Aday Değerlendirme Platformu

Artan başvuruları değerlendirme ihtiyacı

Adaptive Hiring Platform fikri, Code64 tarafından yayınlanan düşük bütçeli bir LinkedIn ilanına tek gün içinde 100'den fazla başvuru gelmesiyle ortaya çıktı. Başvuru sayısının artması, işe alım ekiplerinin yalnızca CV inceleyerek adaylar arasında sağlıklı bir önceliklendirme yapmasını zorlaştırır. Özellikle teknik veya uzmanlık gerektiren pozisyonlarda insan kaynakları ekiplerinin her rolün detaylı teknik gereksinimlerine hâkim olması da beklenemez. Bir adayın CV üzerinde doğru anahtar kelimelere sahip olması, ilgili pozisyon için gerekli problem çözme, teknik yaklaşım, iletişim veya senaryo yönetimi becerilerini tek başına göstermez.

İhtiyaç; pozisyonun gerçek gereksinimlerine göre değerlendirme hazırlayan, adaylara standart bir süreç sunan ve elde edilen sonuçları insan kaynakları için anlamlı bir karar desteğine dönüştüren bir sistem oluşturmaktı.

Pozisyonu analiz ederek teste başlamak

Platformda test üretimi doğrudan soru yazmakla başlamaz. insan kaynakları; sektör, departman, pozisyon, seviye ve varsa iş ilanı metnini sisteme girer. İlk aşamada Position Analyst Agent, bu bilgileri değerlendirerek ilgili rol için kritik yetkinlikleri, değerlendirme bölümlerini, ağırlıkları ve uygun soru tiplerini belirler. Böylece yazılım geliştirici, saha satış sorumlusu veya dijital pazarlama uzmanı gibi farklı pozisyonlar aynı standart soru havuzuna göre değil, kendi rol bağlamlarına göre değerlendirilir.

Soruları ayrı ajanlarla üretmek ve kalite kontrolünden geçirmek

Yetkinlik haritası oluşturulduktan sonra Question Writer Agent, belirlenen bölümlere ve ağırlıklara göre pozisyona özel sorular üretir. Bu sorular doğrudan insan kaynakları'a sunulmadan önce ayrı bir Quality Reviewer Agent tarafından yeniden değerlendirilir. Kalite kontrol aşamasında soruların pozisyonla ilişkisi, açıklığı, aday seviyesine uygunluğu, yetkinlik ağırlıklarıyla uyumu ve senaryo sorularının gerçekçiliği kontrol edilir. Bu yapı, tek bir yapay zekâ çağrısıyla test üretmek yerine birbirini denetleyen görevlerden oluşan kontrollü bir test üretim iş akışı oluşturur.

insan kaynakları kontrolünü yapay zekânın önüne değil, yanına koymak

yapay zekâ tarafından oluşturulan test nihai değildir. insan kaynakları ekibi oluşturulan soruları ön izleyebilir, manuel olarak düzenleyebilir, soru ekleyebilir veya çıkartabilir ve testi ancak kendi kontrolünden sonra yayına alabilir. Gerektiğinde Question Refiner Agent üzerinden doğal dilde yeni soru talep edilebilir veya mevcut bir soru yeniden düzenlenebilir. Böylece yapay zekâ test hazırlama sürecini hızlandırırken, değerlendirme tasarımındaki son kontrol insan kaynakları tarafında kalır.

Adaya tek kullanımlık ve süreli değerlendirme deneyimi sunmak

Onaylanan test için adaya özel benzersiz bir bağlantı oluşturulur. Aday bağlantı üzerinden teste erişir ve değerlendirmeyi başlattığında süre sunucu tarafında yönetilmeye başlanır. Cevaplar soru bazında kaydedilir ve test belirlenen süre içerisinde tamamlanır. Bu yapı, tüm adayların aynı koşullar altında değerlendirilmesini sağlayan kontrollü bir sınav akışı oluşturur.

Davranış sinyallerini değerlendirme bağlamı olarak kullanmak

Değerlendirme sırasında sistem, insan kaynakları ekibine ek bağlam sağlayabilecek çeşitli kullanıcı davranışlarını kayıt altına alabilir. Bunlar arasında sekme değiştirme, kopyalama veya yapıştırma girişimleri, sağ tıklama kullanımı, soru üzerinde geçirilen süre, cevap verme süresi, olağan dışı hızlı cevaplar ve bağlantı/heartbeat kesintileri gibi sinyaller bulunur. Bu kayıtların amacı adayın dürüstlüğü veya kişiliği hakkında kesin hüküm vermek değildir. Örneğin bir sekme değişimi tek başına adayın dışarıdan yardım aldığını göstermez.

Sistem bu verileri değerlendirme sürecine ek bağlam sağlayan davranış sinyalleri olarak ele alır ve insan kaynakları'ın yapay zekâ raporunu adayın gerçek cevaplarıyla birlikte değerlendirmesine yardımcı olur.

yapay zekâ analiz raporu ile mülakat öncesi karar hazırlığını desteklemek

Aday testi tamamladığında Analysis Report Agent otomatik olarak devreye girer. Agent; adayın verdiği cevapları, pozisyon bağlamını, değerlendirme bölümlerini, cevap sürelerini ve ilgili davranış kayıtlarını birlikte analiz eder. Rapor içerisinde genel değerlendirme, bölüm bazlı skorlar, güçlü yönler, geliştirilmesi gereken noktalar, cevaplara ilişkin açıklamalar, davranış notları ve insan kaynakları için değerlendirme yorumu gibi alanlar yer alabilir. Sistem insan kaynakları'a mülakat öncesinde daha yapılandırılmış bir değerlendirme sunmayı amaçlar.

Nihai işe alım kararı insanda kalır

Adaptive Hiring Platform bir adayın işe alınmasına tek başına karar veren bir sistem değildir. yapay zekâ analizi, insan kaynakları ve hiring manager için yardımcı bir karar destek katmanı olarak konumlandırılır. Nihai değerlendirme ve işe alım kararı her zaman ilgili insan kaynakları veya işe alım yöneticisinin sorumluluğundadır.

Agent ve iş akışı yapısı

Bileşen	Görev
Koordinasyon katmanı Service	İstekleri doğru yapay zekâ iş akışı veya ajana yönlendirme ve veri akışını yönetme
Job Posting Enrichment	Varsa iş ilanı metnini analiz için daha yapılandırılmış hale getirme
Position Analyst	Pozisyona özel yetkinlik haritası, bölüm yapısı ve ağırlıkları belirleme
Question Writer	Yetkinlik yapısına göre role özel sorular üretme
Quality Reviewer	Soruların kalite, seviye ve pozisyon uyumunu kontrol etme
Question Refiner	insan kaynakları'ın doğal dil isteğiyle soru ekleme veya güncelleme
Candidate Flow	Tek kullanımlık bağlantı, süre ve cevap sürecini yönetme
Security Events	Değerlendirme sırasında davranış sinyallerini kayıt altına alma
Analysis Report	Aday cevaplarını ve değerlendirme bağlamını analiz ederek insan kaynakları raporu oluşturma

Code64’ün işe alım sürecinden bir örnek

Adaptive Hiring Platform bugün UAT aşamasındadır ve Code64'ün kendi işe alım sürecinde uçtan uca kullanılarak test edilmiştir. Ürünün ortaya çıkmasına neden olan işe alım sürecinde bir LinkedIn ilanına bir gün içerisinde 100'den fazla başvuru alınmıştır. Bu başvurular içerisinden 30 aday değerlendirme sürecine ayrılmış, devamında 5 adayla görüşme yapılmış ve süreç 1 işe alımla sonuçlanmıştır. Bu rakamlar, Code64’ün tek bir işe alım sürecindeki kullanım örneğini gösterir; genel bir başarı oranını ifade etmez.

Yüzlerce başvuruyu daha yapılandırılmış bir değerlendirme sürecine dönüştürün.

Pozisyonunuza özel yapay zekâ değerlendirmeleri, kontrollü aday testleri ve insan kararını destekleyen analiz sistemleri geliştiriyoruz. İletişime geçin

Monolitik yapay zekâ çağrısı yerine orkestre edilmiş ajan yapısı

Platformun yapay zekâ mimarisi tek bir model çağrısına dayanmaz. Node.js tabanlı koordinasyon katmanı hangi işlemin gerçekleştirileceğini belirler ve ilgili ajan zincirini sırayla çalıştırır. Test üretiminde Position Analyst → Question Writer → Quality Reviewer akışı kullanılır. Bu sayede test üretimindeki temel görevler birbirinden ayrılır; pozisyon analizi, soru üretimi ve kalite kontrolü farklı sorumluluklar olarak ele alınır. Koordinasyon katmanı katmanı deterministik routing ve hata yönetimini üstlenirken yapay zekâ modelleri yalnızca kendi uzmanlık görevlerinde kullanılır.

Server tarafında yönetilen aday oturumu

Aday değerlendirme süreci tek kullanımlık token ve durum yönetimi üzerinden çalışır. Oturum; bekliyor, başladı, tamamlandı veya süresi doldu gibi durumlarla takip edilir. Test başladıktan sonra zaman kontrolünün sunucu tarafında tutulması, aday deneyiminin yalnızca tarayıcı üzerindeki istemci zamanına bağlı olmamasını sağlar.

yapay zekâ ve davranış verisini aynı rapor bağlamında birleştirmek

Adayın verdiği cevaplar ile değerlendirme sırasında oluşan davranış kayıtları ayrı veri katmanlarında tutulur. Analiz aşamasında yapay zekâ, cevap performansını değerlendirirken bu sinyalleri yardımcı bağlam olarak kullanabilir. Bu mimari, davranış verisini doğrudan hüküm üreten bir mekanizma yerine değerlendirme raporuna ek sinyal sağlayan bir katman olarak konumlandırır.