DE 
EnglishStandard
Українська
Polski🧑💼 Lebenslauf-Stellen-Abgleich — Live-Embedding-Ähnlichkeit
Sehen Sie, wie Lebensläufe und Stellenbeschreibungen in einen gemeinsamen Vektorraum eingebettet und per Kosinus-Ähnlichkeit abgeglichen werden, mit einem Kandidaten-Ranking, das sich live aktualisiert, während Sie die Gewichtung von Fähigkeiten gegenüber Erfahrung ändern.
Über diese Simulation
Diese Simulation platziert sechzehn Kandidatenvektoren sowie einen Anforderungsvektor der Stelle in einem gemeinsamen neundimensionalen Embedding-Raum (8 Fähigkeiten + Erfahrung). Das Verschieben des Reglers für die Gewichtung von Fähigkeiten gegenüber Erfahrung skaliert diese Dimensionen neu und berechnet die echte Kosinus-Ähnlichkeit zwischen jedem Kandidaten und der Stelle neu, wodurch sich das Ranking der Shortlist sofort ändert. Eine echte Hauptkomponentenanalyse (PCA) — live per Potenzmethode auf der Kovarianzmatrix berechnet, nicht vorab festgelegt — projiziert den neundimensionalen Raum auf ein sichtbares Streudiagramm, das sich bei Gewichts- oder Stellenänderung deutlich neu ordnet.
🔍 Was gezeigt wird
Sechzehn Kandidatenvektoren und ein Anforderungsvektor der Stelle teilen sich einen neundimensionalen Embedding-Raum (8 Fähigkeiten + Erfahrung). Eine Live-PCA-Projektion platziert sie auf einem 2D-Diagramm, die Kosinus-Ähnlichkeit zur Stelle steuert Farbe und Stärke der Verbindungslinien, und das Shortlist-Ranking ändert sich in Echtzeit mit dem Gewichtsregler oder einem Stellenwechsel.
🎛 Bedienung
Wählen Sie eine Stelle aus der Dropdown-Liste, ziehen Sie den Regler für Fähigkeiten gegenüber Erfahrung, um Shortlist und Streudiagramm neu ordnen zu sehen, passen Sie die Shortlist-Größe an und klicken Sie einen beliebigen Punkt oder eine Zeile an, um das Fähigkeitsprofil eines Kandidaten gegen die Stellenanforderungen zu prüfen.
💡 Wussten Sie schon?
Echte, auf Embeddings basierende Recruiting-Tools haben eine dokumentierte Geschichte darin, in historischen Daten enthaltene Vorurteile zu verstärken — Amazon zog 2018 öffentlich ein internes CV-Screening-Modell zurück, nachdem es gelernt hatte, Lebensläufe mit Erwähnung von Frauenhochschulen abzuwerten. Transparente, prüfbare Vektoren wie in dieser Simulation sind eine der vorgeschlagenen Abhilfen.
Häufig gestellte Fragen
Was ist ein Embedding und warum werden Lebensläufe und Stellenanzeigen als Vektoren dargestellt?
Ein Embedding ist ein numerischer Vektor, der ein Element in einen gemeinsamen Koordinatenraum platziert, sodass ähnliche Elemente nahe beieinanderliegen. In dieser Simulation wird jeder Lebenslauf und jede Stellenanzeige durch einen kleinen, menschlich verständlichen Vektor dargestellt: eine Zahl pro Fähigkeit (Kompetenz von 0 bis 1) plus eine Zahl für Jahre Erfahrung. Echte Produktionssysteme nutzen meist dichte Vektoren mit Hunderten oder Tausenden Dimensionen aus einem Sprachmodell, aber die Idee ist identisch.
Warum Kosinus-Ähnlichkeit statt euklidischer Distanz?
Kosinus-Ähnlichkeit misst den Winkel zwischen zwei Vektoren unabhängig von deren Länge: cos θ = (A·B)/(|A||B|). Das ist hier wichtig, weil ein Kandidat mit hoher Kompetenz in allen Fähigkeiten und ein Kandidat mit demselben Profil, aber nach unten skaliert, weiterhin als richtungsgleich gut zur Stelle passend gelten sollten — die euklidische Distanz würde den zweiten Kandidaten nur für die geringere Vektorlänge bestrafen.
Was genau ändert der Regler für Fähigkeiten gegenüber Erfahrung mathematisch?
Jeder Kandidaten- und Stellenvektor wird vor der Ähnlichkeitsberechnung neu skaliert: die acht Fähigkeitsdimensionen werden mit dem Gewicht w multipliziert, die Erfahrungsdimension mit (1 − w). Da die Kosinus-Ähnlichkeit von den relativen Proportionen zwischen den Dimensionen abhängt, nicht ihrer absoluten Größe, dreht eine Änderung von w tatsächlich jeden Vektor im Raum.
Wie wird die Position im 2D-Diagramm aus dem neundimensionalen Vektor berechnet?
Die Simulation führt eine echte Hauptkomponentenanalyse (PCA) am aktuellen Satz gewichteter Vektoren durch. Sie zentriert alle Punkte um ihren Mittelwert, baut die Kovarianzmatrix der skalierten Dimensionen auf und findet die beiden Haupteigenvektoren per Potenzmethode mit Deflation — derselben iterativen Methode, die in der Produktion zur PCA-Näherung verwendet wird.
Welche realen Einschränkungen der Fähigkeitstaxonomie hat so ein kleines, handgebautes Modell?
Diese Simulation reduziert jeden Lebenslauf auf acht Fähigkeitskategorien und eine Erfahrungszahl, was eine nützliche didaktische Vereinfachung ist, aber eine echte Vereinfachung des tatsächlichen Lebenslaufinhalts. Produktionssysteme haben mit schwierigeren Problemen zu kämpfen, die dieses Modell völlig ausklammert: Synonym- und Abkürzungsabgleich, Verfall von Fähigkeiten, im Titel oder in Erfolgen verborgene Senioritätssignale statt expliziter Bewertungen.
Warum sortiert ein Stellenwechsel das Ranking so stark neu?
Jedes in der Simulation definierte Stellenprofil trägt einen eigenen Vektor erforderlicher Fähigkeiten und Erfahrung, sodass ein Stellenwechsel den Punkt verschiebt, mit dem jeder Kandidat verglichen wird — der Stellenpunkt selbst bewegt sich im Embedding-Raum. Ein Kandidat, der die beste Übereinstimmung für „Data Scientist“ ist, kann bei „Product Manager“ ins Mittelfeld rutschen, obwohl sich die Fähigkeiten des Kandidaten gar nicht geändert haben.
Welche realen Fehler und Fallstricke von CV-Matching-Embeddings sind in dieser Simulation nicht sichtbar?
Es ist erwiesen, dass echte, auf Embeddings basierende Recruiting-Tools Vorurteile aus Trainingsdaten codieren und verstärken — etwa systematisch Lebensläufe mit Erwähnung von Frauenhochschulen, bestimmten Namen oder ungewöhnlichen Karrierepausen abwerten, weil das Modell diese Korrelationen aus historischen Einstellungsmustern gelernt hat. Die handgebauten, transparenten Fähigkeitsvektoren dieser Simulation können diese Art von Fehler nicht reproduzieren, was genau der Punkt ist: echte Systeme benötigen explizite Fairness-Audits, das Entfernen geschützter Merkmale und menschliche Überprüfung, gerade weil ihre Embeddings undurchsichtig sind.