[논문 리뷰] An AI based talent acquisition and benchmarking for job

Rudresh Mishra, Ricardo Morales-Rodríguez외 1명|arXiv (Cornell University)|2020. 08. 12.

Graph Theory and Algorithms참고 문헌 12인용 수 8

한 줄 요약

이 논문은 자연어 처리와 기계학습을 통한 스킬 그래프 매칭를 활용해 이력서를 직무 공고와 매칭하고 순위를 매기는 인공지능 기반 인재 확보 시스템을 제안한다. 특히 컴퓨터 과학 분야의 역할에 중점을 두며, 도메인 스킬, 일반 스킬, 문화적 적합성을 가중치를 부여한 매칭 점수에 통합함으로써 다양한 직무 유형에 걸쳐 일관된 지원자 순위를 도출한다. 이는 채용의 효율성을 향상시키고 편향을 감소시키는 데 기여한다.

ABSTRACT

In a recruitment industry, selecting a best CV from a particular job post within a pile of thousand CV's is quite challenging. Finding a perfect candidate for an organization who can be fit to work within organizational culture is a difficult task. In order to help the recruiters to fill these gaps we leverage the help of AI. We propose a methodology to solve these problems by matching the skill graph generated from CV and Job Post. In this report our approach is to perform the business understanding in order to justify why such problems arise and how we intend to solve these problems using natural language processing and machine learning techniques. We limit our project only to solve the problem in the domain of the computer science industry.

연구 동기 및 목표

• 컴퓨터 과학 산업에서 한 명의 직무 공고에 대해 수천 건의 이력서를 수작업으로 스크리닝하는 데 발생하는 과제를 해결하기 위해.
• 스킬, 도메인 전문성, 조직 문화를 기반으로 지원자와 역할을 자동으로 스케일링 가능한 방식으로 매칭하는 솔루션을 개발하기 위해.
• AI 기반 지원자 평가 및 순위 매기기를 활용해 채용자의 편향과 시간을 줄이기 위해.
• 스킬, 도메인, 문화 매칭에 대한 조정 가능한 가중치가 지원자 선별 결과에 어떤 영향을 미치는지 평가하기 위해.
• 이전에 채용된 직원들의 이력서를 조직의 문화적 가치를 대체로 사용할 수 있는지 탐색하기 위해.

제안 방법

• 자연어 처리 기법을 사용해 이력서와 직무 공고에서 스킬을 추출하고 임bedding하여 스킬 그래프를 구축하기 위해.
• 어휘 임베딩(예: word2vec)을 적용해 스킬과 직무 요구사항 간의 의미 유사도를 모델링하기 위해.
• 도메인 스킬, 일반 스킬, 문화적 적합성을 통합하는 다차원 매칭 프레임워크를 구현하기 위해.
• 가변적인 우선순위를 가진 가중치 점수를 사용해 각 이력서-직무 쌍에 대한 매칭 순위(MR) 값을 계산하기 위해.
• 실제 이력서와 직무 공고를 사용해 모델을 훈련하고 검증하며, 조직의 우선순위를 반영하기 위해 가중치를 조정하기 위해.
• 전문가 평가와 온톨로지 기반 매칭을 통해 스킬 일치도를 개선하고 모호성을 줄이기 위해.

실험 결과

연구 질문

• RQ1 어떻게 AI가 기술적 스킬, 도메인 전문성, 문화적 적합성을 균형 있게 고려하면서 이력서를 직무 공고와 효과적으로 매칭할 수 있는가?
• RQ2 스킬, 도메인, 문화 매칭에 대한 조정 가능한 가중치가 지원자 순위 결과에 어느 정도의 영향을 미치는가?
• RQ3 이전에 채용된 직원들의 이력서가 AI 기반 매칭에서 조직의 문화적 가치를 신뢰할 수 있는 대체 지표로 사용될 수 있는가?
• RQ4 속도, 일관성, 공정성 측면에서 제안된 시스템이 수작업 스크리닝에 비해 어떻게 비교되는가?
• RQ5 어휘 임베딩과 의미 유사도는 스킬 매칭 정확도 향상에 어떤 역할을 하는가?

주요 결과

• 기본 가중치 설정 하에 기술 직무 공고에 대해 시스템은 CV3, CV4, CV5를 상위 지원자로 일관되게 순위 매겼으며, MR 점수는 각각 0.743, 0.741, 0.740이었다.
• CV1과 CV2는 사업 중심 역할에서 상위로 순위 매겨져, 모델이 가중치 조정을 통해 다양한 직무 프로파일에 적응할 수 있음을 보여주었다.
• 가중치 조정(예: 도메인 및 스킬의 우선순위를 3으로 증가)으로 모든 이력서의 MR 점수가 약 0.03~0.04 증가했으며, 순위 순서는 변화가 없었다.
• 모델은 다양한 테스트 시나리오에서도 가중치 변화가 있음에도 불구하고 일관된 지원자 순서를 유지하는 등 뛰어난 순위 매기기의 강건성을 보였다.
• word2vec 임베딩의 통합으로 스킬의 의미적 이해가 향상되어 정확한 키워드 매칭을 넘어서는 더 나은 매칭이 가능해졌다.
• 모델이 역사적 채용 데이터를 기반으로 문화적 일치도를 추론하는 데 성공했지만, 훈련 세트에 조직의 문화 데이터가 부족하여 한계가 있었다.