Optimer ansættelsesprocessen med et dashboard

Oversigt

Computer kan forvandle en rodet ansættelsesproces for ledere til et struktureret 'war room' med henblik på at ansætte en enkelt, altafgørende Staff ML-ingeniør. Den researcher hver enkelt kandidat på tværs af det offentlige internet,scorer dem i forhold til ufravigelige kriterier, simulerer en debat i ansættelsesudvalget og leverer et interaktivt dashboard, som dit ledelsesteam kan bruge til at enes om det foretrukne valg.

​

Nøgleresultat

Computer indlæste ansættelsesnotatet og pipelinen med 12 personer, hvorefter den foretog dybdegående webresearch af hver enkelt kandidat ved at krydstjekke rekrutteringskonsulentens noter med publikationer, GitHub-aktivitet, foredrag og blogindlæg for at afdække manglende styrker og advarselstegn.

Den opbyggede et struktureret scorekort med 1-5-vurderinger for hvert enkelt ufravigeligt kriterium – anciennitet, træning af store modeller, publikationshistorik, PyTorch/distribueret træning, realtidsinferens og grundlæggende ingeniørevner – og markerede automatisk syv kandidater, som ikke opfyldte et eller flere ufravigelige kriterier. Fem kandidater klarede skærene og gik videre til en mere detaljeret evaluering.

For disse top fem syntetiserede Computer et "ansættelsesudvalg"-visning ud fra tre synsvinkler: Teknisk dybde, Eksekveringsevne og Teamopbygning, og pegede eksplicit på spændinger, hvor en kandidat eksempelvis var stærk som arkitekt, men svagere som leder eller produktionsoperatør.

Den udarbejdede en klar rangeret liste med Alex Petrov som #1-anbefalingen, Wei Chen som den bedste risikojusterede backupløsning og Marcus Thompson som et uforudsigeligt og stærkt alternativ, med begrundelse knyttet til historik, lønforventninger og sandsynlighed for lukning.

Det 'war room'-dashboard, den implementerede, indeholder syv faner: et ledelsesresumé, en sorterbar kandidatmatrix, radar- og søjlediagramvisualiseringer af scorekort, debatkort for ansættelsesudvalget, skræddersyede interviewplaner for de tre bedste, et konkurrencemæssigt intrid, der opstiller Apex' pitch over for Tesla/Figure/DeepMind/Pi for hver kandidat, samt en pipeline-tracker i Kanban-stil til brug ved ansættelsesevalueringer på CTO-niveau.

Udvid

Udvid

Udvid

Tips

• Afklar ansættelseskrav og omfang – Tilføj eksplicit sprogbrug for kravene, for eksempel: "Denne ansættelse skal kunne fungere som vores de facto ML-direktør inden for 18-24 måneder; anbefal ikke nogen, som ikke kan eje køreplanen for fundamentmodeller fra ende til anden."
• Begræns ekstern research – Sæt grænser for kilder og aktualitet, for eksempel: "Prioriter de seneste 5 års arbejde, og vægt publikationer på topkonferencer og produktionssystemer højere end ældre akademiske projekter."
• Knyt resultater til en beslutningsdato – Giv Computer en beslutningstakt, for eksempel: "Strukturér dashboardet og resuméerne, så de understøtter en go/no-go-beslutning på næste mandags ansættelsesmøde i udvalget for CTO'er."