HR Tech x 機械学習 導入事例紹介
Download as PPTX, PDF•11 likes•9,138 views
2017/02/23 の D3勉強会の資料です。 該当する勉強会イベントはこちら https://d-cube.connpass.com/event/51407/
![応募者の書類選考評価予測
• 応募書類情報と、企業情報、また求人情報から、
書類選考でどの評価 [S,A,B,C] を受けるのかを予測する機能です。
23
応募](https://image.slidesharecdn.com/d3slide-170227020011/85/HR-Tech-x-23-320.jpg)
![すごくざっくりした図
39
応募情報
・年齢
・学歴
・職歴
・住所等
求人情報
企業情報
書類選考
評価
ベクトル化
(CountVectorizer)
[1,0,2,
0,0,1,
…
0,0,1]
y
モデル
作成](https://image.slidesharecdn.com/d3slide-170227020011/85/HR-Tech-x-39-320.jpg)
![多項ロジスティック回帰
• これは n 個への分類に対して、それぞれの尤度を出すモデルです。
• 多項ロジスティック回帰を使って、
評価 [ S, A, B, NG ] の中で１番予想確率の高いものを
選択するようにしました。
45](https://image.slidesharecdn.com/d3slide-170227020011/85/HR-Tech-x-45-320.jpg)
HR Tech x 機械学習 導入事例紹介
- 1. HR Tech x 機械学習 導入事例紹介 株式会社ビズリーチ HRMOS事業部 エンジニア 田部 亮介 2017/02/23 (thu) 1
- 2. 事前アンケートの結果 2 30% 30% 26% 13% 機械学習に興味あり: 30% AIの活用方法に興味 : 30% HR Techに興味あり: 26% その他 : 13%
- 3. 今日お話すること • HR領域のSaaS 「HRMOS」 の紹介 • 機械学習の技術をどのように導入、活用しているか • 今後の展望について total 60page 3
- 4. 自己紹介 • 名前: 田部亮介 (べーたべ) • 高知県出身 29歳 • ビズリーチ入社4年目 • 大学文系(経済学部) • スタンバイ事業部(1年ちょっと機械学習やってました) -> HRMOS事業部 採用管理チーム 4
- 8. 採用のお仕事の悩み • 面接、面談の情報が属人化しがちで、一般化しづらい… • 職種毎に毛色の違う人材を採用していて採用要件が違う… • 採用担当者が変わるともう… 8
- 9. 9
- 10. • 採用管理、勤怠管理、評価管理など、人事領域の仕事の効率化を目的 として作られたモジュール群です。 • 現在リリースしているものは 採用管理 、 勤怠管理 の2つです。 • 今後は評価管理、組織管理など、あらゆる人事領域で必要な仕事を効 率化するモジュールを出して行く予定です。 10
- 11. 11 の描く未来図
- 12. 12 の描く未来図
- 13. 作られた背景 13
- 15. ATS ( Applicant Tracking System ) 15 メールのやり取り 面接の設定 候補者の管理 採用管理ツール
- 16. のmission 16
- 18. ビズリーチがHR Techをやる強み 1. 自社で毎月 1,000名 以上の応募者と接点を作って来たことで 蓄積されている人事データ 2. 人材サービス(ビズリーチ, careertrek等) を展開していく中で得た知 見 (※個人情報の保護には最新の注意を払っています) 3. スタンバイを作ってくることで得た機械学習のノウハウ 18
- 22. 書類選考ってどこを見てますか？ • 職歴 / 学歴 ( = 経験 ) • 年齢 • 写真 • 資格 • 募集しているポジション とのマッチ度 22 判断
- 23. 応募者の書類選考評価予測 • 応募書類情報と、企業情報、また求人情報から、 書類選考でどの評価 [S,A,B,C] を受けるのかを予測する機能です。 23 応募
- 24. デモ画面をちらっとお見せします
- 26. 導入までイメージ • 「書類選考の合格率予想を作って欲しい」との要望 • 納期1ヶ月 • 書類選考したことない人が実装担当 ( 1人 ) ※ インフラは揃えていただきました。 • スタンバイで使った自然言語処理の知識は持ってた 26
- 29. 事前に把握しておくイメージ 29 学習器の特徴 学習器にはどんなものがあるのか それぞれどんな用途に強いのか どんな データフォーマットを 用意すれば良いのか svm 決定木 ロジスティック回帰
- 32. 用意した武器 • python - scikit-learn, pandas - common-ml (弊社で作っている ml のライブラリです。) • elasticsearch - 形態素解析用サーバとして使用 32
- 33. 使った技術・手法 • 自然言語処理 • 決定木 ( DesicionTreeClassifier ) • SVM ( サポートベクターマシン ) • 多項ロジスティック回帰 33
- 35. どうやってやるか • 応募者のレジュメデータと、求人情報、企業情報を全てまとめる • elasticsearchを使ってそれらのデータを形態素解析し、 CountVectorizerで数値化 (ベクトル化) する • scikit-learnのDecisionTreeClassifierで学習させてみて、 結果をpandasでpdf出力して眺める 35
- 36. 学習するデータが決まれば • 実際の書類選考の結果を教師データ、 事前の調査で使うと決めたデータを学習データとして学習させたい ( 教師あり学習 ・ 2値分類 ) • でも書類情報や企業情報はただの文字情報… 36
- 37. データの数値化（ベクトル化） • レジュメなどテキストデータの数値化には、 Bug-Of-Words ( BOW ) と呼ばれる手法が一般的です。 • 今回は BOW の中でも尤もシンプルな CountVectorizer を使いました。 37
- 38. 決定木の結果を見て • 強い影響を与えるのがどこのデータなのかを大体把握した ( 職歴、学歴、年齢、住所等… ) => 学習の際は、それらの強い影響を与えるデータのみ を扱うようにする 38
- 40. 学習するデータが決まれば • どんな学習器を使うかの選定になります。 • 今回は合否判定を作っていたので、 まずは 2値分類に強い SVM (サポートベクターマシン) を使いました。 40
- 41. SVM 41 合格 不合格
- 42. SVM • 合格 と 不合格 のちょうど良いところに線を引いて、分類する • 直線からの距離が遠ければ遠いほど信頼度が高い => 正解率が高い と判断できる => 直線からの距離を一定数値間に置き換えて、 確率に変換していました。 42
- 43. でもあまり結果が良くない… • 理由: 1. 学習データ( 応募者のレジュメ )の情報がまばら 2. 途中で S, A, B, C の評価を出力するように変更が入り、 合格、不合格といった2値分類には精度が出るが 4択 ( 評価: S, A, B, C ) は苦手だった… 43
- 44. 2値分類 -> 多値分類 • 問題の性質が変わってしまったため、 次の手法を選択しないといけない… • 多値分類を解く問題に変わったので、次は 多項ロジスティック回帰を使って予測をするように変更しました。 44
- 45. 多項ロジスティック回帰 • これは n 個への分類に対して、それぞれの尤度を出すモデルです。 • 多項ロジスティック回帰を使って、 評価 [ S, A, B, NG ] の中で１番予想確率の高いものを 選択するようにしました。 45
- 46. • 詳細はまた次回… ( 3/13 Mon にこの詳細についての勉強会が開催予定ですので、 もし興味があればそちらにご参加ください m_ _m ) 46 多項ロジスティック回帰
- 51. 応募書類評価予測を作った理由 51 書類 面談 面接 内定 入社 企業が人材を採用する流れ
- 52. 採用のお仕事 ( 再 ) 52 例えばビズリーチの場合、 10人採用したいとすると…
- 53. 応募書類評価予測を作った理由 • 応募書類評価が予測できる => 1次面接の予測ができる => 内定予測… => 内定承諾予測… • それらの先駆けとしてまず導入しました。 53
- 54. 様々な予測が出来るようになれば 54 書類 面談 面接 内定 入社 企業が人材を採用する流れ
- 55. 様々な予測が出来るようになれば 55 書類 面談 面接 内定 入社 30%20% 80% 50%
- 56. 56
- 57. 様々な人事モジュールがつながる未来 • 社内の評価が高い人材と似ている応募があれば、 積極的に採用してみる • 勤怠、健康の乱れ、評価の情報から、 離職率を下げれるような動きを取り、事前に防ぐ • 過去のデータから戦略的な人材配置のアシスト etc… 57
- 59. 59
- 61. ご清聴ありがとうございました。