwoorden, 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. Wanneer 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 niet te wachten op vacatures voor een assisterende of juniorfunctie waar toevallig de term CFO een keer in voorkomt.
Google komt, zoals vaker, met de oplossing voor contextueel zoeken: Google Cloud Talent Solution (GCTS). Dit ontwikkelingsplatform, origineel in 2016 uitgebracht als Cloud Jobs API, geeft je de mogelijkheid gedetailleerde vacature-zoekopdrachten uit te voeren. Daarin kun je ook factoren als reistijd en transportwijze opnemen. Daarnaast kun je in GCTS automatische meldingen voor vacatures en veranderingen in bewaarde zoekopdrachten instellen.
Over de omvang en de nauwkeurigheid van Google’s zoekmachine valt niet te twisten. Je kunt ervan uitgaan dat voor GCTS hetzelfde geldt. Dat maakt het platform een slimme keuze als je uit bent op het verhogen van de efficiëntie van jouw vacaturewebsite of werken-bij-website.
Op het moment dat je het algoritme van GCTS voldoende getraind hebt, snapt het de context van zoekopdrachten, anticipeert het op spellingsfouten, herkent het de gevraagde werkervaring en kan het omgaan met vaktermen en acroniemen, zoals bijvoorbeeld ‘HR’.
Onderstaande afbeelding laat het verschil te zien tussen een traditionele zoekopdracht met het zoekwoord ‘CFO’, en eentje uitgevoerd met GCTS.
Om iets van het algoritme te kunnen begrijpen, moeten we eerst kijken naar hoe een mens dingen leert. Het menselijk brein heeft neuronen, deze sturen signalen naar elkaar op het moment dat jij met een van je zintuigen iets waarneemt. Dat doen ze net zo lang tot er output is die bij de situatie past.
Wanneer 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 (dit kan een pijnprikkel zijn of een andere negatieve waarneming), proberen we een nieuw patroon.
Een computer leert eigenlijk op dezelfde manier. Programmeurs bouwen in een programma een net van theoretische neuronen, een neural network. 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 gemanipuleerde 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 die een persoon uitvoert, zoals het bekijken van pagina’s of het invoeren van zoekwoorden. De beoordeling van deze handelingen wordt bepaald door een aantal succesfactoren. Zo’n succesfactor is bijvoorbeeld of iemand solliciteert of een vacature deelt. De ene factor weegt hierbij zwaarder dan de andere. 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.
Bij Marksmen lazen we verschillende case-studies omtrent het gebruik van GCTS. De conclusie? De implementatie van GCTS verbetert de interactie op werken-bij-websites. Een aantal harde cijfers:
Het geheim? De kunstmatige intelligentie (AI) achter GCTS levert preciezere én gepersonaliseerde zoekresultaten op. Dit stroomlijnt je recruitmentproces.
Voor je denkt dat er geen nadelen aan GCTS zitten: toch wel. Het is een typisch voorbeeld van expert software. De implementatie ervan kost flink wat tijd, geld en expertise. Omdat de documentatie niet optimaal is, hebben zelfs experts de tijd nodig om het zich eigen te maken.
Vanwege de grote meerwaarde is het gebruik van GCTS niet gratis. Als je de 10.000 zoekopdrachten per maand passeert, kost elke zoekopdracht vanaf dat moment een fractie van een eurocent.
Bij Marksmen zijn we momenteel bezig met de implementatie van GCTS en dat was voor ons ook de reden om deze blog 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 vacaturewebsite, dit zorgt eveneens voor meer geschikte kandidaten voor moeilijk te vervullen vacatures. Zodra het algoritme voldoende getraind is, is de kans groter dat er de perfecte match is tussen de zoekintentie en de resultaten, daarnaast blijkt het uit onderzoek dat GCTS implementatie leidt tot meer interactie op je werken-bij site.
