Naar hoofdinhoud gaan

​
Overzicht

Vaardigheden zijn de belangrijkste factor in de vacaturematchingengine van Recruitier. Wanneer de AI naar vacatures zoekt, is het sterk afhankelijk van de bevestigde vaardigheden van de kandidaat om relevantie te bepalen — vaardigheden dragen een gewicht van 45% in het vectormatchingalgoritme, meer dan enige andere factor (functietitel is 35%, ervaring is 20%). Dit betekent dat de nauwkeurigheid van de vaardigheidslijst van een kandidaat direct de kwaliteit van hun vacaturematches bepaalt. Een minuut nemen om AI-geextraheerde vaardigheden te beoordelen en te bevestigen is een van de hoogst-impactvolle acties die u als recruiter kunt ondernemen. De stap voor vaardigheidsbevestiging is de formele poort die een kandidaat markeert als volledig ingesteld voor matching van productiekwaliteit.

​
Hoe AI vaardigheden extraheert

​
Vanuit cv-upload

Wanneer u een cv uploadt, leest de AI (Gemini 3 Flash Preview) het volledige document en identificeert vaardigheden via diepgaande contextuele analyse. Het kijkt niet alleen naar een sectie “Vaardigheden” — het analyseert het volledige document om vaardigheden af te leiden uit:
  • Werkervaring beschrijvingen: “REST API’s ontwikkeld met Python en FastAPI” extraheert Python en FastAPI
  • Projectbeschrijvingen: “Een CI/CD-pipeline gebouwd met Jenkins en Docker” extraheert Jenkins, Docker en CI/CD
  • Certificeringen en trainingen: “AWS Certified Solutions Architect” extraheert AWS en cloudarchitectuur
  • Opleidingsdetails: “MSc Machine Learning” extraheert machine learning
  • Toolmeldingen: “Sprints beheerd in Jira en gedocumenteerd in Confluence” extraheert Jira en Confluence
Aan elke geextraheerde vaardigheid wordt een betrouwbaarheidsscore toegewezen tussen 0 en 1 die weergeeft hoe expliciet en prominent de vaardigheid verscheen:
ScorebereikBetekenisVereiste actie
0,90 - 1,00Expliciet vermeld in een vaardigheidssectie of prominent aanwezig in meerdere contextenSnelle scan is voldoende
0,75 - 0,89Duidelijk vermeld in ervaring of projectbeschrijvingenKorte verificatie aanbevolen
0,60 - 0,74Afgeleid uit context (bijv. “full-stack developer” impliceert JavaScript en HTML/CSS)Zorgvuldig beoordelen — al dan niet accuraat
Onder 0,60Zwak signaal, mogelijk afgeleid uit zijdelings gerelateerde inhoudHandmatige verificatie of verwijdering waarschijnlijk nodig
Uit cv’s geextraheerde vaardigheden ontvangen doorgaans de hoogste betrouwbaarheidsscores (0,95+) omdat cv’s door of voor de kandidaat zijn geschreven en de neiging hebben hun technische vaardigheden expliciet op te sommen. De AI verwerkt tot 50.000 tekens cv-tekst (~12.500 tokens), wat uitgebreide context biedt voor nauwkeurige extractie.

​
Vanuit LinkedIn-import

Wanneer een kandidaat wordt geimporteerd vanuit LinkedIn, komen vaardigheden uit twee mogelijke bronnen met verschillende betrouwbaarheidskenmerken: 1. LinkedIn-vaardigheidssectie (betrouwbaarheid: 0,80) Als de kandidaat vaardigheden heeft vermeld op hun LinkedIn-profiel, worden deze direct geimporteerd met een vaste betrouwbaarheidsscore van 0,80. Dit is een sterk signaal omdat de kandidaat deze vaardigheden expliciet zelf heeft vermeld. De score van 0,80 (in plaats van 0,95+) weerspiegelt een kleine korting voor het feit dat LinkedIn-vaardigheden zelfgerapporteerd zijn en aspirationele vaardigheden of technologieën kunnen bevatten die de kandidaat jaren geleden heeft gebruikt. 2. AI-fallback-extractie (betrouwbaarheid: variabel) Als het LinkedIn-profiel geen publiek zichtbare vaardigheden heeft, valt de AI terug op het extraheren van vaardigheden uit de koptekst, samenvatting en werkervaring beschrijvingen van de kandidaat. Dit maakt gebruik van dezelfde Gemini-gestuurde extractielogica als cv-uploads, met variabele betrouwbaarheidsscores op basis van hoe expliciet elke vaardigheid in de tekst werd vermeld.

​
Vaardigheidsnormalisatie

Ongeacht hoe vaardigheden worden geextraheerd, doorlopen ze een normalisatiepipeline die variaties toewijst aan canonieke vormen. De normalisatietaxonomie (SKILL_ALIASES) bevat meer dan 1.000 toewijzingen van gangbare variaties naar gestandaardiseerde vaardigheidsnamen:
Wat het cv zegtGenormaliseerd naarCategorie
”JavaScript”, “JS”, “Javascript”, “JavaScript Programming”javascriptTaal
”React.js”, “ReactJS”, “React”reactFramework
”Amazon Web Services”, “AWS”awsCloud
”PostgreSQL”, “Postgres”, “psql”postgresqlDatabase
”Kubernetes”, “K8s”, “k8s”kubernetesDevOps
”Machine Learning”, “ML”machine learningAI/ML
”CI/CD”, “CICD”, “CI CD”, “Continuous Integration”ci/cdDevOps
Deze normalisatie dient twee kritieke doelen:
  1. Voorkomt dubbele vaardigheden: Zonder normalisatie zou een kandidaat zowel “React” als “ReactJS” in hun vaardigheidslijst kunnen hebben, wat een positie verspilt en de vectorembedding kan vertekenen
  2. Verbetert de matchingnauwkeurigheid: Een kandidaat met “React” in hun profiel moet worden gematcht met vacatures die “ReactJS” of “React.js” vermelden. Normalisatie zorgt ervoor dat deze als dezelfde vaardigheid worden behandeld in de vectorruimte
De normalisatie vindt automatisch achter de schermen plaats. In de interface ziet u de vaardigheidsnaam met de juiste hoofdletters zoals weergegeven door de AI (bijv. “JavaScript” in plaats van “javascript”). De interne matching gebruikt de genormaliseerde vorm in kleine letters. Deze aanpak is gebaseerd op IBM AAAI-onderzoek dat een verbetering van 29% in Mean Reciprocal Rank aantoonde bij gebruik van normalisatie van vaardigheidstaxonomie.

​
De workflow voor vaardigheidsbevestiging

Nadat een kandidaat is aangemaakt (via cv-upload of LinkedIn-import), bevinden hun vaardigheden zich in een onbevestigde staat. De vlag skills_confirmed op het kandidaatprofiel is false, wat betekent:
  • De AI heeft vaardigheden geextraheerd, maar deze zijn nog niet beoordeeld door een recruiter
  • Vaardigheden zijn zichtbaar op het profiel maar gemarkeerd als “in afwachting van bevestiging”
  • Vacaturematching kan nog worden uitgevoerd, maar de resultaten worden als voorlopig beschouwd
  • De kandidaat is nog niet gemarkeerd als “installatie voltooid” in het systeem

​
Vaardigheden bevestigen tijdens de uploadwizard

Wanneer u voor het eerst een kandidaat toevoegt, vindt vaardigheidsbevestiging plaats als stap 3 van de uploadwizard. Vaardigheden worden weergegeven als interactieve chips met betrouwbaarheidsindicatoren:
  • Kleurgecodeerde betrouwbaarheid: Groene stip voor hoge betrouwbaarheid (90%+), accentkleur voor gemiddeld (70-89%), rood voor laag (onder 70%)
  • In-/uitschakelen: Klik op een vaardigheidsschip om de bevestigingsstatus te wisselen. Bevestigde vaardigheden tonen een vinkje.
  • Verwijderen: Klik op de X op een vaardigheidsschip om het volledig te verwijderen
  • Toevoegen: Typ een nieuwe vaardigheidsnaam in het invoerveld en druk op Enter om het toe te voegen
  • Teller: Een samenvatting onderaan toont hoeveel vaardigheden zijn geselecteerd van het totaal
U kunt deze stap ook overslaan en direct naar locatie gaan als u vaardigheden later wilt beoordelen.

​
Vaardigheden beoordelen vanuit het kandidaatprofiel

Nadat een kandidaat is aangemaakt, kunt u vaardigheden op elk moment beoordelen en bewerken vanuit de kandidaatdetailpagina door op de knop Bewerken te klikken.
1

Open het kandidaatprofiel

Navigeer naar de kandidaat wiens vaardigheden u wilt beoordelen. Klik op hen in de kandidatenlijst.
2

Klik op Bewerken

Klik op de knop Bewerken rechtsboven op de kandidaatdetailpagina om het bewerkingsdialoogvenster te openen.
3

Vaardigheden beoordelen en wijzigen

In het bewerkingsdialoogvenster toont de vaardigheidssectie alle huidige vaardigheden als verwijderbare badges. U kunt:
  • Vaardigheden verwijderen door op de X van elke badge te klikken
  • Nieuwe vaardigheden toevoegen door in het invoerveld te typen en op Enter te drukken
  • Vaardigheden met een hoge betrouwbaarheid (0,85+) zijn bijna altijd accuraat — een snelle scan is voldoende
  • Richt uw gedetailleerde aandacht op vaardigheden met een lagere betrouwbaarheid (onder 0,75) waar de AI minder zeker over was
Een snelle beoordelingsstrategie: scan de vaardigheden met hoge betrouwbaarheid op duidelijke fouten en evalueer vervolgens zorgvuldig alles onder 0,75 betrouwbaarheid. Dit richt uw tijd op waar het de meeste impact heeft.
4

Wijzigingen opslaan

Klik op Opslaan om de vaardigheden van de kandidaat bij te werken. Als vaardigheden zijn toegevoegd of verwijderd, detecteert het systeem de wijziging en kan het automatisch hermatching activeren. Beschermde matches (favoriet, gesolliciteerd, enz.) worden altijd bewaard.

​
Waarom vaardigheidsbevestiging belangrijk is

​
Impact op matchingkwaliteit

De matchingengine gebruikt bevestigde vaardigheden op drie afzonderlijke manieren in de matchingpipeline:
De bevestigde vaardigheden van de kandidaat worden als vector ingesloten in de Qdrant-vectordatabase. Deze vaardigheidsvector wordt vergeleken met de vaardigheidsvector van elke vacature tijdens semantisch zoeken, waarbij 45% van het totale zoekgewicht wordt gedragen. Nauwkeurigere vaardigheden produceren een meer representatieve vector, wat betekent dat de semantische zoekopdracht meer relevante vacatures retourneert.Voorbeeld: Als een kandidaat “React” bevestigd heeft maar eigenlijk werkt met “Angular”, zal de vaardigheidsvector georiënteerd zijn op React-zware vacatures en Angular-kansen volledig missen.
Wanneer de AI individuele vacaturematches scoort in fase 5, ontvangt het alleen de bevestigde vaardigheden van de kandidaat (niet de onbevestigde). Het vergelijkt deze met de vereisten van de vacature en produceert een Vaardigheidsfit-score. Als de bevestigde vaardigheden de kandidaat nauwkeurig vertegenwoordigen, zal de Vaardigheidsfit-score betekenisvol zijn. Als ze fouten bevatten, is de scoring onbetrouwbaar.De AI gebruikt bevestigde vaardigheden om afstemming te evalueren en toont de resultaten als belangrijkste matchpunten (groene badges die sterke punten benadrukken) en mogelijke aandachtspunten (oranje badges die tekortkomingen zoals ontbrekende vaardigheden benadrukken). Deze worden weergegeven naast elke matchscore.
Bij het genereren van de diverse zoekopdrachten in fase 2 van matching, gebruikt de AI de bevestigde vaardigheden van de kandidaat om gerichte trefwoordzoekopdrachten op te bouwen. Vaardigheden informeren zoekopdrachten zoals “python backend engineer” of “react frontend developer”. Onnauwkeurige vaardigheden leiden tot verkeerd gerichte zoekopdrachten.

​
Wat er gebeurt zonder bevestiging

Kandidaten met onbevestigde vaardigheden (skills_confirmed = false) kunnen nog steeds matches ontvangen, maar met de volgende voorbehouden:
  • Matchresultaten kunnen vacatures bevatten op basis van onjuist geextraheerde vaardigheden, wat leidt tot valse positieven
  • De AI-scoring kan vaardigheden die de kandidaat niet echt heeft overmatig waarderen, wat misleidende scores oplevert
  • De kandidaat is niet gemarkeerd als “installatie voltooid”, wat de prioritering bij incrementele matching kan beinvloeden
  • Hermatching die wordt geactiveerd door vaardigheidswijzigingen kan anders reageren voor onbevestigde profielen
Onbevestigde vaardigheden worden als voorlopig behandeld. Hoewel matching nog steeds werkt, zullen de resultaten minder precies zijn dan met bevestigde vaardigheden. Bevestig altijd vaardigheden voordat u vertrouwt op matchresultaten voor klantgesprekken, kandidaat-outreach of interviewvoorbereiding. De investering van 30-60 seconden in vaardigheidsbevestiging levert aanzienlijke winsten op in matchkwaliteit.

​
Vaardigheden bewerken na bevestiging

Vaardigheden zijn niet vergrendeld na bevestiging. U kunt ze op elk moment bijwerken en het systeem handelt wijzigingen intelligent af:
  • Nieuwe vaardigheden toevoegen — Wanneer u meer mogelijkheden leert kennen (bijv. na een telefonisch gesprek blijkt de kandidaat ook Terraform te kennen)
  • Vaardigheden verwijderen — Wanneer een vaardigheid niet meer relevant is (bijv. de kandidaat zegt expliciet dat ze geen Java-functies meer willen)
  • Het systeem detecteert wijzigingen — Wanneer u een bijgewerkte vaardigheidsset opslaat, vergelijkt Recruitier de nieuwe vaardigheden met de vorige set via een hoofdletterongevoelige, volgordeonafhankelijke vergelijking. Alleen daadwerkelijke toevoegingen of verwijderingen activeren de wijzigingsdetectie.
Wanneer een echte wijziging wordt gedetecteerd:
  1. De bijgewerkte vaardigheden worden opgeslagen in het profiel
  2. Het systeem kan automatische hermatching activeren met de bijgewerkte vaardigheidsset
  3. Beschermde matches (favoriet, gesolliciteerd, gecontacteerd, in gesprek, enz.) worden bewaard
  4. Nieuwe matching verloopt met exclude_job_ids voor beschermde matches, waarbij alleen nieuwe kansen worden toegevoegd
De vaardigheidsvergelijking is intelligent: het wijzigen van de volgorde van vaardigheden telt niet als een wijziging. “Python” vs “python” wordt behandeld als dezelfde vaardigheid (hoofdletterongevoelig). Alleen daadwerkelijke toevoegingen of verwijderingen activeren wijzigingsdetectie en potentiele hermatching. Dit voorkomt onnodige hermatching wanneer u alleen de vaardigheidslijst herordent.

​
Betrouwbaarheidsscores uitgelegd

Betrouwbaarheidsscores helpen u uw beoordelingsinspanning te prioriteren. Hier leest u hoe u ze kunt interpreteren en waar ze vandaan komen:

Hoge betrouwbaarheid (0,85+)

De AI vond deze vaardigheid expliciet vermeld in het cv of LinkedIn-profiel, vaak in meerdere contexten. Deze zijn bijna altijd correct. Een snelle scan is voldoende.Gangbare bronnen: Vaardigheidssecties, certificeringen, herhaalde vermeldingen in meerdere functies

Gemiddelde betrouwbaarheid (0,65-0,84)

De AI vond sterk bewijs voor deze vaardigheid, maar het was niet expliciet vermeld in een speciale sectie. Gangbaar bij vaardigheden die worden vermeld in functiebeschrijvingen, projectdetails of toolverwijzingen. Een nadere blik is de moeite waard.Gangbare bronnen: Werkervaring beschrijvingen, projectomschrijvingen, LinkedIn-koptekst

Lage betrouwbaarheid (0,50-0,64)

De AI heeft deze vaardigheid afgeleid uit indirect bewijs. Dit zijn de vaardigheden die het meest waarschijnlijk correctie nodig hebben. Beoordeel zorgvuldig en verifieer zo mogelijk bij de kandidaat.Gangbare bronnen: Afgeleid uit functietitels (“full-stack” impliceert JavaScript), tangentiele vermeldingen, gerelateerde technologieverwijzingen

Zeer lage betrouwbaarheid (onder 0,50)

Zwak signaal. De AI denkt dat dit misschien een vaardigheid is maar is niet zeker. Overweeg te verwijderen tenzij u het onafhankelijk kunt verifiëren via een gesprek met de kandidaat.Gangbare bronnen: Onduidelijke vermeldingen, vaardigheden afgeleid uit branchecontext, mogelijke verkeerde identificatie

​
Betrouwbaarheid per bron

Verschillende importmethoden produceren verschillende basisbetrouwbaarheidsniveaus:
ExtractiebronTypische betrouwbaarheidReden
CV-upload (expliciete vaardigheidssectie)0,95+Expliciet vermeld door kandidaat, meerdere contextsignalen
CV-upload (afgeleid uit ervaring)0,60-0,89Vermeld in beschrijvingen maar niet expliciet als vaardigheden gelabeld
LinkedIn-vaardigheidssectie0,80 (vast)Zelfgerapporteerd door kandidaat, hoge betrouwbaarheid met kleine korting voor mogelijke veroudering
LinkedIn AI-fallback0,60-0,90 (variabel)Geextraheerd uit tekstbeschrijvingen, hetzelfde als cv-inferentie
Verouderde/onbekende import0,70 (vast)Standaardscore voor vaardigheden zonder duidelijke extractieherkomst

​
Tips voor effectief vaardigheidsbeheer

Focus op technische vaardigheden

De matchingengine presteert het beste met specifieke, technische vaardigheden — programmeertalen, frameworks, tools, platforms, certificeringen. Generieke soft skills zoals “communicatie”, “teamwork” of “probleemoplossing” voegen ruis toe aan de vaardigheidsvector zonder de matchkwaliteit te verbeteren. Verwijder ze tenzij ze echt onderscheidend zijn voor de beoogde functies.

Sluit aan bij de markttaal

Als vacatures in uw niche specifieke terminologie gebruiken, zorg er dan voor dat de vaardigheden van de kandidaat dat weerspiegelen. Nederlandse vacatures kunnen bijvoorbeeld “Azure DevOps” gebruiken in plaats van gewoon “DevOps”, of “Scrum Master” in plaats van alleen “Agile”. De normalisatietaxonomie verwerkt veel variaties, maar exacte markttaal kan de resultaten nog verder verbeteren.

Minder is meer voor junior kandidaten

Junior kandidaten met een lange lijst van technologieën die ze slechts kort hebben aangeraakt, worden gematcht met vacatures die diepe expertise in die technologieën vereisen. Houd de vaardigheidslijst gefocust op wat ze echt kunnen leveren in een gesprek en op de werkvloer. Een samengestelde lijst van 8-12 kernvaardigheden presteert beter dan een uitgebreide lijst van 30.

Beoordeel LinkedIn-imports zorgvuldig

LinkedIn-vaardigheden worden door de kandidaat zelf gerapporteerd en kunnen aspirationele vaardigheden, technologieen van jaren geleden of vaardigheden bevatten die door connecties zijn aanbevolen zonder verificatie. Kruisverifieer met de werkelijke werkervaring en huidige mogelijkheden van de kandidaat. Een gesprek van 2 minuten over hun technische stack onthult vaak welke LinkedIn-vaardigheden nog steeds relevant zijn.
De 80/20-regel voor vaardigheden: Voor de meeste kandidaten komt 80% van de matchkwaliteit voort uit het goed krijgen van de top 5-8 kernvaardigheden. Zorg ervoor dat de primaire programmeertaal, het hoofdframework en de belangrijkste domeinexpertise van de kandidaat correct zijn weergegeven. Secundaire vaardigheden zijn minder belangrijk voor initiële matching en kunnen worden verfijnd na het beoordelen van de eerste batch resultaten.

​
Geavanceerd

​
De SKILL_ALIASES-normalisatietaxonomie

Het vaardigheidsnormalisatiesysteem is gebouwd op een uitgebreide taxonomie genaamd SKILL_ALIASES. Dit is een statische mapping die in de codebase wordt bijgehouden en meer dan 1.000 bekende vaardigheidsvariaties toewijst aan canonieke vormen in kleine letters. Hoe normalisatie werkt:
  1. De ruwe vaardigheidsstring van AI-extractie wordt schoongemaakt (witruimte bijgesneden, basisopmaak verwijderd)
  2. De schoongemaakte string wordt omgezet naar kleine letters en opgezocht in het SKILL_ALIASES-woordenboek
  3. Als een overeenkomst wordt gevonden, wordt de canonieke vorm gebruikt; anders wordt de versie in kleine letters de canonieke vorm
  4. Duplicaten (na normalisatie) worden uit de vaardigheidslijst verwijderd
Voorbeelden van normalisatieketens:
  • “JavaScript Programming” -> “javascript programming” -> opzoeken -> “javascript”
  • “ReactJS” -> “reactjs” -> opzoeken -> “react”
  • “Amazon Web Services” -> “amazon web services” -> opzoeken -> “aws”
  • “K8s” -> “k8s” -> opzoeken -> “kubernetes”
De onderzoeksbasis voor deze aanpak komt uit het AAAI-paper van IBM over vaardigheidstaxonomie, dat een verbetering van 29% in Mean Reciprocal Rank aantoonde bij het gebruik van genormaliseerde vaardigheidstaxonomieen voor vacaturematching vergeleken met ruwe vaardigheidsstrings. Deze verbetering komt voort uit het elimineren van valse negatieven — zonder normalisatie zou een kandidaat met “React.js” niet matchen met een vacature die “ReactJS” vereist, ook al gaat het om dezelfde technologie.

​
Hoe vaardigheden de drie-vectorarchitectuur aandrijven

Vaardigheden zijn niet slechts een invoer — ze beinvloeden de matchingpipeline op meerdere niveaus: Vaardigheidsvector (45% van het zoekgewicht): De bevestigde vaardigheden van de kandidaat worden ingebed als een speciale vector in Qdrant. Deze vector legt de “vaardigheidssvingerafdruk” van de kandidaat vast. Tijdens het zoeken wordt deze vector vergeleken met de vaardigheidsvector van elke vacature met cosinus gelijkenis. Omdat vaardigheden het hoogste gewicht dragen, heeft deze vector de grootste invloed op welke vacatures worden opgehaald. Titelvector (35%): Hoewel voornamelijk aangedreven door de functietitel van de kandidaat, wordt de titelvector ook indirect beinvloed door vaardigheden. Een functietitel als “Python Developer” maakt een andere vector dan “Developer” omdat het een vaardigheidsspecifieke kwalificatie bevat. Ervaringsvector (20%): De ervaringsvector wordt gegenereerd vanuit de volledige cv-tekst, die van nature vaardigheidsvermeldingen bevat in werkervaring beschrijvingen. Vaardigheden vermeld in context (bijv. “Leiding gegeven aan een team van 5 om het platform te migreren van PHP naar Python”) geven de AI een rijker begrip dan geïsoleerde vaardigheidsnamen.

​
De bevestigingspoort in de matchingpipeline

De booleaanse waarde skills_confirmed is meer dan een UI-indicator — het speelt een actieve rol in de matchingpipeline:
  • Scoringprompt: Tijdens fase 5 (AI-scoring) worden alleen bevestigde vaardigheden opgenomen in de scoringprompt die naar Gemini wordt gestuurd. Dit betekent dat de AI de kandidaat evalueert op basis van door recruiters geverifieerde vaardigheden, niet de ruwe AI-extractie.
  • Prioriteit bij incrementele matching: Wanneer incrementele matching wordt uitgevoerd bij inloggen (top 5 kandidaten, 50 nieuwe vacatures elk), worden kandidaten met bevestigde vaardigheden geprioriteerd omdat hun matchresultaten betrouwbaarder zijn.
  • Installatiestatus: De kandidaat wordt pas als “volledig ingesteld” beschouwd wanneer skills_confirmed = true. Deze status is zichtbaar in de kandidatenlijst en beinvloedt hoe de kandidaat in de UI wordt gepresenteerd.

​
Hermatching geactiveerd door vaardigheidswijzigingen

Wanneer u de vaardigheden van een bevestigde kandidaat wijzigt, voert het systeem intelligente wijzigingsdetectie uit:
  1. De nieuwe vaardigheidslijst wordt genormaliseerd (omgezet naar kleine letters, alfabetisch gesorteerd)
  2. De vorige vaardigheidslijst wordt op dezelfde manier genormaliseerd
  3. Er wordt een setvergelijking uitgevoerd: zijn er toevoegingen of verwijderingen?
  4. Als de sets identiek zijn, wordt er geen hermatching geactiveerd (herordening is geen wijziging)
  5. Als ze verschillen, wordt de hermatchingpipeline gestart
Tijdens hermatching na een vaardigheidswijziging:
  • De vaardigheidsvector van de kandidaat in Qdrant wordt hergenereerd vanuit de nieuwe vaardigheidsset
  • Nieuwe zoekopdrachten worden gegenereerd op basis van de bijgewerkte vaardigheden
  • De vectorzoekopdracht wordt uitgevoerd met de nieuwe embeddings
  • Beschermde matches (favoriet, gesolliciteerd, enz.) worden bewaard via exclude_job_ids
  • Alleen echt nieuwe vacaturematches worden toegevoegd aan de pipeline van de kandidaat

​
Randgevallen en bedrijfsregels

Als u een lege vaardigheidslijst bevestigt (alle AI-geextraheerde vaardigheden verwijderd zonder nieuwe toe te voegen), wordt de vlag skills_confirmed van de kandidaat nog steeds ingesteld op true, maar de vaardigheidsvector zal effectief leeg zijn. Dit verslechtert de matchingkwaliteit ernstig omdat de dimensie met 45% gewicht geen signaal heeft. Zorg er altijd voor dat minimaal een paar kernvaardigheden worden bevestigd.
De AI verwerkt Nederlandse, Engelse en Duitse cv’s en normaliseert vaardigheden naar Engelse canonieke vormen. “Projectmanagement” (Nederlands) wordt “project management”. Echter, zeer niche- of branchespecifieke Nederlandse termen zijn mogelijk niet in de normalisatietaxonomie opgenomen. Als een Nederlandse vaardigheidsterm niet correct wordt genormaliseerd, voeg dan handmatig het Engelse equivalent toe.
Sommige vaardigheden zijn hierarchisch: het hebben van “React” impliceert “JavaScript”. De matchingengine handelt dit af via vectorgelijkenis — de “React”-vector staat dicht bij de “JavaScript”-vector in de inbeddingsruimte. U hoeft impliciet vaardigheden niet handmatig toe te voegen. Als een vacature echter specifiek “JavaScript” vereist en de kandidaat alleen “React” bevestigd heeft, kan de expliciete overeenkomst iets lager scoren op de vaardigheidsfitdimensie.
Er is geen harde limiet op het aantal vaardigheden, maar extreem lange vaardigheidslijsten (30+) kunnen de vaardigheidsvector verdunnen door deze te breed te maken. Een gefocuste lijst van 10-20 goed gekozen vaardigheden produceert doorgaans betere matchingresultaten dan een uitputtende lijst van alles wat de kandidaat ooit heeft aangeraakt.

​
Tips voor gevorderde gebruikers

Gebruik vaardigheidsbevestiging als kwaliteitscontrolepunt. Scan voor het bevestigen van vaardigheden het cv of LinkedIn-profiel van de kandidaat naast de geextraheerde vaardigheden. Met deze dubbele weergave kunt u snel extractiefouten opvangen en ontbrekende vaardigheden toevoegen in een enkele doorgang.
Voeg voor niche-functies specifieke toolnamen toe. De normalisatietaxonomie dekt gangbare technologieën goed, maar niche-tools (bijv. specifieke ERP-modules, branchespecifieke platforms, propriëtaire frameworks) worden mogelijk niet correct genormaliseerd. Het toevoegen van de exacte toolnaam die in vacatures voor die niche verschijnt, zorgt voor nauwkeurige matching.
Bij twijfel, behoud de vaardigheid. Als u niet zeker weet of een vaardigheid relevant is, is het over het algemeen beter om deze te behouden met een plan om later te beoordelen na het zien van initiële matchresultaten. U kunt het altijd later verwijderen als het irrelevante matches aantrekt. Het verwijderen van een vaardigheid die er had moeten zijn kost u relevante matches die moeilijker op te merken zijn.

​
Gerelateerd