Scalable Identification and Prioritization of Requisition-Specific Personal Competencies Using Large Language Models
تقترح هذه الورقة نهجاً قائماً على النماذج اللغوية الكبيرة يدمج بين التلقين القائم على الأمثلة القليلة الديناميكية، والتحسين الذاتي القائم على التأمل، والتحقق متعدد المراحل لتحديد وتحديد أولويات الكفاءات الشخصية الخاصة بمتطلبات الوظيفة بدقة، محققةً أداءً يضاهي الخبراء البشريين في اختيار الموظفين.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل أنك توظف مدير برامج (Program Manager) لشركة ما. لديك وصف وظيفي قياسي يقول: "نحن بحاجة لشخص يمكنه التعامل مع الغموض وإدارة الجداول الزمنية". هذا هو الجزء العام. كل من يتقدم لوظيفة "مدير برامج" يحتاج إلى هذه المهارات.
ولكن هنا تكمن الخدعة: أنت لا توظف أي مدير برامج فحسب، بل توظف شخصًا تحديدًا ليقود فريق تعلم آلي (Machine Learning). فجأة، يجب أن يقول الوصف الوظيفي: "أوه، وأنت أيضًا تحتاج إلى فهم كيفية عمل نماذج الذكاء الاصطنا And التحدث مع علماء البيانات".
المشكلة هي أن برامج التوظيف القياسية (وحتى مسؤولي التوظيف البشر) غالبًا ما تغفل هذه المتطلبات المحددة والخفية. فهم يرون المسمى الوظيفي العام ويتوقفون عنده، وقد يوظفون مديرًا عامًا رائعًا ليس لديه أدنى فكرة عما يعنيه "التعلم الآلي" فعليًا، مما يؤدي إلى توظيف خاطئ.
هذه الورقة البحثية تدور حول بناء مساعد ذكاء اصطناعي فائق الذكاء يقرأ وصفًا وظيفيًا محددًا ويستنتج بالضبط المهارات الفريدة المطلوبة لهذا العمل المحدد، وليس المهارات العامة فقط.
إليك كيف فعلوا ذلك، مشروحًا ببعض التشبيهات من الحياة اليومية:
1. المشكلة: فخ "المقاس الواحد الذي يناسب الجميع"
فكر في مكتبة الكفاءات القياسية (قائمة المهارات) كأنها صندوق أدوات عام. يحتوي على مطرقة، ومفك براغي، ومفتاح ربط. إذا كنت بحاجة لإصلاح سيارة، فستأخذ مفتاح الربط. وإذا كنت بحاجة لإصلاح ساعة، فستأخذ المفك الصغير.
لكن إذا كنت توظف "صانع ساعات"، فإن صندوق الأدوات العام سيقول: "أنت بحاجة لمفتاح ربط". إنه ينسى أن يذكر أنك بحاجة تحديدًا إلى مفك براغي دقيق وعدسات مكبرة. الذكاء الاصطناعي في هذه الورقة مصمم للنظر إلى الوظيفة المحددة (دور صانع الساعات) والقول: "مهلاً، بالنسبة لهذه الوظيفة المحددة، نحن بحاجة للمفك الدقيق، وليس مجرد مفتاح الربط العام".
2. الحل: خط إنتاج "المحاور الذكي"
بنى المؤلفون نظامًا باستخدام نموذج لغوي كبير (LLM) — وهو أساسًا ذكاء اصطناعي متطور للغاية يقرأ ويفهم اللغة البشرية. لكنهم لم يكتفوا بسؤال الذكاء الاصطناعي: "ما هي المهارات المطلوبة؟" بل بنوا خط إنتاج من أربع خطوات للتأكد من دقة النتائج.
فكر في هذا الأمر كأنه مطبخ في مطعم فاخر يقوم بإعداد طبق معقد:
الخطوة 1: رئيس الطهاة (الاستدعاء الأولي)
الذكاء الاصطنا-ي يقرأ الوصف الوظيفي. وبدلاً من مجرد التخمين، ينظر إلى "كتاب طبخ" من عمليات التوظيف الناجحة السابقة (أمثلة). يجد وصفة تشبه الوظيفة الحالية تمامًا ويقول: "حسنًا، بناءً على هذه الوظيفة المشابهة، إليكم أهم 3 مهارات محددة نحتاجها".- التشبيه: يشبه الأمر شيفًا ينظر إلى وصفة لـ "تاكو حار" ويدرك: "أوه، الطلب الجديد هو 'تاكو حار بالأفوكادو'، لذا أحتاج لإضافة الأفوكادو إلى القائمة".
الخطوة 2: ناقد الطعام (التقييم)
يعمل الذكاء الاصطناي بعد ذلك كناقد قاسٍ. ينظر إلى قائمة المهارات الخاصة به ويسأل: "هل مهارة 'التواصل' غامضة جدًا؟ هل 'برمجة بايثون' محددة أكثر من اللازم؟ هل أدرجت بالخطأ مهارة تنتمي لوظيفة أخرى؟"- التشبيه: يتذوق الشيف الصلصة ويقول: "هذه مالحة جدًا. أحتاج لإصلاحها قبل تقديمها".
الخطوة 3: المُنقّح (إعادة الصياغة)
بناءً على ملاحظات الناقد، يعيد الذكاء الاصطناعي كتابة القائمة. يقوم بصقل التعريفات وتصحيح الأولويات.- التشبيه: يقوم الشيف بتعديل التوابل ويكتب بطاقة وصفة جديدة ومثالية.
الخطوة 4: مفتش مراقبة الجودة (الفلترة والتحقق)
أخيرًا، يتحقق النظام من القائمة مقابل "مكتبة المهارات الرئيسية" الرسمية للشركة.- الفلترة: إذا اقترح الذكاء الاصطناعي "القيادة" (وهي مهارة قياسية للجميع)، فإنه يحذفها لأننا نريد فقط المهارات الخاصة.
- التحقق: إذا اقترح الذكاء الاصطناعي مهارة تسمى "عناق الفريق"، ولكن المكتبة الرسمية تسميها "حل النزاعات"، فإن الذكاء الاصطناعي يغير الاسم ليتطابق مع المكتبة الرسمية حتى يتحدث الجميع نفس اللغة.
- التشبيه: يفحص المفتش قائمة الطعام مقابل قواعد الصحة. إذا كتبت "برجر فاخر" ولكن قواعد الصحة تتطلب "قطعة لحم بقري"، فسيقوم بتصحيح الملصق حتى لا تتعرض لغرامة.
3. "الإنسان في الحلقة" (اختبار المذاق)
لا يُترك الذكاء الاصطناعي بمفرده للقيام بكل شيء. استخدم الباحثون خبراء بشريين (أشخاص حاصلون على درجة الدكتوراه في علم النفس والتوظيف) لتذوق عمل الذكاء الاصطناعي.
- نظروا إلى مقترحات الذكاء الاصطناعي وقالوا: "نعم، هذه مهارة جيدة"، أو "لا، هذه عامة جدًا".
- استخدموا هذه الملاحظات لتعليم الذكاء الاصطناعي كيفية كتابة تعليمات (Prompts) أفضل للجولة التالية.
- التشبيه: يشبه الأمر برنامج طبخ حيث يقوم الشيف (الذكاء الاصطناعي) بإعداد طبق، ويقوم الحكم (الخبير البشري) بتذوقه وتقديم ملاحظات، ثم يستخدم الشيف هذه الملاحظات لطهي طبق أفضل في المرة القادمة.
4. النتائج: هل نجح الأمر؟
اختبر الفريق هذا النظام على وظائف حقيقية لمديري البرامج في شركة أمازون.
- الدقة: حدد الذكاء الاصطناعي المهارة المحددة الأعلى المطلوبة للوظيفة بنسبة 76% من الوقت.
- المقارقة: هذا يكاد يكون بنفس مستوى اتفاق خبيرين بشريين مع بعضهما البعض (وهو المعيار الذهبي).
- الأمان: نادرًا ما اقترح مهارات لا تنتمي للوظيفة (7% فقط من الوقت)، مما يعني أنه لم يتشتت بأشياء غير ذات صلة.
لماذا يهم هذا؟
في الماضي، إذا كان لدى شركة 7,000 شاغر وظيفي سنويًا، فقد تحتاج إلى مئات الخبراء البشريين لقراءة كل واحد منها وتحديد المهارات المحددة المطلوبة. هذا يستغرق وقتًا طويلاً ويكلف ثروة.
يعمل نظام الذكاء الاصطناعي هذا كـ مضاعف للقوة. يمكنه مسح آلاف الوصف الوظيفي في دقائق، وتسليط الضوء على مهارات "الخلطة السرية" الفريدة لكل وظيفة، والسماح للخبراء البشريين بالتركيز فقط على الفحص النهائي. يقدر المؤلفون أن هذا يمكن أن يوفر 3,500 ساعة من العمل البشري سنويًا.
باختصار: تعلم هذه الورقة البحثية الروبوت كيف يقرأ وصفًا وظيفيًا، ويتجاهل الأشياء العامة المملة، ويحدد بدقة المهارات الفريدة المطلوبة لجعل تلك الوظيفة تحديدًا ناجحة، كل ذلك مع التعلم من الملاحظات البشرية ليصبح أكثر ذكاءً كل يوم.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.