【人材紹介×ChatGPT企画 / 第2回】履歴書の自動スクリーニング機能の実装をChatGPTを用いて検討する（前編）
お疲れ様です。
昨日のブログ『ChatGPTを使った新サービス・業務改善案をChatGPTを用いて作成する』では以下のプロンプトをベースにサービス案・業務改善案をリストアップするところまで行いました。
【ChatGPTやGenerative AIを使った人材紹介企業の業務改善の施策案を10ほど上げてください。】
改めて見直しても、施策検討のパートナーとしての有用性はすさまじいと感じますが、今日は上がってきた施策を更に深堀り、具体的にどう実現していくか・課題は何か・どんなリソースが必要か、といったより実装に近い部分を考えていきます。
もちろん考えるにあたって利用するのはChatGPTです。
最新の4です（契約しました）。
全部で11案あげてもらいましたが、とくに人材紹介ビジネスで競合優位性を確立する上で、今後着手するインセンティブの高いジャンルからトライしてみます。
まずは【履歴書の自動スクリーニング】から。
（1回でまとめる予定だったのですが、長くなったので前編・後編に分けます）
▼履歴書の自動スクリーニング:（ChatGPTの出力結果）
具体的な施策:
Generative AIを使って履歴書の情報を解析し、適切な求人情報とマッチングさせることができます。これにより、採用プロセスが効率化され、適切な候補者と企業がマッチする確率が向上します。
履歴書の読み取りに関しては、紙・データ両方とも画像認識AIで取り込んだとします。
（ここは僭越ながら弊社サービス「VINCERE CORE」にデフォルトで搭載されている機能なので、そちらを利用したと仮定します。参考デモはこちら）
読み込んだ履歴書データについて、自動で適切なマッチングを行うためにどのようなシステムが必要か、ChatGPTに聞いてみました。プロンプトは以下
【人材紹介企業が求人と求職者を自動で適切にマッチングする上で、以下のような「履歴書の自動スクリーニング」のシステムを作ると良いのではないかと考えています。】
【その際、スクリーニングした情報と過去のマッチング履歴やWeb上のトレンドなどを反映させるために、どのようなシステムを検討、実装する必要があるでしょうか。利用可能なサービスなどもいくつかリストアップして説明してください。】
履歴書の自動スクリーニングシステムを構築するには、以下の要素を組み込むことが必要です。
テキスト解析: 履歴書のテキストデータを解析し、候補者のスキル、経験、教育履歴などの情報を抽出します。このために、自然言語処理（NLP）技術を利用することができます。
過去のマッチング履歴の分析: 過去の成功したマッチング履歴をもとに、求職者と求人の適切なマッチング要素を学習します。これにより、システムはより正確なマッチングを行うことができます。
Web上のトレンド分析: Web上のトレンドや労働市場の動向を分析し、求人と求職者のマッチングに反映させます。これにより、現在の市場ニーズに合った適切なマッチングが可能になります。▼履歴書スクリーニングシステムに必要な要素とさらなる深堀
なるほどという回答が出ました。どれも自動スクリーニングから適切なマッチングを実現する上では有用かと思います。
①テキスト解析と③Web上のトレンド分析については、それこそChatGPTにプロンプトを投げることで実現できそうな気がします（もちろん機密データをChatGPTに投入するリスクがあるので、何らかの事前準備は必要ですが）
なので、2番目の「過去のマッチング履歴の分析」について、さらにフィジビリティを深ぼっていきます。
【では、「過去のマッチング履歴の分析」を実現する上で、どのようなプロセスが必要か教えてください。
例えば、マッチング履歴をCMRから取り出し、成功したマッチング・失敗したマッチングを分析する必要がある認識ですが、そのために開発が必要なシステムの全体像はどのようなイメージでしょうか。】
過去のマッチング履歴を分析するためのシステム全体像は以下のようなイメージです。
データ収集: CRMから過去のマッチング履歴を取り出します。成功したマッチングと失敗したマッチングの両方を抽出し、分析のためのデータセットを作成します。
データ前処理: 収集したデータを前処理し、分析に適した形式に変換します。具体的には、欠損値の処理、外れ値の除去、カテゴリデータのエンコーディングなどが含まれます。
特徴量抽出: マッチングに影響を与える重要な特徴量を抽出します。これには、求職者のスキル、経験、教育履歴、および求人の業界、職種、勤務地などが含まれる可能性があります。
アルゴリズムの選択: 機械学習アルゴリズムを選択する際には、精度、トレーニング時間、線形性、パラメーターの数、特徴の数などを考慮します[2]。また、「予測精度の高さ」「計算にかかる時間の長さ」「出力結果のわかりやすさ」に着目することも重要です[3]。
モデルの学習: 選択したアルゴリズムに基づいて、マッチングデータを使ってモデルを学習させます。「特徴量抽出」「モデルの学習」あたりは完全にデータサイエンティストの領域ですね。ちょっととっつきずらくなってきました。
▼後編の展望
必要なリソースがわかったのも収穫ではありますが、そもそもマッチング履歴の分析自体をChatGPTでできないのか、教師データを投入してそれに基づいた新候補者のマッチングができないのか、を次のブログでは検討します。
＋＋＋＋＋＋＋＋＋＋＋＋＋＋＋＋＋＋＋＋＋＋＋
画像認識AIをデフォルトで搭載した人材紹介向けCRM【VINCEREコア】のデモのお問い合わせは、こちらで受け付けています。
また、VINCEREでは常にお客様からの忌憚ないフィードバックを受け付けています。よければこちらからご意見をお聞かせください。
以上、引き続きよろしくお願いいたします。