EVALUATION OF JOB APPLICATIONS WITH MACHINE LEARNING METHODS

Abstract

The most significant asset for an institution or business is its manpower. For the manpower to be strong, the right staff should be hired first. Today, staff requirements, candidate qualifications and the number of job applications have increased. This situation made the process of identifiying the right candidate more complex and difficult by increasing the amount of data to be analyzed to very high dimensions. The recruitment decision is a critical decision which is hard to reverse and has long-term consequences. This critical decision has to be made by a limited number of staff who have to follow many different tasks at the same time. Artificial intelligence is the primary technology that can help new staff selection, thanks to its ability to provide meaningful outputs by examining large-scale data. Within the scope of this study, in order to reduce the problems in recruitment process and to reach the right candidate in a shorter time, an application which can pre-eliminate by evaluating application forms with machine learning algorithms has been developed. With the application, recruitment teams will be able to perform the evaluation processes which can normally take days or weeks in a short time. It has been observed that machine learning algorithms trained with the evaluations made in the past can make predictions with high accuracy on new job applications.

Keywords

• Artificial Intelligence
• Machine Learning
• Human Resources
• Staff Selection

İŞ BAŞVURULARININ MAKİNE ÖĞRENMESİ YÖNTEMLERİYLE DEĞERLENDİRİLMESİ

Abstract

Bir kurum veya işletme için en önemli varlık sahip olduğu insan gücüdür. İnsan gücünün sağlam olabilmesi için en başta doğru personelin işe alınması gerekmektedir. Günümüzde kadro gereksinimleri, aday nitelikleri ve iş başvurusu sayıları artmıştır. Bu durum incelenmesi gereken veri miktarını çok yüksek boyutlara taşıyarak doğru adayı belirleme sürecini daha karmaşık ve zor hale getirmiştir. İşe alım kararı geri dönülmesi zor, uzun vadeli sonuçlar doğuran kritik bir karardır. Bu kritik kararın aynı anda birçok farklı işi takip etmek zorunda olan sınırlı sayıdaki personel tarafından verilmesi gerekmektedir. Yapay zeka yüksek boyuttaki verileri inceleyerek anlamlı çıktılar sunabilme yeteneği sayesinde yeni personel seçimine yardımcı olabilecek başlıca teknolojidir. Bu çalışma kapsamında insan kaynağı temin süreçlerinde yaşanan sorunları azaltmak ve daha kısa sürede doğru adaya ulaşılmasını sağlamak için başvuru formlarını makine öğrenmesi algoritmaları ile değerlendirerek ön eleme yapabilen bir uygulama geliştirilmiştir. İşe alım ekipleri normalde günlerce, haftalarca sürebilecek değerlendirme süreçlerini uygulama ile kısa sürelerde gerçekleştirebilecektir. Geçmişte yapılmış değerlendirmeler ile eğitilen makine öğrenmesi algoritmalarının yeni başvurular üzerinde yüksek doğruluk oranında tahminler yapabildiği gözlemlenmiştir.

Keywords

• Yapay Zeka
• Makine Öğrenmesi
• İnsan Kaynakları
• Personel Seçimi

References

1. Amidi, A. ve Amidi, S. (2020). Machine Learning Tips and Tricks Cheatsheet. https://stanford.edu/~shervine/teaching/cs-229/cheatsheet-machine-learning-tips-and-tricks#, (28.12.2020).
2. Ayhan, S. ve Erdoğmuş, Ş. (2014) Destek Vektör Makineleriyle Sınıflandırma Problemlerinin Çözümü İçin Çekirdek Fonksiyonu Seçimi. Eskişehir Osmangazi Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi. 9(1): 175-201.
3. Breiman, L. (2001) Random Forests. Machine Learning. 45: 5-32.
4. Chen, T. ve Guestrin, G. (2016). XGBoost: A Scalable Tree Boosting System. KDD'16: Proceedings Of The 22nd ACM SIGKDD International Conference On Knowledge Discovery and Data Mining (ss.785-794), Düzenleyen Association For Computing Machinery. San Francisco. 13-17 Ağustos 2016.
5. Collins, L., Fineman, D.R. ve Tsuchida, A. (2017). People Analytics: Recalculating The Route. Rewriting The Rules For The Digital Age 2017 Deloitte Global Human Capital Trends. (ss.97-105). Deloitte University Press.
6. Cover, T.M ve Hart, P.E. (1967). Nearest Neighbor Pattern Classification. IEEE Transactions On Information Theory. 13(1): 21-27.
7. Dasgupta, A. ve Nath A. (2016). Classification of Machine Learning Algorithms. International Journal of Innovative Research in Advanced Engineering. 3(3): 6-11.
8. Dastin, J. (11 Ekim 2018). Amazon Scraps Secret AI Recruiting Tool That Showed Bias Against Women.https://www.reuters.com/article/us-amazon-com-jobs-automation-insight-idUSKCN1MK08G, (20.12.2020)

9. Davis, J. ve Goadrich M. (2006) The Relationship Between Precision-Recall and ROC Curves. Proceedings Of The 23rd International Conference On Machine Learning (ss. 233-240), Düzenleyen The International Machine Learning Society. Pittsburgh. 25-29 Temmuz 2006.
10. Dietterich, T.G. (2002). Ensemble Learning. The Handbook Of Brain Theory and Neural Networks. (ss. 405-408). Cambridge: The MIT Press.
11. Elouedi, Z., Mellouli K. ve Smets P. (2000) Classification With Belief Decision Trees. Artificial Intelligence: Methodology, Systems, and Applications. (ss.80-90) Berlin: Springer
12. Faliagka, E., Iliadis, L., Karydis, I., Rigou, M., Sioutas, S., Tsakalidis, A. ve Tzimas G. (2014) On-line Consistent Ranking On E-recruitment: Seeking The Truth Behind A Well-Formed CV. Artificial Intelligience Review. 42: 515–528.
13. Fogg, A. (05.07.2017). A History of Machine Learning and Deep Learning. https://www.import.io/post/historyof-deep-learning/, (05.12.2020).
14. Foote, K.D. (07.02.2017). A Brief History of Deep Learning. https://www.dataversity.net/brief-history-deeplearning/, (05.12.2020).
15. Hastie, T., Tibshirani, R. ve Friedman, J. (2009). The Elements of Statistical Learning. New York: Springer. James, G., Witten, D., Hastie, T. ve Tibshirani, R. (2013). An Introduction To Statistical Learning. New York: Springer.
16. Joshi, N. (9 Şubat 2019). Recruitment Chatbots: Is The Hype Worth It? https://www.forbes.com/sites/cognitiveworld/2019/02/09/recruitment-chatbot-is-the-hype-worthit/?sh=7eda771d4083, (26.12.2020).
17. Kavzaoğlu, T. ve Çölkesen, İ. (2010) Destek Vektör Makineleri ile Uydu Görüntülerinin Sınıflandırılmasında Kernel Fonksiyonlarının Etkilerinin İncelenmesi. Harita Dergisi. (144): 73-82.
18. Khanna, S.K. (2019). Machine Learning V/S Deep Learning. International Research Journal of Engineering and Technology. 6(2): 455-458.
19. Kılınç, D., Borandağ, E., Yücalar, F., Özçift, A. ve Bozyiğit, F. (2015). Yazılım Hata Kestiriminde Kolektif Sınıflandırma Modellerinin Etkisi. IX.Ulusal Yazılım Mühendisliği Sempozyumu Kitabı (ss.113-121). Düzenleyen Yaşar Üniversitesi. İzmir. 9-11 Eylül 2015.
20. Kocakafa, T. (26 Şubat 2020). Aşırı Öğrenme (Overfitting). https://www.veribilimiokulu.com/blog/overfitting/, (27.12.2020).
21. Leong, C. (2018). Technology & Recruiting 101: How It Works and Where It’s Going. Strategic HR Review. 17(1): 50-52.
22. Linkedin, (2020). LinkedIn Recruiter Datasheet. https://business.linkedin.com/talent-solutions/recruiter/recruiterdatasheet, (10.12.2020).
23. Linkedin, (27 Mart 2018). The Rise of Analytics in HR. https://business.linkedin.com/content/dam/me/business/en-us/talent-solutions/talentintelligence/workforce/pdfs/Final_v2_NAMER_Rise-of-Analytics-Report.pdf, (10.12.2020).
24. Lipton, Z.C., Elkan, C. ve Narayanaswamy, B. (2014). Optimal Thresholding Classifiers To Maximize F1 Measure. Machine Learning and Knowledge Discovery In Databases Part II. Berlin: Springer.
25. Marr, B. (14 Aralık 2008). The Amazing Ways How Unilever Uses Artificial Intelligence To Recruit & Train Thousands Of Employees. https://bernardmarr.com/default.asp?contentID=1766, (20.12.2020).
26. McKinney, W. ve Pandas Geliştirme Ekibi. (30 Ekim 2020). Pandas: Powerful Python Data Analysis Toolkit. https://pandas.pydata.org/docs/pandas.pdf, (15.11.2020).
27. Nizam, H. ve AKIN, S.S. (2014). Sosyal Medyada Makine Öğrenmesi ile Duygu Analizinde Dengeli ve Dengesiz Veri Setlerinin Performanslarının Karşılaştırılması. 19.Türkiye'de İnternet Konferansı Bildiriler Kitabı (ss.129- 136), Düzenleyen Yaşar Üniversitesi. İzmir. 27-29 Kasım 2014.
28. Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., Dubourg, V., Vanderplas, J., Passos, A., Cournapeau, D., Brucher, M., Perrot, M. ve Duchesnay, E. (2011). Scikit-learn: Machine Learning in Python. Journal Of Machine Learning Research. 12(85): 2825−2830.
29. Polat, S. (2017). Yazılım Hata Kayıtlarının Makine Öğrenmesi Yöntemleriyle Kümelenerek, Hataya Sebep Olan Bileşenlerin Tespit Edilmesi. 11.Ulusal Yazılım Mühendisliği Sempozyumu Kitabı (ss. 444-453), Düzenleyen Atılım ve Alanya Hamdullah Emin Paşa Üniversitesi. Alanya. 18-20 Ekim 2017.
30. Polikar, R. (2012). Ensemble Learning. Ensemble Machine Learning. (ss.1-34). Boston: Springer.
31. Portilla J. (2020). Python for Data Science and Machine Learning Bootcamp. https://www.udemy.com/course/python-for-data-science-and-machine-learning-bootcamp/, (20.12.2020).
32. Samuel, A.L. (1959). Some Studies in Machine Learning Using The Game of Checkers. IBM Journal of Research and Development. 3(3): 211-229.
33. Sathya, R. ve Abraham, A. (2013). Comparison of Supervised and Unsupervised Learning Algorithms for Pattern Classification. International Journal of Advanced Research in Artificial Intelligence. 2(2): 34-38.
34. Scikit-learn, (2020a). Nearest Neighbors Classification, https://scikitlearn.org/stable/auto_examples/neighbors/plot_classification.html#sphx-glr-auto-examples-neighbors-plotclassification-py, (20.12.2020).
35. Sokolova, M. ve Lapalme, G. (2009). A Systematic Analysis Of Performance Measures For Classification Tasks. Information Processing & Management. 45(5):427-437.
36. Steinwart, I. ve Christmann, A. (2008) Support Vector Machines. New York: Springer.
37. Streamlit, (2020). Welcome To Streamlit. https://docs.streamlit.io/en/stable/, (20.12.2020).
38. Strohmeier, S. ve Piazza, F. (2015). Artificial Intelligence Techniques In Human Resource Management-A Conceptual Exploration. Intelligent Techniques in Engineering Management. (ss.149-169) Cham: Springer.
39. Sutton, R.S. ve Barto, A.G. (2018). Reinforcement Learning: An Introduction. Cambridge: The MIT Press.
40. Şeker, A., Diri, B. ve Balık, H.H. (2017). Derin Öğrenme Yöntemleri ve Uygulamaları Hakkında Bir İnceleme. Gazi Mühendislik Bilimleri Dergisi. 3(3): 47-64.
41. Turing A.M. (1950). Computing Machinery and Intelligence. Mind. 59(236): 433-460.
42. Türkiye Büyük Millet Meclisi, (07 Nisan 2016). Kişisel Verilerin Korunması Kanunu. Resmi Gazete. https://www.resmigazete.gov.tr/eskiler/2016/04/20160407.pdf, (20.11.2020)