Linkedin以AI配對求職與招聘，提升職缺配對成功機率

Linkedin現在將人工智慧用在配對求職者與招聘者，透過讓合格申請（Qualified Applicant，QA）模型，學習招聘者過去與應徵候選者的互動，了解招聘者認為應徵者該具備的技能與經驗，推薦應徵者適合的工作，並為招聘者依適合程度排名申請人。

Linkedin使用這個模型，協助應徵者找到最有可能獲得回應的工作，同時也為招聘者標出適合的申請人選。在部署QA模型後，Linkedin平臺各項指標都獲明顯的提升。

官方提到，求職者積極的申請了許多工作，但通常只有少數得到回應，另一方面，招聘者需要利用有限的時間，篩選大量的申請，因此常會忽略真正適合的人選。因此Linkedin決定用人工智慧來解決這個問題，而這需要考慮幾件事，首先是需要創建一個模型，要能夠同時適用於所有應徵者與招聘者，另外則是因為職位發布與申請的時效很短，因此需要不停訓練模型避免過時，還有則是個人化模型的訓練規模，QA模型擁有高達數十億個係數，因此訓練的可擴展性非常重要。

QA模型目的，是要預測成員申請某項工作後，能夠獲得回應的可能性，也就是說，QA模型會預測招聘者積極採取行動的機率，積極行動包括查看應徵者的個人資料、發送訊息、邀請參加面試，或是最終提供應徵者工作。由於Linkedin求職市場龐大又多變，因此單一的全域模型可能不夠理想，無法捕捉到足夠的特質，所以模型需要針對每個應徵者和每個職位進行調整，加入QA模型個人化元件來解決這個問題。

由於平臺資料變動快速，模型可能很快就會過時，因此必須要頻繁地重新訓練模型。官方提到，每3周個人化模型的效果就會減半，而針對每個工作調整的個人化效果衰退得更快，因此模型需要頻繁地進行訓練，才能維持應有的效能，但求職者可能只花幾周的時間積極尋找工作，而職缺釋出的速度也很快，因此Linkedin必須用很快的速度更新模型，才能跟得上求職招聘節奏。

全域模型不需要頻繁的訓練，但QA模型個人化元件卻可以經常更新，Linkedin每天都會產生新的訓練標籤，自動重新訓練每個求職者與職位的個人化元件，並將其部署到生產中。

系統會收集招聘者每天與新的應徵候選人互動的事件，並將這些事件轉為訓練標籤，用來更新個人化元件。通常事件發生後，需要等上一段時間，系統才能得出正向標籤或是隱性的負向標籤，不過官方認為，最理想情況，還是將事件迅速地轉成訓練標籤，才能減少合併到模型的時間。

一般的做法是在應徵者申請工作一段時間後，根據參與度將其標記為正向或負向，另外，Linkedin也分析典型招聘者的反應，約在第一天就能確定30％為正向標籤，而當招聘者回應了多數職缺應徵者，剩下的申請人便會被系統標上負向標籤，要是14天後還是沒有任何參與，便會得出負向的結論。這樣的方法讓QA模型可以不斷更新資料集，確保模型品質。

Linkedin使用資料串流處理工具Apache Samza和Apache Kafka，建立接近即時的資料收集與訓練工作管線，能夠非同步訓練和更新個人化模型元件，花費的時間從原本需要數小時，降低到數分鐘就能完成更新。每天個人化模型都會使用新收集到的參與度資料重新訓練，以確保模型維持更新狀態，而全域模型因為變化慢，則是數周才會訓練一次。

目前LinkedIn已經將這個模型用於Job Seekers、Premium和Recruiter三個使用者等級，對Job Seekers使用者來說，只要有符合的職位，系統便會特別標示出來，對於Premium等級的使用者，還會顯示比其他求職者更具競爭力的工作，而Recruiter使用者，系統則會為招聘者依適合程度，排名申請人，並且在有高度符合需求的求職者應徵時，主動發出通知。

新模型部署之後，根據各項指標變化，該模型確實發揮作用，Linkedin提到，招聘者與應徵者的互動率有兩位數成長，而且確認招聘的比例提升，這代表應徵方與招聘方配對品質良好，另外，Premium等級的使用者的點擊率（CTR）也獲得提升。