Pojednostavite proces zapošljavanja pomoću kontrolne table

Pregled

Computer može da pretvori haotičan proces zapošljavanja rukovodilaca u strukturisanu ratnu sobu za donošenje jedne važne odluke o zapošljavanju vodećeg ML inženjera. On istražuje svakog kandidata širom javnog weba, boduje ih u odnosu na obavezne kriterijume, simulira debatu komisije za zapošljavanje i isporučuje interaktivnu kontrolnu tabu koju vaš rukovodeći tim može da koristi da se usaglasi oko izbora broj 1.

​

Ključni rezultati

Computer je uzeo opis posla za zapošljavanje i levak sa 12 kandidata, a zatim sproveo detaljno veb-istraživanje o svakom kandidatu, ukrštajući beleške recrutera sa publikacijama, aktivnošću na GitHubu, izlaganjima i blog postovima kako bi otkrio skrivene prednosti i crvene zastavice.

Kreirao je strukturisanu tabelu rezultata sa ocjenama od 1 do 5 za svaki obavezan kriterijum — godine iskustva, obuku velikih modela, evidenciju publikacija, PyTorch/distribuiranu obuku, zaključivanje u realnom vremenu i osnovne inženjerske sposobnosti — i automatski označio sedam kandidata koji nisu ispunili jedan ili više obaveznih uslova. Pet kandidata je prošlo prag i prešlo u detaljniju evaluaciju.

Za to top pet, Computer je sintetizovao prikaz „komisije za zapošljavanje“ kroz tri ugla: Tehnička dubina, Isporuči to i Graditelj tima, eksplicitno ističući tenzije gde je, na primer, kandidat bio jak kao arhitekta, ali slabiji kao lider ljudi ili operater u produkciji.

Proizveo je jasnu rangiranu listu sa Alexom Petrovom kao preporukom br. 1, Wei Chen kao najboljom rezervom prilagođenom riziku i Marcusom Thompsonom kao „crnim konjem“ sa velikim potencijalom, uz obrazloženje povezano sa dosadašnjim radom, očekivanjima u vezi sa kompenzacijom i verovatnoćom zatvaranja.

Kontrolna tabla ratne sobe koju je primenio uključuje sedam kartica: izvršni rezime, matriks kandidata koji se može sortirati, radarske i stubne prikaze grafikona rezultata, kartice debata komisije za zapošljavanje, prilagođene planove intervjua za prva tri, mrežu konkurentske obaveštajne službe koja upoređuje Apexov nastup u odnosu na Tesla/Figure/DeepMind/Pi za svakog kandidata, i praćenje levka u Kanban stilu za upotrebu u pregledima zapošljavanja na nivou CTO-a.

Uvećaj

Uvećaj

Uvećaj

Saveti

• Razjasnite prag i opseg zapošljavanja – Dodajte eksplicitan jezik praga, na primer: „Ovaj kandidat mora biti sposoban da bude naš de fakto direktor mašinskog učenja u roku od 18–24 meseca; nemojte preporučivati nikoga ko ne može u potpunosti da upravlja mapom puta osnovnih modela.“
• Ograničite spoljno istraživanje – Postavite granice za izvore i svežinu, na primer: „Dajte prioritet radu u poslednjih 5 godina i vrednujte publikacije sa vrhunskih mesta i produkcione sisteme više nego starije akademske projekte.“
• Povežite rezultate sa datumom odluke – Dajte Computeru ritam donošenja odluka, na primer: „Strukturirajte kontrolnu tablu i sumarne preglede tako da podržavaju odluku o idemo/ne idemo na sastanku komisije za zapošljavanje CTO-a sledećeg ponedeljka.“