成立18年以来,Indeed已经从当初简单的职位公告板,发展成如今的自动匹配与招聘平台。每分钟都有超过20名员工通过该平台找到新工作,其月均访问量更高达3亿人次。

Indeed运用AI技术,打造神奇的个性化职业伴侣
过去三年间,该公司业务再次翻了一番。面对这段动荡的经济周期,一系列全球事件明显对招聘趋势和活动产生了巨大影响。在此过程中,Indeed业务战略的重点开始转向开发基于AI和机器学习的新型复杂技术解决方案。
Indeed执行副总裁兼雇主事务总经理Raj Mukherjee的介绍,Indeed目前的发展重点是理解并满足个人求职者及普通员工的要求,据此打造出更加个性化且对接成功率更高的产品。
下面,我们将一同了解Indeed如何运用AI和机器学习技术,并深入探讨Mukherjee关于改变求职产业及其他领域的一些想法:
职业伴侣
Mukerjee在表述中多次提出了“职业伴侣”的概念,它完美描述了Indeed的AI发展雄心。从广义上讲,其业务目标较为宏观,总体强调提升服务与用户偏好的契合度、增强流程的执行速度。
Mukherjee强调,“我们当初的初立原则,就是围绕着机器学习展开。”
“我们使用标准机器学习技术和深度学习……如今则开始运用生成式AI,或者说大规模语言网络。”
职业伴侣这个概念,源自人们意识到端到端的就业平台不止在求职者首次寻找工作时发挥作用。当下的他们也许是在找工作,但未来的他们可能会在这里查找晋升指引,甚至终有一天会成立公司、自行招聘员工。
而了解他们的偏好,将成为准确服务的关键所在。Indeed每天收集超1.4亿个数据点,该公司将其称为“资历”信息。配合资历,网站就能深入了解申请人的实际情况,以及他们是否与平台上发布的职位相匹配。
在描述AI技术如何为增强客户体验提供新的可能性时,Mukherjee表示“我们可能会提供一份双方分享的简历,其中包含大量关于求职者个人数据、以往工作经历、教育背景和所掌握职业技能的信息。”
“我们则使用解析技术,在非常深入的层面通过机器学习从中提取出适应岗位需求的技能。”
即时匹配
速度同样非常重要。因此,关于填补空缺的速度指标也是最受关注的效能标杆之一。
Mukherjee告诉我,“我们知道雇主希望缩短招聘周期……如果使用我们的付费产品,那么招聘速度将加快19%。”
这是因为该服务会通过AI技术将职位空缺与申请人主动匹配。一旦有新岗位被发布在网站上,系统就会邀请合适的申请人参与面试。
在幕后,许多复杂的分析和对接操作在持续运行。Indeed的算法会根据“明示”或“暗示”的偏好整理洞察结论。其中明示性偏好由用户直接提供,例如更倾向于在伦敦或者巴黎申请就职。
而暗示性的偏好则通过分析数据来确定。例如,如果申请人们一直在查找伦敦周边的工作,那基本可以确定这里就是他们首选的工作地点。
结果证明,将这些明示和暗示的偏好结合起来,能够有效加快求职者与工作岗位间的匹配速度。
Mukherjee指出,“我们可以先在机器中创建大致的整体偏好,然后把它跟……更好的就职机会匹配起来。”
“同样的情况在雇主一边也适用,因为我们多年来已经积累下数十亿份职位描述。”
个性化代理
从成立第一天起,Indeed就大力投资以将AI纳入其服务核心。而该网站的长期发展思路,就是为求职者提供完全自动化的“个性代理”。
这将有助于改善Mukerjee本人特别关注的一项指标——在申请工作岗位时,有四分之三的求职者根本没收到过任何回复。
他解释称,“哪怕是被雇主拒绝,哪怕是受到打击,也比简历石沉大海带来的沮丧感要好。”
而Indeed找到了一种简单的解决方案:要减少求职者遭受此等影响的最佳途径,就是尽量减少他们盲投简历和随意发出申请的数量!
“那么,我们要如何才能让求职者们用不着申请那么多岗位呢?这种稳、准、狠的求职新范式……需要的就是所谓「个性化代理」。”
“也就是说……我们与机器分享了1.4亿份偏好的资历,而机器据此了解求职者情况并返回成功率极高、至少是大概率能收到回复的岗位……没办法,行业现状就是如此,大多数雇主都会忽略职位申请人。我们投了简历,但却毫无音讯。”
招聘领域的未来AI应用
Mukherjee对于不断变化的职场生态和未来的就业市场趋势明显有着更深入的洞察。因此当他说出“许多工作岗位将逐渐消失时”,背后的含义显然值得深思。
“事实的确如此。之前也发生过类似的情况,每一轮技术革命都会引发失业潮。”
“但与此同时,新的就业机会也将被创造出来。而作为这场AI技术革命的重要组成部分,新岗位是一定会陆续出现的。”
而被夹在光谱两端的大多数——既没有被粗暴裁员,但也未能转型成为提示词工程师或者AI伦理学家等新角色——可能会猛然发现,自己正身处前所未见的新世界。
在这个世界中,AI将承担起匹配、确定联系和招聘流程自动化中的大部分常见要素。
而另一方面,我们则积极发挥人力资源工作当中“人”的作用——运用我们的同理心、沟通能力和创造性思维,尽可能推动企业中每位成员的利益最大化。
Mukherjee指出,“我坚定相信……最终每一个人都将获得优于之前的工作体验。”
“我们将少做自己不愿做的工作,多做自己想做的事情。这就是我所说的乐观、或者叫务实的一面。我衷心希望自己的预判能够成为现实。”
好文章,需要你的鼓励
微软近年来频繁出现技术故障和服务中断,从Windows更新删除用户文件到Azure云服务因配置错误而崩溃,质量控制问题愈发突出。2014年公司大幅裁减测试团队后,采用敏捷开发模式替代传统测试方法,但结果并不理想。虽然Windows生态系统庞大复杂,某些问题在所难免,但Azure作为微软核心云服务,反复因配置变更导致客户服务中断,已不仅仅是质量控制问题,更是对公司技术能力的质疑。
Meta研究团队发现仅仅改变AI示例间的分隔符号就能导致模型性能产生高达45%的巨大差异,甚至可以操纵AI排行榜排名。这个看似微不足道的格式选择问题普遍存在于所有主流AI模型中,包括最先进的GPT-4o,揭示了当前AI评测体系的根本性缺陷。研究提出通过明确说明分隔符类型等方法可以部分缓解这一问题。
当团队准备部署大语言模型时,面临开源与闭源的选择。专家讨论显示,美国在开源AI领域相对落后,而中国有更多开源模型。开源系统建立在信任基础上,需要开放数据、模型架构和参数。然而,即使是被称为"开源"的DeepSeek也并非完全开源。企业客户往往倾向于闭源系统,但开源权重模型仍能提供基础设施选择自由。AI主权成为国家安全考量,各国希望控制本地化AI发展命运。
香港中文大学研究团队开发出CALM训练框架和STORM模型,通过轻量化干预方式让40亿参数小模型在优化建模任务上达到6710亿参数大模型的性能。该方法保护模型原生推理能力,仅修改2.6%内容就实现显著提升,为AI优化建模应用大幅降低了技术门槛和成本。