레거시 ATS에서 키워드 스태핑이 작동하는 이유
현재 시장에 있는 모든 레거시 지원자 추적 시스템은 순위 레이어로서 일부 형태의 토큰 수준 매칭을 사용합니다. 마케팅에서 "AI"라고 말하더라도 구현은 보통 세 가지 중 하나입니다: 불리안 키워드 추출, TF-IDF 가중치 매칭, 또는 문장 임베딩을 사용하는 의미적 유사성. 이 세 가지 모두 동일한 구조적 취약점을 가지고 있습니다: 그것들은 결정론적입니다. 규칙을 아는 후보자는 실제 적합성과 관계없이 원하는 출력을 신뢰성 있게 생성할 수 있습니다.
Jobscan의 연구는 이 관행이 얼마나 광범위하게 퍼져 있는지를 문서화하며, 하버드 비즈니스 스쿨의 숨겨진 노동자에 관한 연구는 2천700만 명의 자격을 갖춘 미국인이 능력과 관련 없는 이유로 자동 스크리닝에서 거부된 것으로 추정하고 있습니다.
후보자가 시스템을 조작하는 네 가지 방법
- 숨겨진 흰색 텍스트. 페이지 하단에 흰색으로 입력된 키워드 블록, 인간 독자에게는 보이지 않지만 파서에게는 완전히 보입니다.
- 반복된 기술 섹션. 기술 섹션이 약간의 변형과 함께 두세 번 나타납니다.
- 요약에서 JD 복사-붙여넣기. 후보자가 직무 설명의 첫 번째 문단을 이력서 요약에 그대로 복사합니다.
- 키워드에 맞게 글머리 재작성. 실제 글머리가 직무 설명을 더 기술적인 용어로 반영하도록 재작성됩니다.
왜 "더 스마트한 키워드 매칭"이 해결책이 아닌가
키워드 스태핑 문제를 인식한 공급업체들은 보통 더 스마트한 키워드 모델로 이를 해결하려고 합니다. 그들은 스톱워드 필터, 의미적 유사성, BERT 기반 매칭, GPT-4 요약을 추가합니다. 문제는 이러한 모든 모델이 여전히 토큰을 읽고 있다는 것입니다.
해결책은 더 스마트한 키워드 모델이 아닙니다. 해결책은 키워드로 순위를 매기는 것을 완전히 중단하는 것입니다. 순위 설정기는 후보자가 허구의 성과를 위조하기 위해 발명해야 할 결과를 읽어야 하며, 토큰이 아닙니다.
Amaz에서 적대적 입력에 대해 배운 것
CurriculoATS 이전에, 창립자는 아마존에서 검색 및 추천 작업을 하며 몇 년을 보냈습니다. 적대적 입력은 이러한 시스템에서 오래된 문제입니다. 작동했던 패턴은 판매자가 직접 제작할 수 없는 신호에 따라 순위를 매기는 것이었습니다. 실제 구매 데이터, 실제 반환 비율, 검증된 리뷰 패턴.
채용도 같은 방식으로 작동합니다. 후보자는 원하는 키워드를 무엇이든 쓸 수 있습니다; 순위 설정기는 다른 것을 읽어야 합니다. 구체적으로, 시스템은 수익, 팀, 시스템 및 문제의 네 가지 결과 범주에 대해 이력서를 읽습니다. 모델은 찾은 특정 결과를 인용하는 서면 논리와 함께 0–100 복합 점수를 생성합니다.
역할 및 직급별 스태핑 비율에 대한 데이터
키워드 스태핑 비율은 역할 및 직급에 따라 급격히 달라집니다. 수석 엔지니어와 수석 제품 관리자가 가장 많이 스태핑하며, 그들은 가장 많은 직무에 지원하고 패턴을 배운 사람들이기 때문입니다. 샘플링된 수석 백엔드 엔지니어링 후보자의 스태핑 비율은 약 38%였으며, 가장 일반적인 패턴은 직무 설명과 일치하는 글머리가 포함된 기술 섹션의 중복 결합이었습니다. 수석 PM의 비율은 약 31%였습니다.
레거시 키워드 스크리닝은 가장 적합한 후보가 아닌 가장 많이 지원된 후보를 체계적으로 홍보하며, 불일치 비율이 창립자가 정확한 신호를 가장 많이 필요로 하는 직급대에서 가장 높습니다.
창립자가 이번 주에 하는 일
키워드 스태핑이 귀하의 최종 후보 목록을 오염시키고 있다고 의심되면, 세 가지 간단한 확인으로 알 수 있습니다:
- 현재 ATS에서 상위 다섯 개 이력서를 열고 모든 텍스트를 선택합니다. 숨겨진 흰색 텍스트가 나타나면 후보자가 스태핑하고 있는 것입니다.
- 이력서의 경력 섹션을 기술 섹션과 대조하여 읽습니다. 기술 목록이 많은 기술을 주장하지만 경험에는 몇 개만 언급된다면 나머지는 스태핑입니다.
- 이력서 요약이 직무 설명과 너무 밀접하게 일치하는지 확인합니다.