skill suche mit kuenstlicher Intelligenz

Mit KI auf Skill-Suche

Sezin Öztüfek
Expertin für Kreativität und Daten
Mehr erfahren

Sie wollen ein Projekt besetzen und die dafür passenden Kandidaten*innen im Unternehmen finden? Mit unserem neuen Tool brauchen Sie nicht mehr alle Lebensläufe durchzugehen. Einfach auf Suchen klicken – KI erledigt die Arbeit.

Die Sprache ist ein wesentlicher Bestandteil zwischenmenschlicher Beziehung. Obwohl alle Lebewesen ihre eigenen Kommunikationsmittel haben, beherrschen nur Menschen die kognitive Sprachkommunikation. Und kein Thema, das sich um das Verstehen der menschlichen Sprache dreht, kann mit traditionellen Automatisierungstechniken gelöst werden. Deswegen kommt Künstliche Intelligenz (KI) ins Spiel. Sie hat unter anderem das Ziel, Aufgaben auszuführen, die normalerweise menschliche Intelligenz erfordern, beispielsweise die visuelle Wahrnehmung, Spracherkennung, Entscheidungsfindung oder Übersetzung zwischen Sprachen. Wir, als ein Team von Data Scientists, haben uns die Sprache durch die Lupe der KI angeschaut.

Eine Künstliche Intelligenz kann gesprochene Worte erkennen und weiterverarbeiten (Adobe Stock / wachiwit).

NLP für die Skill-Suche nutzen

Es wird viel daran gearbeitet, Sprache mittels Natural Language Processing (NLP) in den Bereich der künstlichen Intelligenz zu integrieren. NLP ermöglicht es Computern, Texte zu lesen, zu interpretieren, Stimmungen zu messen und zu bestimmen, welche Teile eines Texts wichtig sind. Wörter, Sätze oder allgemeine Texte können durch NLP-Verfahren in Vektoren umgewandelt werden. Durch diese Vektoren lassen sich versteckte Informationen über eine Sprache wie Wortanalogien (Übereinstimmung in bestimmten Bedeutungen) oder Semantik (Bedeutung sprachlicher Ausdrücke) erfassen.

Wortvektoren vergleichen 

Vektoren, die die gleiche Dimension haben, können miteinander verglichen werden. Die Ähnlichkeit zwischen zwei Wörtern lässt sich über den Winkel zwischen ihren jeweiligen Vektoren berechnen. Je ähnlicher zwei Wörter sich sind, desto kleiner ist ihr Winkel, und umso näher liegen sie beieinander. Dies funktioniert auch erstaunlich gut für algebraische Operationen von Wortvektoren, beispielsweise:

Vektor(“König”) – Vektor(“Mann”) + Vektor(“Frau”) = Wort(“Königin”)

Auf Deutsch: Wenn wir den Vektor des Wortes „Mann“ vom Vektor des Wortes „König“ subtrahieren und den Vektor des Wortes „Frau“ hinzufügen, erhalten wir das Wort „Königin“.

kuenstliche Intelligenz still suche

Das Wort „Königin“ erhält man durch die Gleichung: „König“-„Mann“+„Frau“ (Adobe Stock / Anusorn).

Unser Treiber: die metaSkill-Suche

Wir wollten diese Technologie bei unserer „metaSkill-Suche“ nutzen, indem wir unser bisheriges Verfahren mittels KI erweitern. Die metaskill-Suche ist unser internes Werkzeug, das uns hilft, die am besten geeigneten Kandidaten*innen für eine gegebene Projektbeschreibung zu finden. Das heißt: KI sollte uns helfen, innerhalb von Sekunden ein Ranking von geeigneten Mitarbeiter*innen für eine Arbeitsstelle oder Projektbeschreibung zu erstellen.

Mit KI Staffing-Prozesse automatisieren

Durch unsere Methode lassen sich Staffing-Prozesse optimieren und automatisieren. Ein anderer Vorteil ist: Man muss sich nicht mehr im dem zu suchenden Bereich auskennen, um passende Mitarbeiter*innen zu finden. Das Tool ist nämlich in der Lage, ähnliche Begriffe als solche zu interpretieren. „SQL“ und „mySQL“ zum Beispiel werden Datenbank-Entwickler*innen als sehr ähnlich vorkommen, aber Mitarbeiter*innen ohne technischen Hintergrund könnten die Begriffe als zwei unterschiedliche Bereiche interpretieren.

Stellenbeschreibungen als Trainingsprogramm

Wie funktioniert die Suche genau? Wie vorher erwähnt, müssen wir Text in Vektoren umwandeln. Im Allgemeinen gibt es eine Handvoll Möglichkeiten, ein Wort zu vektorisieren. Wir haben uns für fastText entschieden, da es ein leichtes Modell ist, das sich schnell trainieren lässt und sehr gute Ergebnisse liefert. Dann haben wir vier verschiedene Open-Source-Datensätze mit Informationen über Arbeitsstellen heruntergeladen und jede Arbeitsstelle als Dokument betrachtet, um mit diesen Daten unser Modell zu trainieren. Die Suche nach einem Data Scientist als Arbeitsstelle enthielt beispielsweise noch SQL, MySQL und Python als Anforderungen. Das Modell war danach in der Lage, die Beziehung zwischen verschiedenen Skills zu verstehen – vor allem, wie ähnlich sie zueinander sind. Wenn wir also nach einer bestimmten Qualifikation suchen, kann das Modell die Suche bei Bedarf mit ähnlichen Fähigkeiten ergänzen.

Keyword-Suchmaschine Elasticsearch

Zudem brauchten wir eine Suchmaschine, um metafinanz-Mitarbeiter*innen mit den benötigten Skills zu finden. Für diesen Teil des Prozesses haben wir uns für Elasticsearch entschieden, eine Open-Source-Suchmaschine, die nicht auf SQL-Statements basiert, sondern auf Keywords. Für alle Kolleg*innen werden verschiedene Attribute abgespeichert, zu welchen auch eine Skill-Beschreibung gehört. Diese enthält beispielsweise „Erfahrung mit Big-Data-Plattformen“ oder auch einzelne Skills wie „Apache Spark“.

Suchlisten gezielt anreichern

Elasticsearch bekommt nun eine Liste an Skill-Wörtern, die bei Bedarf durch fastText mit semantisch ähnlichen Skills erweitert werden kann. War der Suchbegriff beispielsweise „Hadoop“, wird die Suche durch fastText um die ähnlichen Skills „Spark“ und „Big Data“ angereichert. Alle Mitarbeiter*innen, die diese Skills in einem ihrer Attribute haben, können dadurch gefunden werden, und das natürlich blitzschnell. Da die Begriffe Spark und Hadoop beide aus dem Big-Data-Bereich kommen, haben wir somit eine semantische Suche ermöglicht und einen Treffer gelandet, der vorher nicht möglich gewesen wäre.

elasticsearch

Mit Elasticsearch als Suchmaschine und fastText als „Ähnlichkeitsmaschine“ ergibt sich dieser Ablauf für die interne metaSkill-Suche (Quelle: Eigene Darstellung).

Rating für Skills ordnet die Kandidat*innen

Alle metafinanz-Mitarbeitende haben mit einem sechsstufigen Rating ihr Erfahrungslevel für jeden Skill angegeben. Dieses Rating nutzen wir nun, um die verschiedenen Kandidat*innen, die am Ende der Suche erscheinen, besser vergleichen zu können. Man sieht in der Spinnengrafik unsere drei Beispielkandidaten, die für eine Projektbeschreibung angezeigt werden. So lässt sich leicht erkennen, ob entweder alle gefundenen Mitarbeiter*innen das benötigte Skillset abdecken, oder ob zum Beispiel Erika für dieses Projekt am besten passt, weil ihre Erfahrung in Apache Spark dringender benötigt wird als Ottos Erfahrung in Hadoop. So wird mit KI-Unterstützung unser Alltag bei der Kandidatensuche erleichtert und gleichzeitig noch verbessert.

metaminds skill ranking

Max ist ein Anfänger in Apache Spark, hier drängt sich Otto förmlich für das Projekt auf. Wird zudem Hadoop gebraucht, hätte auch Erika Potenzial (Quelle: Eigene Darstellung).

Weitere Informationen zu den KI-Kompetenzen der metafinanz finden Sie hier.

Quelle Titelbild: AdobeStock/peterschreiber.media

Sezin Öztüfek
Expertin für Kreativität und Daten
Mehr erfahren
Erik Martori López
Experte für Data Science und Machine Learning
Mehr erfahren

Weitere Beiträge

Risk & Security

Cybersecurity im Automobilbereich: die neue ISO 21434

Weiterlesen
Risk & Security

Messenger-Security-Check: Wie sicher sind die täglichen Begleiter?

Weiterlesen
Human & Relations

Vielfalt als Chance: Diversity macht stark

Weiterlesen

Diesen Beitrag teilen

Alle Beiträge von
IT & Digital