ปรับปรุงกระบวนการจ้างงานด้วยแดชบอร์ด

ภาพรวม

Computer สามารถเปลี่ยนขั้นตอนการจ้างงานผู้บริหารที่ยุ่งเหยิงให้กลายเป็นห้องปฏิบัติการที่มีโครงสร้างชัดเจนสำหรับการจ้างงานตำแหน่ง Staff ML ที่มีความสำคัญและเดิมพันสูง โดยจะทำการค้นคว้าข้อมูลของแคนดิเดตแต่ละคนจากเว็บสาธารณะ ให้คะแนนเทียบกับเกณฑ์ที่จำเป็น จำลองการอภิปรายของคณะกรรมการสรรหา และสร้างแดชบอร์ดแบบอินเทอร์แอกทีฟที่ทีมผู้นำของคุณสามารถใช้เพื่อลงความเห็นเลือกตัวเต็งอันดับ 1 ได้

​

ผลลัพธ์สำคัญ

Computer ได้ดึงข้อมูลบรีฟการสรรหาและท่อส่งผู้สมัคร 12 คน จากนั้นทำการวิจัยเว็บเชิงลึกเกี่ยวกับแคนดิเดตแต่ละราย พร้อมตรวจสอบบันทึกของ  recruiter เทียบกับสิ่งพิมพ์ กิจกรรมใน GitHub การบรรยาย และบล็อกโพสต์ เพื่อค้นหาจุดแข็งที่ขาดหายไปและสัญญาณเตือนความเสี่ยง

ระบบได้สร้างบัตรคะแนนที่มีโครงสร้างพร้อมระดับคะแนน 1–5 สำหรับเกณฑ์ที่ต้องมีทุกข้อ ได้แก่ ความอาวุโส, การฝึกโมเดลขนาดใหญ่, ประวัติการตีพิมพ์ผลงาน, PyTorch/การฝึกแบบกระจายศูนย์, การอนุมานแบบเรียลไทม์ และความสามารถด้านวิศวกรรมหลัก พร้อมทั้งติดป้ายเตือนแคนดิเดต 7 รายที่ไม่ผ่านเกณฑ์ที่จำเป็นตั้งแต่หนึ่งข้อขึ้นไปโดยอัตโนมัติ โดยมีแคนดิเดต 5 รายที่ผ่านเกณฑ์และเข้าสู่ขั้นตอนการประเมินในรายละเอียดที่ลึกยิ่งขึ้น

สำหรับแคนดิเดต 5 อันดับแรกสุด Computer ได้สังเคราะห์มุมมอง “คณะกรรมการสรรหา” ผ่านเลนส์ 3 ด้าน ได้แก่ ความลึกทางเทคนิค (Technical Depth), การส่งมอบงาน (Ship It) และการสร้างทีม (Team Builder) พร้อมทั้งชี้ให้เห็นจุดขัดแย้งอย่างชัดเจน เช่น กรณีที่แคนดิเดตมีความแข็งแกร่งด้านสถาปัตยกรรมระบบแต่มีความเป็นผู้นำหรือผู้ดูแลการผลิตที่อ่อนกว่า

ระบบได้จัดทำรายชื่อจัดอันดับที่ชัดเจน โดยมี Alex Petrov เป็นคำแนะนำอันดับ #1, Wei Chen เป็นตัวสำรองที่ดีที่สุดในด้านการบริหารความเสี่ยง และ Marcus Thompson เป็นม้ามืดที่มีศักยภาพสูง พร้อมเหตุผลที่อิงจากประวัติผลงาน ความคาดหวังเรื่องค่าตอบแทน และความน่าจะเป็นในการปิดการจ้างงาน

แดชบอร์ดห้องปฏิบัติการที่ระบบนี้นำไปใช้งานประกอบด้วยแท็บทั้งหมด 7 แท็บ ได้แก่ บทสรุปสำหรับผู้บริหาร, เมทริกซ์แคนดิเดตที่จัดเรียงได้, การแสดงภาพเรดาร์และแผนภูมิแท่งของบัตรคะแนน, บัตรอภิปรายของคณะกรรมการสรรหา, แผนการสัมภาษณ์แบบเฉพาะตัวสำหรับ 3 อันดับแรก, ตารางข้อมูลเชิงลึกการแข่งขันที่เปรียบเทียบการนำเสนอของ Apex กับ Tesla/Figure/DeepMind/Pi สำหรับแคนดิเดตแต่ละคน และเครื่องมือติดตามท่อส่งผู้สมัครสไตล์ Kanban สำหรับใช้ในการทบทวนการจ้างงานระดับ CTO

ขยาย

ขยาย

ขยาย

เคล็ดลับ

• ชี้ eแจ้งเกณฑ์และขอบเขตการจ้างงาน – เพิ่มภาษาที่ระบุเกณฑ์ไว้อย่างชัดเจน เช่น: “ผู้ที่ได้รับการจ้างงานนี้จะต้องมีความสามารถในการเป็น ML Director ในนามพฤตินัยของเราภายใน 18–24 เดือน ห้ามแนะนำผู้ที่ไม่สามารถดูแลรับผิดชอบแผนงาน foundation model ได้ตั้งแต่ต้นจนจบ”
• จำกัดขอบเขตการวิจัยภายนอก – กำหนดขอบเขตเกี่ยวกับแหล่งที่มาและความเป็นปัจจุบัน เช่น: “ให้ความสำคัญกับผลงานในช่วง 5 ปีที่ผ่านมา และให้น้ำหนักกับสิ่งพิมพ์ในเวรูกลุ่มท็อปและระบบการผลิตมากกว่าโปรเจกต์เชิงวิชาการรุ่นเก่า”
• ผูกผลลัพธ์เข้ากับวันที่ต้องตัดสินใจ – กำหนดจังหวะเวลาในการตัดสินใจให้แก่ Computer เช่น: “จัดโครงสร้างแดชบอร์ดและบทสรุปให้สนับสนุนการตัดสินใจแบบไป/ไม่ไป (go/no‑go) ในการประชุมคณะกรรมการสรรหาตำแหน่ง CTO ของวันจันทร์หน้า”