top of page
成功案例
Headquarter.ai 協助人力銀行利用 LLM 解析超過 250 萬筆工作技能，實現跨產業人才資料的動態高效媒合
LLM HQ 實現了超越傳統 ML 模型的文字處理效能，不需手動提取特徵或設計規則，即可理解並處理自然語言文本，協助人力銀行快速應對日益增長的職缺技能需求，持續精進人才媒合精準度與效率，提升整體用戶體驗。
總覽
人力銀行產業在人才與職缺的配對上，多數已導入個人化推薦 (Personalize Recommendation) 或是基於規則的推薦 (Rule-based Recommendation) 系統，用以媒合企業職缺與人才，但傳統的 AI 解決方案已無法全面滿足日新月異的職缺技能和企業徵才條件，人力銀行既無法因市場的變動擴大而增加新的營收，反而需耗費人力做履歷資料系統的更新和調整。面對求職者和企業端快速變動的市場需求，人力銀行產業需尋求其他 AI 解決方案才能持續優化求職者找工作的效率，以及企業求才的時間效益。
客戶證言
人力銀行的媒合場景與電商常見的推薦有很大的不同，幸好有 KKLab 的專業團隊協助導入 AWS 的 AI/ML 解決方案，包括 Amazon Comprehend, Amazon Translate, Amazon SageMaker 及 Amazon Personalize，讓我們得以針對履歷及工作描述建立動態化的標籤來作配對，提供更優質的人才媒合服務。
- 全球華人有限公司 資料科學部 總監 簡聖霖 -
1111 人力銀行面臨的求才媒合問題
現在的工作者都相當斜槓，若只能用職缺名稱做推薦，例如 iOS 工程師，可能只能找到過去曾經擔任過 iOS 工程師，而非經歷更為相關的其他專業人才。同樣情形也會發生在求職者完成履歷編寫和求職需求後，卻無法被匹配媒合到與其經驗最為相關的職缺機會。
求職的關鍵字會隨流行不斷變動，如何優化基於文本內容的求職媒合效益？
隨著科技快速演變，人力銀行所提供的履歷資料欄位若要即時反映現況並做更新，需耗費大量人力不斷做系統改版與調優，而既有的系統欄位可能會造成求職者或企業人資在填寫履歷或工作介紹時無法完整填寫，大幅限制了基於文本內容的媒合精準度。
同樣的職缺名稱，不同公司實際徵才的內容卻相差甚遠，如何克服傳統 AI 推薦的限制，達到人才媒合最佳化？
Headquarter.ai 如何透過 LLM HQ 解決人力銀行產業的困境
以 LLM 做工作技能動態分類模型
針對人力銀行產業客製的 LLM 模型，透過專屬於工作技能領域的自然語言模型解析，能高效處理超過 250 個工作技能，將其動態分類，並從中找出技能間的關聯性。
結合 LLM 與推薦模型應用，快速媒合履歷與職缺
新註冊或職場新鮮人的求職者，在缺少過往點擊紀錄的情況下，透過 LLM 能夠解析出履歷與職缺內容的關鍵字，並依據動態分類後的相關程度，結合推薦系統做職缺媒合；若為既有用戶的求職者，則能再搭配過往點擊紀錄、面試紀錄，以推薦系統加權個人喜好來優化推薦的內容。
bottom of page