Concoro

Bir aday umut verici görünen bir kamu ilanı bulur. Başlık belirsizdir, şartlar on ikinci sayfada başlar, son başvuru tarihi ise yasal referans ile idari onay arasına saklanmıştır.

İtalya’daki kamu fırsatları teknik olarak açıktır. Ancak kurumsal portallara dağılmış, tutarsız terimlerle anlatılmış ve çoğu zaman uzun idari belgelerin içine gömülmüştür.

Mevcut hizmetlerin çoğu birer veri tabanı gibi çalışıyordu. Liste, kategori ve filtre sunuyor; adayın eğitimini ve deneyimini kamu kurumlarının diline çevirmesini bekliyordu.

Asıl soru aramayı nasıl geliştireceğimiz değil; adayların ilgiyi, uygunluğu ve sonraki adımı nasıl anlayacağıydı.

İlk konsept aktif ilanları topluyor ve daha temiz bir arama arayüzünde sunuyordu. Faydalıydı, fakat her ilanı önce anlaşılması gereken bir belge yerine görüntülenecek bir sayfa olarak ele alıyordu.

Geleneksel iş siteleri net unvan, konum, işveren ve şartlar varsayar. Kamu ilanları nadiren bu kadar düzenli gelir.

Concoro bu nedenle üç aşamalı bir karar destek ürününe dönüştü: fırsatı yapılandır, adayla ilişkilendir ve neden ilgili olduğunu açıkla.

• Fırsatı yapılandır
• Adayla ilişkilendir
• İlgiyi açıkla

Aynı meslek iki kurum tarafından farklı tanımlanabiliyordu. Benzer nitelikler farklı başlıklar altında yer alırken rol adı gerçek işi değil sözleşme sınıfını anlatabiliyordu.

Profesyonel alan, iş ailesi, çalışma türü, konum, tarihler, uygunluk, eğitim, teknik bilgi, yetkinlik, sınav programı, yasal referans ve durum alanlarını kapsayan normalize bir model geliştirdim.

Bu ortak şema, kaynak ilanlar tutarsız olsa bile Concoro’nun fırsatları tutarlı sunmasını sağladı. Bu katman olmadan daha iyi filtreler yalnızca aynı karmaşanın daha şık bir sürümünü üretirdi.

Birçok kamu portalı bilgiyi yayımlayan kurumun organizasyonunu yansıtır. Concoro ise bilgiyi kullanmaya çalışan kişi etrafında tasarlandı.

Fırsat kartları ilk karar için gereken bilgiyi öne çıkarır. İdari ve yasal ayrıntılar, detay sayfasında kademeli gösterimle erişilebilir kalır.

Amaç kamu sınavlarının basit olduğunu göstermek değildi. Yirmi fırsata bakan adayın her kartta bütün yasal referanslara ihtiyacı yoktur; başvuru hazırlayan adayın vardır.

• Rol nedir?
• Nerede?
• Son tarih ne zaman?
• Hangi nitelikler gerekiyor?
• Geçmişime uyuyor mu?
• Sonra ne olacak?

Filtreleme hâlâ adayın geçmişini resmi kamu terminolojisine çevirebilmesini gerektiriyordu. Kişi ekonomi okuduğunu ve idari rolleri tercih ettiğini bilebilir, fakat doğru iş ailesini veya sözleşme kategorisini bilmeyebilir.

Eğitim, profesyonel geçmiş, tercih edilen alanlar, coğrafya, uygunluk koşulları ve güçlü yönleri kapsayan beş adımlı onboarding tasarladım.

Arayüz adayların kendileri hakkında yanıtlayabileceği sorular sordu. Yanıtlar öneriler, öncelikli arama, bildirimler, uygunluk yönlendirmesi ve gelecekteki başvuru desteği için yapılandırılmış ve semantik veriye dönüştü.

• Eğitim ve nitelikler
• Profesyonel geçmiş
• Alanlar ve iş aileleri
• Coğrafi tercihler
• Uygunluk ve beceriler

İlk yaklaşım aday embedding’i ile tüm ilanın embedding’ini karşılaştırıyordu. Uzun ilanlar yasal referansları, prosedürleri, sorumlulukları, nitelikleri ve sınav ayrıntılarını karıştırır; hepsini eşit önemli saymak sonuçları kontrol etmeyi zorlaştırdı.

Her fırsatı üç semantik boyuta ayırdım: rol çekirdeği, gereksinimler ve alan bağlamı. Her biri ayrı embedding’e dönüştürülerek Pinecone’da saklandı.

Öneriler semantik sonuçları yapılandırılmış kısıtlarla birleştirdi, süresi geçmiş fırsatları çıkardı, sonuçları ilana göre grupladı ve sınırlı, önceliklendirilmiş bir set sundu.

Bir aday rolle ilgilenebilir ama başvuruya uygun olmayabilir. Umut verici bir fırsat gösterip eleme nedenini uzun bir okumadan sonra açıklamak etkileşim değil, boşa harcanan dikkattir.

Tarihler, nitelikler, zorunlu koşullar ve çalışma kategorileri bu nedenle detay sayfasındaki pasif metinler değil, ürün kısıtları olarak çalışır.

Öneriler ayrıca opak bir yüzdeyi otorite gibi sunmak yerine; deneyim, eğitim, coğrafya, beceri veya alan tercihi nedeniyle neden göründüklerini açıklar.

Amaç kullanıcıyı algoritmanın doğru olduğuna ikna etmek değil, sonucun işe yarayıp yaramadığına karar verecek bağlamı sağlamaktı.

Adaylar zaten karmaşık bir işe alım sürecini anlamaya çalışıyordu. Ayrıca bir chatbot’la nasıl doğru konuşacaklarını öğrenmeleri gerekmiyordu.

Yapay zekâ çoğunlukla görünür deneyimin arkasında çalıştı: belgeleri yorumladı, bilgi çıkardı, rolleri sınıflandırdı, terminolojiyi normalize etti, semantik temsiller hazırladı, fırsatları getirdi ve açıklamaları destekledi.

Arayüz tanıdık eylemler üzerine kurulu kaldı: göz at, filtrele, kaydet, karşılaştır ve bildirim al.

• Yorumla
• Çıkar
• Sınıflandır
• Normalize et
• Getir
• Açıkla

Yapılandırılmış kayıt ilanı anlaşılır kıldı, ancak resmi kaynak otorite olarak kaldı. Adaylar bilginin nereden geldiğini görebilir ve başvuru hazırlarken özgün belgeye dönebilir.

Durum ve tarihler sistem düzeyinde kısıtlar olarak ele alındı. Süresi geçen ilanlar otomatik kapatıldı; aktif keşif, semantik retrieval, öneriler ve bildirimlerden çıkarıldı.

Güncellik sonradan eklenen bir etiket değildi. Güncel veri, görünür kaynak ve açık belirsizlik deneyimin parçasıydı.

Daha geniş kapsam platformu faydalı kılarken tutarsız belgeler, olağandışı sınıflandırmalar ve eksik kayıtlar getirdi. Mimari; doğrulama durumlarına, yeniden işlemeye ve dikkat gerektiren kayıtları belirlemeye ihtiyaç duydu.

Daha karmaşık kişiselleştirme ilgiyi artırabilirken önerileri anlamayı zorlaştırabilirdi. Tek opak skor yerine modüler eşleştirmeyi tercih ettim.

Okunabilir özetler yasal eksiksizlikle, büyük ölçekli otomasyon ise insan kontrolüyle birlikte var olmalıydı. Arayüz temel hukuki gerçeği değil, navigasyonu sadeleştirdi.

• Kapsam vs veri kalitesi
• Kişiselleştirme vs şeffaflık
• Sadelik vs hukuki eksiksizlik
• Otomasyon vs kontrol

Concoro; ilanları işleyebilen, ortak şemaya dönüştürebilen, güncel durumları koruyabilen, yapılandırılmış ve semantik aramayı destekleyen, aday profilleri oluşturan ve açıklanabilir öneriler üreten uçtan uca bir bilgi ürününe dönüştü.

En önemli sonuç; kaynak belgeleri, yapılandırılmış fırsatları, aday profillerini ve önerileri bağlayan ortak bilgi mimarisiydi. Bu katman ürünün bilgiyi göstermekten öteye geçip aday kararlarını desteklemesini sağladı.

Bu aşamada olgun davranış analitiği veya uzun vadeli sonuç verisi yoktu. Sonraki aşama sistemin keşfi, uygunluk anlayışını ve başvuru kararlarını gerçekten geliştirip geliştirmediğini test etmeli.

Bir arama arayüzü tutarsız, eksik veya kötü sınıflandırılmış bilgiyi telafi edemez. Concoro deneyiminin büyük bölümü sonuç ekrana gelmeden önce belirleniyordu.

En büyük yapay zekâ iyileştirmeleri daha yeni bir modelden veya daha uzun prompt’tan değil; daha net şemalardan, anlamlı belge bölümlerinden ve deterministik kısıtlardan geldi.

Akıllı ürün tasarlamak, yalnızca insanların kullandığı arayüzü değil, deneyimi üreten sistemi de tasarlamaktır.

Bilgiyi kamuya açmak, onu kullanılabilir hale getirmekle aynı şey değildir.