UK 
EnglishТипова
Polski🧑💼 Зіставник Резюме з Вакансіями — Подібність Ембедингів Наживо
Спостерігайте, як резюме та описи вакансій вбудовуються у спільний векторний простір і зіставляються за косинусною подібністю, з живим ранжованим коротким списком, що оновлюється, коли ви налаштовуєте вагу навичок відносно досвіду.
Про цю симуляцію
Системи відстеження кандидатів раніше майже повністю покладалися на пошук за ключовими словами — резюме, яке жодного разу не використало точну фразу «управління проєктами», відфільтровувалося б, навіть якщо воно описувало керування трьома міжфункціональними запусками. Зіставлення на основі ембедингів виправляє це, перетворюючи і резюме, і вакансії на числові вектори в спільному просторі, а потім ранжуючи кандидатів за тим, наскільки близько напрямок їхнього вектора збігається з вектором вакансії, а не за буквальним збігом рядків. Та сама техніка — закодувати обидві сторони в одну геометрію, а потім виміряти кут між ними — лежить в основі сучасного семантичного пошуку, рекомендаційних систем і генерації з доповненням пошуком, а не лише програмного забезпечення для найму.
Ця симуляція будує невелику, повністю прозору версію цього конвеєра, а не демо типу «чорна скринька». Фіксована таксономія з восьми категорій навичок плюс роки досвіду визначають дев'ятивимірний вектор для шістнадцяти кандидатів і для будь-якої вакансії, яку ви оберете. Переміщення повзунка навички проти досвіду перемасштабовує ці виміри й перераховує справжню косинусну подібність між кожним кандидатом і вакансією, миттєво переранжуючи короткий список. Справжній аналіз головних компонент — обчислений наживо через степеневу ітерацію на матриці коваріації, а не готовий 2D макет — проєктує дев'ятивимірний простір на точковий графік, який ви бачите, тож сам графік видимо перебудовується, коли змінюється вага чи вакансія.
Часті питання
Що таке ембединг і чому резюме та вакансії представляють як вектори?
Ембединг — це числовий вектор, що розміщує елемент у спільному координатному просторі так, щоб схожі елементи опинялися поруч. У цій симуляції кожне резюме й вакансія представлені невеликим, зрозумілим людині вектором: одне число на навичку (рівень володіння від 0 до 1) плюс одне число для років досвіду. Реальні виробничі системи зазвичай використовують щільні вектори з кількох сотень до кількох тисяч вимірів, згенеровані мовною моделлю, але базова ідея ідентична — перетворити неструктурований текст на точку в просторі, щоб відстань і кут між точками стали математично значущими сигналами.
Чому косинусна подібність замість евклідової відстані?
Косинусна подібність вимірює кут між двома векторами незалежно від їхньої довжини: cos θ = (A·B)/(|A||B|). Це важливо тут, бо кандидат із високим рівнем володіння за всіма напрямками й кандидат із тим самим профілем, зменшеним пропорційно (оцінений на одну сходинку нижче за кожну навичку), все одно повинні вважатися однаково добрим напрямковим збігом із вакансією — евклідова відстань покарала б другого кандидата просто за меншу величину, тоді як косинусна подібність правильно повідомляє, що вони вказують в один бік. Це стандартний вибір для ембедингів резюме й документів у реальних системах відстеження кандидатів і пошуку.
Що насправді математично змінює повзунок ваги навичок проти досвіду?
Кожен вектор кандидата й вакансії перемасштабовується перед обчисленням подібності: вісім вимірів навичок множаться на вагу навичок w, а вимір досвіду множиться на (1 − w). Оскільки косинусна подібність залежить від відносних пропорцій між вимірами, а не їхнього абсолютного розміру, зміна w справді обертає кожен вектор у просторі — кандидат, сильний навичками, але слабкий досвідом, отримує вищий бал зі зростанням w до 1, а досвідчений універсал зі скромною глибиною навичок піднімається у списку зі зменшенням w до 0. Переранжування, яке ви бачите, — пряме, реальне наслідок цього перемасштабування, а не заскриптована анімація.
Як обчислюється 2D позиція на точковому графіку з дев'ятивимірного вектора?
Симуляція виконує справжній аналіз головних компонент (PCA) на поточному наборі зважених векторів. Вона центрує всі точки за їхнім середнім значенням, будує матрицю коваріації перемасштабованих вимірів і знаходить два перших власних вектори методом степеневої ітерації з дефляцією — тим самим ітеративним методом, що використовується у виробництві для апроксимації PCA, коли повний розклад на власні значення не потрібен. Кожна точка потім проєктується на ці два напрямки, тому переміщення повзунка ваги не лише переранжує короткий список, а й видимо перебудовує точковий графік: осі максимальної дисперсії зсуваються зі зміною ваги.
Які реальні обмеження таксономії навичок має така невелика, вручну побудована модель?
Ця симуляція зводить кожне резюме до восьми категорій навичок і одного числа досвіду, що є корисним навчальним спрощенням, але справжнім спрощенням фактичного вмісту резюме. Виробничі системи стикаються зі складнішими задачами, яких ця модель повністю уникає: зіставлення синонімів і абревіатур («JS» проти «JavaScript» проти «ECMAScript»), актуальність і згасання навички (навичка, вказана, але не використовувана вісім років, повинна враховуватися менше), сигнали старшинства, приховані в посадах і досягненнях, а не в явних оцінках, і той факт, що дві людини можуть описувати ту саму базову навичку абсолютно різною лексикою. Реальні моделі ембедингів навчені саме для стійкості до такого лексичного розходження.
Чому перемикання вакансії настільки сильно перетасовує рейтинг?
Кожна попередньо задана вакансія в цій симуляції несе власний вектор необхідних навичок та значення необхідного досвіду, тож перемикання вакансій переміщує точку, з якою порівнюється кожен кандидат, — сама точка вакансії переміщується в просторі ембедингів. Кандидат, який був найкращим збігом для вимоги «Дата-сайнтист» (сильні Дані та ML, SQL), може опуститися до середини групи для вимоги «Продукт-менеджер» (сильні Продукт/UX, Лідерство, Комунікація), бо кут його вектора до нового вектора вакансії просто менш узгоджений, навіть попри те, що власні навички кандидата ніколи не змінювалися.
Які упередження й пастки впливають на реальні ембединги зіставлення резюме, яких ця симуляція не може показати?
Було показано, що реальні інструменти найму на основі ембедингів кодують і посилюють упередження, наявні в їхніх навчальних даних, — наприклад, систематично знижуючи рейтинг резюме, що згадують жіночі коледжі, певні імена чи нетрадиційні перерви в кар'єрі, бо модель вивчила ці кореляції з історичних патернів найму, а не з будь-якого справжнього сигналу навички. Вручну побудовані, прозорі вектори навичок цієї симуляції не можуть відтворити цей режим збою, і саме в цьому суть: реальні системи потребують явних аудитів справедливості, очищення захищених атрибутів і людського перегляду саме тому, що їхні ембединги непрозорі так, як ця восьмивимірна іграшкова модель навмисно не є.