Компания К-Скай постоянно находится в поиске талантов и усиления компетенций и мощи своей команды. Недавно мы открыли вакансию Data Scientist-инженера для усиления нашего ИИ-подразделения и получили в ответ массу откликов от потенциальных соискателей. Среди них было несколько достаточно сильных резюме, но некоторые «шедевры» заставили нас не просто удивиться, а глубоко задуматься об обратной стороне использования технологий генеративного ИИ.
Дело в том, что мы стали замечать, что заявители используют генеративный ИИ для оформления своих резюме. И в целом мы, как разработчик в сфере ИИ, безусловно можем это только приветствовать. Однако в ряде случаев такое применение было довольно неоднозначным, в том числе мы стали свидетелями когда заявители фактически направляли нам сфальсифицированные с помощью ИИ заявки и даже не удосуживались перепроверить что там про них написал ИИ-помощник.
Удивленные и иногда возмущенные этим злоупотреблением, мы решили поделиться парой реальных историй из нашего недавнего опыта.
Кейс 1: «Фантомный» сотрудник
Один из самых забавных моментов — это резюме одного из соискателей, в котором была указана наша же компания в качестве предпоследнего места работы. В описании «достижений» заявителя были красочно изложены результаты проектов, над которыми действительно работало наше ИИ-подразделение. Информация о них есть в открытом доступе, но вот загвоздка: этого человека никогда не существовало в нашем штате, и он не принимал никакого участия в нашей работе.
Мы предполагаем, что заявитель не сам пытался подделывать «опыт», чтобы потом отправить резюме туда же, где его мгновенно раскусят. Наиболее логичное объяснение — использование LLM (большой языковой модели) для «идеальной» адаптации резюме под вакансию конкретной компании. Модель, проанализировав открытые данные о компании, могла «дорисовать» правдоподобный, но вымышленный опыт. Мы задали вопрос по этому поводу заявителя, но так и не получили от него ответа, поэтому истинная причина осталась загадкой.
Кейс 2: Нереальная эффективность за три месяца
Другой сюжет, который мы стали замечать последнее время довольно часто: кандидат указывает, что за 3 месяца работы на предыдущем месте не только разработал и внедрил сложную модель модель машинного обучения, но и обеспечил для работодателя годовую прибыль для компании — например, в 7%. Возникает резонный вопрос: как можно измерить годовой эффект, проработав лишь квартал? Методология расчёта нас крайне заинтересовала — если такой метод существует, мы бы и сами не прочь его изучить. Разумного объяснения, увы, также не последовало.
Наши комментарии
Как технологическая компания, мы только «За» разумное использование генеративного ИИ.
LLM — отличный помощник для борьбы с канцеляритом, поможет отшлифовать формулировки и взглянуть на ваш реальный опыт под нужным углом. Мы, технари, прекрасно понимаем, как сложно порой красиво описать свои достижения и без ложной скромности рассказать об успехах.
Вместе с этим, мы призываем соискателей перепроверять и вычитывать всё, что создано с помощью ИИ. Особенно когда речь идёт о таком важном документе, как резюме. ИИ не знает контекста вашей жизни и может, стремясь угодить, сгенерировать неправдоподобные или легко проверяемые детали, которые поставят под сомнение всю вашу кандидатуру. Доверяйте ИИ как редактору, но не как автору вашей профессиональной биографии.
P.S. Вакансия, к счастью, была успешно закрыта. А вот повод для размышлений о новой реальности рекрутинга эти истории оставили надолго.