Natural Language Processing (sponsored)

(c) milch & zucker
(c) milch & zucker

– Anzeige –

Oder: Können Algorithmen über Erfolg und Misserfolg von Stellenanzeigen entscheiden?

Bevor man direkt in Themen wie Deep Learning oder Natural Language Processing springt, sollte man den Oberbegriff der künstlichen Intelligenz (KI) näher beleuchten und sich vor Augen führen, wie intelligent eigentlich künstliche Intelligenz ist, um dann bewerten zu können, ob sie Recruiting-Verantwortliche irgendwann wirklich im Prozess unterstützen kann.

Denn Künstliche Intelligenz ist kein Allheilmittel unseres zukünftigen Lebens oder unserer Wirtschaft. Künstliche Intelligenz ist erst einmal nichts anderes als die Nachbildung menschlichen Denkens. Da aber das menschliche Denken selbst noch recht unerforscht ist, konzentriert sich die Forschung auf einzelne Teilbereiche. Unter anderem mit dem Ziel, dort Arbeitserleichterungen zu schaffen.

Einer dieser Teilbereiche ist eben Natural Language Processing (NLP). Dieser versucht, natürliche Sprache zu erfassen. Computerbasiert und mithilfe von Regeln und Algorithmen. NLP verwendet hierfür verschiedene Methoden und Ergebnisse aus den Sprachwissenschaften und kombiniert sie mit moderner Informatik und künstlicher Intelligenz.

So weit, so gut. Und wie kann NLP das Recruiting unterstützen?

Prinzipiell könnten Prozesse im Recruiting durch den Einsatz von KI standardisiert werden, was zur Folge hätte, dass eine höhere Objektivität in der Beurteilung von Bewerbern erzielt werden könnte. Ein praktisches Beispiel wäre die Nutzung von KI, um Ausschreibungen auf ihre Passung zur potenziellen Zielgruppe hin zu optimieren, damit Mensch und Maschinentext sich besser verstehen. Oder Mensch den Maschinentext überhaupt versteht.

Leider oder vielleicht glücklicherweise – je nach Betrachtungsweise – ist die menschliche Sprache oft mehrdeutig. Kleines Beispiel gefällig? Alleine solch ein simples Wort wie „schnell“ kann durch Dutzende Synonyme ersetzt werden. Das muss erst mal einer verstehen. Vor allem ein Computer. Das geht nur durch Wiederholung.
Um also einfache Textbedeutungen ganzheitlich zu erkennen, ist es notwendig, im Vorfeld große Datenmengen zu erfassen und bereits erkannte Muster für die Sinnanalyse heranzuziehen. Bereits seit Alan Turing 1950 seinen Turing-Test etabliert hat, der Maschinen auf ihre „Intelligenz“ hin testet, wird an der manuellen Spracherkennung gearbeitet. Neben künstlicher Intelligenz und Machine Learning kommt heute Big Data ins Spiel.

Ein erster Schritt, eine Stellenanzeige zu verstehen, ist es, der Maschine beizubringen, um was es sich überhaupt handelt. Direkteinstieg oder Ausbildungsplatz? Für einen Menschen kein Problem. Für einen Computer schon. So haben die Sätze „Wir bieten eine Ausbildung zum Mechantroniker“ oder „Sie benötigen eine Ausbildung als Mechatroniker?“ eine komplett entgegengesetzte Bedeutung. Wertet man nur Schlüsselwörter aus, kann es hier für den Computer schnell zu Verwechslungen kommen. NLP bietet genau für solche Fälle Methoden, um die richtigen Unterscheidungen zu treffen.

Das Ziel ist aber, dem Computer nicht nur beizubringen, Stellenanzeigen klassifizieren zu können, sondern auch Aussagen über die Güte zu treffen. Dafür muss man erst einmal ein Maß finden, das etwas über die Güte einer Anzeige aussagt. Das kann zum Beispiel die Anzahl der Views auf eine Anzeige, die Anzahl der Bewerbungen auf eine Anzeige, Time to hire oder anderes sein. Daraus kann ein Computer einen gewichteten Gütefaktor errechnen und in den Lernprozess mit einfließen lassen. Als Ergebnis erhält man einen Algorithmus, der vorhersagt, wie „gut“ eine Anzeige geschrieben ist. Wie bereits beschrieben, benötigt ein Computer viele Daten in entsprechender Güte, um seine künstliche Intelligenz überhaupt trainieren zu können.

Im Fall der Klassifizierung hat milch & zucker bereits den ersten großen Schritt geschafft: Mit in der Regel 90 % Wahrscheinlichkeit kann bereits heute ermittelt werden, um was für eine Anzeige es sich handelt.

Die verbleibenden 10 % bleiben die spannendsten auf dem Weg.