AI-vaardigheidsextractie

​

Hoe het werkt

Wanneer je een functietitel invoert in de zoekwizard, analyseert de AI van Recruitier deze direct om de vaardigheden, technologieen en competenties te identificeren die kandidaten in die rol doorgaans nodig hebben. Deze extractie vindt automatisch plaats als onderdeel van stap 2 van de zoekwizard, en geeft je een intelligent startpunt voor je zoekcriteria. Het extractieproces maakt gebruik van een groot taalmodel (Gemini 3 Flash Preview) dat is verfijnd met een gespecialiseerde prompt (JOB_TITLE_SKILL_EXTRACTION_PROMPT) die is ontworpen voor het recruitmentdomein. Het weet bijvoorbeeld dat een “Full Stack Developer” doorgaans JavaScript, React, Node.js en database-ervaring nodig heeft — zelfs al verschijnen geen van die vaardigheden in de functietitel zelf.

​

Betrouwbaarheidsscores

Elke geextraheerde vaardigheid heeft een betrouwbaarheidsscore die aangeeft hoe sterk de AI die vaardigheid associeert met de functietitel. Het begrijpen van deze scores helpt je betere beslissingen te nemen over welke vaardigheden je bevestigt, en welke je verwijdert of uitsluit. De betrouwbaarheidsscore wordt visueel weergegeven als een balk of indicator naast elke vaardigheids-chip in de wizard. Vaardigheden met hoge betrouwbaarheid zijn standaard voorgeselecteerd, maar je kunt het oordeel van de AI altijd overschrijven.

​

Voorbeelden van extractie

Hier zijn voorbeelden van wat de AI extraheert voor gangbare functietitels:

Python Developer

• Python (0,98) — de primaire programmeertaal
• Django (0,85) — het meest gebruikte Python-webframework
• FastAPI (0,80) — een modern Python API-framework
• PostgreSQL (0,75) — veelgebruikte database
• REST APIs (0,75) — standaard communicatiepatroon
• Docker (0,70) — containerisatietool
• Git (0,70) — versiebeheer
• AWS (0,65) — cloudplatformervaring

Frontend Developer

• JavaScript (0,95) — de fundamentele taal
• React (0,90) — het dominante frontend-framework
• TypeScript (0,88) — steeds vaker vereist
• CSS (0,85) — kerntechnologie voor styling
• HTML (0,82) — fundamentele opmaak
• Responsive Design (0,75) — lay-outcompetentie
• Next.js (0,70) — populair React-framework
• Figma (0,60) — samenwerking met ontwerptool

Data Analyst

• SQL (0,95) — datataal voor zoekopdrachten
• Python (0,85) — gangbare analysetaal
• Excel (0,82) — spreadsheetvaardigheid
• Data Visualisatie (0,80) — rapportagecompetentie
• Power BI (0,75) — Microsoft-analysetool
• Tableau (0,72) — visualisatieplatform
• Statistische Analyse (0,70) — analytische methode
• ETL (0,60) — kennis van datapipelines

DevOps Engineer

• Docker (0,95) — containerisatieplatform
• Kubernetes (0,90) — containerorkestratie
• CI/CD (0,88) — continue integratie/implementatie
• AWS (0,85) — cloudplatform
• Terraform (0,80) — infrastructuur als code
• Linux (0,78) — besturingssysteem
• Python (0,70) — scripttaal
• Monitoring (0,65) — observability-tools

​

Vaardigheden beoordelen en aanpassen

De AI geeft een goed startpunt, maar jij kent het profiel van je kandidaat en de markt beter dan welk algoritme dan ook. De vaardigheidsbeoordelingsstap geeft je volledige controle:

​

De 3-status vaardighedencyclus

Elke vaardigheids-chip ondersteunt een 3-status klikcyclus. Klik op een vaardigheid om naar de volgende status te gaan:

1. Opgenomen (groen, met vinkje) — De vaardigheid is opgenomen in je zoekopdracht en beinvloedt direct welke vacatures hoger worden gerangschikt. Hoe meer opgenomen vaardigheden overeenkomen met een vacaturevermelding, hoe hoger die vermelding scoort.
2. Uitgesloten (rood, met verbodspictogram en doorhaling) — De vaardigheid bestraft actief vacatures die deze noemen. Uitgesloten vaardigheden duwen vermeldingen die ze bevatten naar beneden.
3. Inactief (gedempt, neutraal) — De vaardigheid is noch opgenomen noch uitgesloten. Het heeft geen effect op zoekresultaten.

Nogmaals klikken brengt de vaardigheid terug naar de status Opgenomen, waarmee de cyclus wordt voltooid. Alle door AI geextraheerde vaardigheden beginnen standaard in de status Opgenomen.

​

Vaardigheden verwijderen

Verwijder een vaardigheid volledig door over de chip te hoveren en op het X-pictogram te klikken dat verschijnt. Dit verschilt van het inactief maken — het verwijderen van een vaardigheid verwijdert het volledig uit de lijst. Dit is handig wanneer de AI een vaardigheid suggereert die niet relevant is voor je specifieke zoekopdracht. Als je bijvoorbeeld zoekt naar een “Full Stack Developer” maar je kandidaat doet alleen backend-werk, wil je misschien frontend-specifieke vaardigheden zoals React of CSS verwijderen.

​

Vaardigheden uitsluiten

Klik eenmaal op een opgenomen vaardigheid om deze te wijzigen naar de uitgesloten status (rood, met verbodspictogram en doorhaling). Uitgesloten vaardigheden bestraffen actief vermeldingen die ze bevatten. Dit is handig wanneer je bepaalde technologieen wilt vermijden. Sluit bijvoorbeeld “SAP” uit van een “Software Developer”-zoekopdracht als je kandidaat geen interesse heeft in enterprise-ERP-systemen.

​

Aangepaste vaardigheden toevoegen

Gebruik het tekstinvoerveld onder de vaardigheids-chips om je eigen vaardigheden toe te voegen die de AI niet heeft gesuggereerd. Dit is gebruikelijk wanneer:

• Je kandidaat een niche-specialisatie heeft (bijv. “Terraform” voor een DevOps-rol)
• De functietitel dubbelzinnig is en je resultaten wilt sturen naar een specifiek domein
• Je zachte vaardigheden wilt toevoegen zoals “Stakeholder Management” of “Agile”
• Je kandidaat certificeringen heeft (bijv. “AWS Solutions Architect,” “PMP”)

​

Vaardighedengrafieksuggesties

Onder de geextraheerde vaardigheden toont Recruitier grafieksuggesties — gerelateerde vaardigheden afgeleid van een kennisgraaf van professionele competenties. De vaardighedengrafiek begrijpt relaties tussen technologieen en rollen:

• Als je “React” bevestigt, kan de grafiek “Redux,” “Next.js” of “Jest” voorstellen
• Als je “Python” en “Data” bevestigt, kan het “Pandas,” “NumPy” of “Jupyter” voorstellen
• Als je “Kubernetes” bevestigt, kan het “Helm,” “Docker” of “Prometheus” voorstellen

Deze suggesties worden dynamisch bijgewerkt naarmate je vaardigheden bevestigt of verwijdert, en helpen je relevante competenties te ontdekken die je mogelijk niet had overwogen. De grafiek is gebouwd op basis van echte co-voorkomenspatronen in vacatures, zodat de suggesties de daadwerkelijke marktvraag weerspiegelen.

​

Caching en snelheid

Vaardigheidsextracties worden 24 uur in Redis gecached. Dit betekent:

• De eerste keer dat je naar een specifieke functietitel zoekt, verwerkt de AI de extractie in realtime (doorgaans 1-2 seconden).
• Volgende zoekopdrachten voor dezelfde functietitel retourneren gecachede resultaten direct.

De cache-sleutel is skill_extract:{title}, genormaliseerd op functietitel (niet hoofdlettergevoelig, witruimte verwijderd), dus “Python Developer,” “python developer” en ” Python Developer ” delen allemaal dezelfde gecachede extractie.

​

Hoe vaardigheden de zoeknauwkeurigheid verbeteren

Vaardigheden spelen een centrale rol in hoe Recruitier zoekresultaten rangschikt. De aanbevelingsengine gebruikt bevestigde vaardigheden op drie manieren:

1. Embeddinggeneratie — Vaardigheden worden opgenomen in de vectorembedding die je zoekopdracht vertegenwoordigt, waardoor het semantisch zoeken wordt getrokken naar vermeldingen die deze competenties bespreken. De skills_vector is goed voor 45% van het totale vectorgewicht.
2. Zoekwoordmatching — Vaardighedentermen worden gebruikt in de BM25-zoekwoordzoekopdracht om exacte overeenkomsten in functietitels en omschrijvingen te vinden. Wanneer vaardighedenzoekwoorden in een functietitel verschijnen, ontvangen ze een aanvullende 4% titelzoekwoordversterking. Wanneer ze voorkomen in vermelde vaardigheden, ontvangen ze een 2% vaardigheidszoekwoordversterking.
3. Filtergebaseerde voorselectie — Wanneer je vaardigheden bevestigt, kunnen ze worden gebruikt om de vacaturedatabase in PostgreSQL voor te filteren voordat de vectorzoekopdracht wordt uitgevoerd. Dit verkleint de kandidatenset tot vacatures die je specifieke vaardigheden noemen, waardoor zowel de relevantie als de prestaties verbeteren.

Deze drievoudige versterking betekent dat het zorgvuldig samenstellen van je vaardighedenlijst een directe en meetbare impact heeft op de kwaliteit van je zoekresultaten.

​

Beste praktijken

• Bekijk altijd de vaardighedenlijst — Zelfs 30 seconden beoordeling kan resultaten verbeteren
• Verwijder irrelevante vaardigheden met hoge betrouwbaarheid — De AI suggereert soms vaardigheden die niet van toepassing zijn op je specifieke zoekcontext
• Voeg niche-vaardigheden toe — Als je kandidaat gespecialiseerd is in iets specifieks, voeg het dan handmatig toe om relevante resultaten te versterken
• Gebruik uitsluitingen spaarzaam — Sluit vaardigheden alleen uit wanneer je specifiek bepaalde typen rollen wilt vermijden
• Controleer grafieksuggesties — Ze brengen vaak relevante vaardigheden aan het licht die je over het hoofd hebt gezien
• Focus op 4-6 kernvaardigheden — Te veel vaardigheden bevestigen verwatert het signaal. Prioriteer de vaardigheden die je kandidaat echt onderscheiden

​

Geavanceerd

​

AI-model en promptarchitectuur

Het vaardigheidsextractiesysteem gebruikt Gemini 3 Flash Preview als het onderliggende taalmodel, gekozen vanwege zijn snelheid en nauwkeurigheid bij gestructureerde extractietaken. Het model wordt aangeroepen met een gespecialiseerde prompt (JOB_TITLE_SKILL_EXTRACTION_PROMPT) die het instrueert om:

1. De functietitel te analyseren in de context van de Nederlandse en Europese recruitmentmarkt
2. 5-10 vaardigheden te identificeren die het meest worden geassocieerd met de rol
3. Een betrouwbaarheidsscore tussen 0,50 en 1,00 toe te wijzen aan elke vaardigheid
4. De resultaten te retourneren als gestructureerde JSON met name- en confidence-velden per vaardigheid
5. Vaardigheden te ordenen van hoogste naar laagste betrouwbaarheid

De gestructureerde JSON-uitvoer zorgt voor consistente verwerking en weergave in de UI. Het model retourneert nooit vrije tekst — altijd een gestructureerde lijst van vaardigheden met scores.

​

Hoe vaardigheden verbinding maken met de vectorzoekopdracht

Wanneer de aanbevelingsengine je zoekopdracht verwerkt, worden bevestigde vaardigheden op meerdere niveaus in de zoekopdracht verweven:

1. Generatie van vaardighedenvector — Je bevestigde vaardigheden worden gecombineerd in een tekstrepresentatie en omgezet in een 384-dimensionale vectorembedding. Deze embedding wordt vergeleken met de skills_vector die is opgeslagen voor elke vacature in Qdrant.
2. Generatie van titelvector — De functietitel plus kernvaardigheden worden samen ingebed voor de title_vector-vergelijking (gewicht 35%).
3. Generatie van beschrijvingsvector — De volledige context (titel + vaardigheden + beschrijvingszoekwoorden) vormt de description_vector-vergelijking (gewicht 20%).
4. Reciprocal Rank Fusion — Resultaten van alle drie vectorvergelijkingen worden samengevoegd met RRF: score = 1/(k + rank) opgeteld over bronnen. Dit zorgt ervoor dat een vacature die hoog scoort op vaardigheden maar matig op titel toch een sterke gecombineerde score krijgt.

​

Cachearchitectuur

De Redis-cache gebruikt het sleutelformaat skill_extract:{normalized_title} met een TTL (Time To Live) van 24 uur. Sleutelnormalisatie omvat:

• Omzetting naar kleine letters
• Verwijdering van voorloop- en volgspaties
• Samenvoeging van meerdere interne spaties tot een enkele spatie

Dit betekent dat " Senior Python Developer " en "senior python developer" dezelfde cache-invoer treffen. De TTL van 24 uur brengt versheid (het AI-model kan in de loop van de tijd verbeteren) in evenwicht met prestaties (de meeste zoekopdrachten voor dezelfde titel vinden plaats binnen een enkele werkdag).

​

Randgevallen

Zeer generieke functietitels

Titels zoals “Manager” of “Consultant” produceren brede vaardighedensets omdat deze rollen veel domeinen beslaan. De AI extraheert algemene management- of consultingvaardigheden in plaats van domeinspecifieke. Voeg voor betere resultaten altijd domeincontext toe: “IT Manager,” “Management Consultant (Finance)” of “Technical Program Manager.”

Samengestelde of ongebruikelijke titels

Voor niet-standaard titels zoals “Growth Hacker” of “People & Culture Lead” baseert de AI zich op patronen van vergelijkbare rollen die het in trainingsdata heeft gezien. Resultaten kunnen minder precies zijn dan voor standaardtitels. Bekijk de vaardigheden zorgvuldig en voeg ontbrekende handmatig toe.

Nederlandse vs. Engelse titels

De AI verwerkt beide talen. “Software Ontwikkelaar” produceert vergelijkbare vaardigheden als “Software Developer.” Nederlandse titels kunnen echter af en toe iets andere betrouwbaarheidsverdelingen produceren omdat de trainingsdata van de AI beide talen met verschillende frequenties bevat.

Titel met senioriteitprefix

Het toevoegen van “Senior,” “Lead” of “Junior” aan een titel verandert de extractie. Seniorrollen kunnen vaardigheden bevatten zoals “Architectuur,” “Mentoring” of “Systeemontwerp” die niet zouden verschijnen bij junior-zoekopdrachten. De AI begrijpt dat senioriteit andere competentieverwachtingen impliceert.

​

Bedrijfsregel: hoe vaardigheden matchclassificatie beinvloeden

Nadat de vectorzoekopdracht resultaten heeft geretourneerd, wordt elke vacature geclassificeerd op basis van zoekwoorddekking:

• UITSTEKENDE_OVEREENKOMST: Alle zoekwoorden (inclusief vaardighedentermen) zijn gevonden in de vacaturevermelding
• GOEDE_OVEREENKOMST: 80% of meer van de zoekwoorden is gevonden
• SLECHTE_OVEREENKOMST: Minder dan 80% van de zoekwoorden is gevonden

Slechte overeenkomsten kunnen in bulk automatisch worden verwijderd. Dit betekent dat te veel bevestigde vaardigheden onbedoeld de 80%-drempel moeilijker haalbaar kan maken, waardoor goede vacatures mogelijk als slechte overeenkomsten worden geclassificeerd. Focus op het bevestigen van de meest kritische vaardigheden om de drempel haalbaar te houden.

​

Gerelateerd

• Een zoekopdracht aanmaken — Stap 2 van de wizard waar vaardigheden worden beoordeeld
• Hoe zoektechnologie werkt — Hoe vaardigheden invoer leveren aan de hybride zoekmachine
• Zoekresultaten — Hoe vaardigheden de rangschikking van resultaten en matchscores beinvloeden