Ditt CV i en digitaliserad AI-värld

Användning av AI när CV och uppdragsförfrågningar maskintolkas med hjälp av ”Natural language processing” (NLP) och när matchning utnyttjar ”Machine Learning” (ML) har kommit för att stanna. Ingen Rocket Science utan en förhållandevis okomplicerad tillämpning av AI. AI och digitalisering förändrar hur ett CV ska utformas, hur du gör dig sökbar och attraktiv som egenföretagande konsult.  

Du kan måla påskäggen hur vackra du vill, en digitaliserad tolkningsalgoritm ser ändå bara äggröran och letar efter detaljer i proteiner och näringsvärden.  

Innehållet i ett CV är designat att främst läsas av människan är indelat och formaterat för just oss. Det gäller att snabbt fånga vårt intresse, möjliggöra för oss att enkelt hitta fakta vi letar efter. Vi är bra på bildtolkning vilket gör att vi är snabba på att scanna av och hitta det vi letar efter i en god ordningsam struktur. 

CV’n som kunden får i handen när man rekryterar konsulter är nästan alltid anpassade efter mottagaren. ”Rätt” saker har lyfts fram baserat på vad man gissar att kunden, vad kunden skrev i förfrågan eller sa när de ringde. Ambitionen är god men kunden får de facto något av ett censurerat CV. 

En slutsats är alltså att inte redigera bort information ur din CV bara för att man gissar att mottagaren inte orkar igenom. Vi vet aldrig vad kunden egentligen söker för kombinationer av erfarenheter och kunskaper. ML-baserad matchning kommer göra ett begåvat grovjobb åt kunden och presentera kvalificerade resultat. 

Du kan lägga energi på att underhålla ett CV och slippa hantera ett antal olika CV´n för olika branscher, eller t.o.m. kunder. Möjligtvis behöver man själv hantera ett antal språk tills Google translate och andra översättare blir tillräckligt bra. 

Alternativet till maskintolkade CV’n är att fylla i en struktur. Så som man gör i så många system på marknaden idag. Man fyller i roller, kompetenser och hur erfaren man är inom respektive område. Problemet är att ditt CV aldrig blir aktuellare än systemets senaste version. Att den där bra texten du skrev om ditt senaste uppdrag försvinner och ersätts av några fältvärden och i bästa fall en osökbar kommentar.  

NLP blir allt bättre men vi måste fortfarande anpassa våra CV för att göra dem enklare att tolka. En anpassning som ibland går stick i stäv med det som är lätt att läsa för människan. 

Ska ditt CV skrivas i word eller PDF? PDF säger du, för man vill ju inte att någon ska redigera det man skickat in! PDF är ett format med många dialekter, risken är att ditt CV inte tolkas korrekt när den tolkande programvaran inte klarar alla olika dialekter. Word finns i färre versioner, är därmed enklare för NLP att tolka korrekt. Ett maskintolkat CV består av oredigerbar strukturerad information som inte kan ändras av mottagaren. 

Ytterligare några exempel på andra krav på ett CV som ska maskintolkas är att användning av tabeller och multi-kolumner som är så bra för det mänskliga ögat är svåra att maskintolka. Det är svårt för NLP att förstå vilken information som kopplar till vilken i tabellen. Löpande text är bättre. 

Du kan förenkla för korrekt tolkning genom att inte upprepa samma rubrik flera gånger. Gör det enkelt att tolka hur länge ditt uppdrag pågick. Skriv inte maj 2018 –  enkelt för en människa att förstå att det fortfarande pågår. NLP behöver sannolikt få lite hjälp genom att du skriver maj 2018 – pågående. 

Det finns en massa bra tips för att underlätta hur du förenklar maskintolkning. Vi har detaljerade guider för detta som underlättar för NLP-tolkning av CV. 

När du putsat upp din CV så du fått med all relevant information du önskar kommer nästa spännande fråga. Hur används dessa data när kunden söker någon som kan lösa ett behov, en uppgift. Med maskintolkade CV’n kommer datamängderna om varje egenföretagande konsult att öka substantiellt. Att matcha en maskintolkad förfrågan kommer att digitaliseras, åtminstone fram till när kund och konsult kommer överens i ett fysiskt eller virtuellt möte. Matchningen som sådan kommer alltså även den generera en massa värdefulla data.  

Data från CV, förfrågningar, matchningar och val är mums att föda en ML-modell med så att den kan lära sig, bygga erfarenhet om och prestera allt bättre sökningar, allt bättre matchningar och korrigera sig utifrån vad kunderna slutligen väljer. Det går kanske till och med utifrån denna kunskap och liknande scenarios förstå kundens behov, utmaningar och hjälpa till lösa dem. 

Vi återkommer i en kommande artikel om hur AI-baserad matchning går till i praktiken.

/Anders Eriksson, en av grundarna av cfinder