【案例】倍罗数字化人才管理解决方案

信息化观察网
信息化观察网
Bello(倍罗)利用强大的简历解析能力、NLP自然语言处理及KG知识图谱技术将简历还原成机器能够识别的结构化数据,并能够充分解读简历内容,将简历内容与职位JD进行匹配,按照匹配程度自动排序推荐给招聘人员,将招聘工作者从大量重复性的简历查阅、筛选工作当中解脱出来,将更多的时间和精力放在与精准候选人的沟通上来。

Bello(倍罗)利用强大的简历解析能力、NLP自然语言处理及KG知识图谱技术将简历还原成机器能够识别的结构化数据,并能够充分解读简历内容,将简历内容与职位JD进行匹配,按照匹配程度自动排序推荐给招聘人员,将招聘工作者从大量重复性的简历查阅、筛选工作当中解脱出来,将更多的时间和精力放在与精准候选人的沟通上来。

倍罗围绕数字化人才管理领域,提供招聘管理RPA、简历智能分析、人才智能评估和人力资源数据分析等功能模块,大大减少了招聘过程中重复繁琐的事务性工作提升企业人力资源数字化、智能化能力。

Bello的产品定位是技术中台。我们的底层技术能力就像乐高积木,将多种技术模块作为材料,提供给人力资源各个领域,帮助他们搭建自己想要的产品和服务。技术中台主要由精准的NLP文本解析、职场知识图谱和人岗匹配引擎组成。

文本解析能力使用自有专利的“基于布局分析的自然语言理解技术”,像肉眼一样,按区块读取,并自动识别拆分进行解析。我们可以将复杂的非结构化数据,高精度地进行结构化处理。如职位要求、简历、职场行为、绩效考核、面试评价等等。因此在解析复杂格式简历的时候,Bello可以提供稳定可靠的服务。

强大的知识图谱体系,给用户呈现最有效的人才画像,获得超越简历以外的更多信息。以前你看到的只是简历文本,以后,你将看到、搜索到最专业的招聘认知,利用知识图谱,可以生成个体人才画像、岗位人才画像,多维度全面标签化人才数据和岗位数据,立体展示人才信息,直接、清晰地了解人才特点、亮点,便于进一步人才分析和管理,以及实现人岗匹配。比如,我们能够对简历中的相关经验(技能、擅长领域)、教育背景(海外名校、985、211)、公司背景(世界500强、名企、对标行业领军企业)以及其他维度(团队管理经验、出海经验、创业经历、语言能力)等等维度的亮点提炼呈现;能够对简历中的空档期或时间冲突、教育经历存疑、跳槽频繁以及转行、薪资过高/过低、年龄过大/过小等内容进行风险提示;能够对简历中的公司信息、学校信息、技能词、证书、姓名拼音等文本信息进行分类、标注和解释,鼠标悬浮即可提示这些文本信息的准确含义及相关标签,让即使刚入行的HR都能够准确判断候选人与职位的匹配度。

智能人岗匹配技术除了常用的深度学习、神经网络等机器学习方法外,Bello特别擅长「迁移学习」这一能灵活应用于大数据及小数据环境下的技术。Bello迁移学习中的 general model 可以基础识别所有简历、处理图像数据,在 general model 基础上进行参数调整满足更加 specific 的细节要求。在相关领域的迁移技术既避免了每一次换数据都要重新训练模型的麻烦,也有助于精准读取。这样的AI训练方法,在不同行业、不同职能的人岗匹配模型快速复制的过程中起到重要作用。

同时,倍罗提供智能化RPA工具,实现职位一键发布、邮箱聚合回收,自动查重入库等功能。

利用倍罗的技术,我们还可以做的更多。

根据语义智能搜索:识别关键词的实体类型及对应概念、召回关键词的相关词、实体和概念的维度,包括职位、技能、工作,年限、院校、专业等等,以实现高效精准的搜索。

培训推荐:基于倍罗知识图谱中丰富的技能类的实体和概念,以及技能实体间的关系,聚合、分类展示员工所具备的技能,并根据企业需要、岗位要求以及员工职业发展规划,推荐相关培训内容,持续提高员工能力和竞争力。

企业人才库盘活:企业人才库是招聘过程中一直需要被重视的“宝藏”。机器可敏捷地利用过往沉淀的人才信息,提供招聘线索,提升招聘成功率及降低招聘费用。 依托于Bello自研的简历解析器和知识图谱,简历入库时即可生成高精准的结构化信息,并且进行了人才画像分析,抽取工作经历、领域、公司背景、和学历专业等全维度的特征全方位进行岗位匹配分析。实现以人推岗,以岗推人。

构建岗位画像:将岗位信息通过知识图谱展开,可将招聘需求转化为具体维度上的明确筛选条件,同时挖掘人才简历背后的更多特征信息,辅助HR高效科学地开展招聘工作

高潜预测:基于已入职的表现优秀的员工简历和面试结果,通过机器学习,生成适合企业的优质简历模型,应用于后续招聘,提升招聘质量。

以上这些,都是Bello的中台定位——辅助人力资源行业的产品和服务,以及各大企业的EHR系统来搭建他们自己想要的功能。期待与行业内的每一个个体和组织,一起探索未来,共建人力资源AI生态。

THEEND

最新评论(评论仅代表用户观点)

更多
暂无评论