Einblicke in die KI-Überarbeitung von LinkedIn: Jobsuche mit LLM-Destillation

Das Aufkommen der Suche in natürlicher Sprache hat die Menschen dazu veranlasst, ihre Art der Informationssuche zu ändern, und LinkedIn , das im vergangenen Jahr mit zahlreichen KI-Modellen gearbeitet hat, hofft, dass sich dieser Wandel auch auf die Jobsuche ausweitet.

Die KI-gestützte Jobsuche von LinkedIn, die jetzt allen LinkedIn-Benutzern zur Verfügung steht, verwendet destillierte, fein abgestimmte Modelle, die auf der Wissensdatenbank der professionellen Social-Media-Plattform trainiert wurden, um potenzielle Stellenangebote auf der Grundlage natürlicher Sprache einzugrenzen.

„Diese neue Suchfunktion ermöglicht es Mitgliedern, ihre Ziele in eigenen Worten zu beschreiben und Ergebnisse zu erhalten, die genau das widerspiegeln, wonach sie suchen“, sagte Erran Berger, Vizepräsident für Produktentwicklung bei LinkedIn, in einer E-Mail an VentureBeat. „Dies ist der erste Schritt auf einem größeren Weg, die Jobsuche intuitiver, inklusiver und für alle zugänglicher zu gestalten.“

LinkedIn erklärte zuvor in einem Blogbeitrag , dass ein großes Problem bei der Jobsuche auf der Plattform darin liege, dass Nutzer zu stark auf präzise Stichworte angewiesen seien. Oftmals würden Nutzer eine allgemeinere Berufsbezeichnung eingeben und Stellenangebote erhalten, die nicht genau dazu passten. Aus eigener Erfahrung weiß ich, dass ich, wenn ich „Reporter“ auf LinkedIn eingebe, Suchergebnisse für Reporterjobs in Medienpublikationen sowie Stellen für Gerichtsreporter erhalte, die ein völlig anderes Anforderungsprofil erfordern.

Wenjing Zhang, Vizepräsident für Ingenieurwesen bei LinkedIn, erklärte VentureBeat in einem separaten Interview, dass man die Notwendigkeit sehe, die Art und Weise zu verbessern, wie Menschen Jobs finden können, die perfekt zu ihnen passen, und dass dies mit einem besseren Verständnis dessen beginne, wonach sie suchen.

„Wenn wir früher Schlüsselwörter verwendeten, suchten wir im Wesentlichen nach einem Schlüsselwort und versuchten, die genaue Entsprechung zu finden. Und manchmal steht in der Stellenbeschreibung „Reporter“, obwohl es sich nicht wirklich um einen Reporter handelt. Wir ermitteln trotzdem diese Information, was für den Bewerber nicht ideal ist“, sagte Zhang.

LinkedIn hat sein Verständnis für Nutzeranfragen verbessert und ermöglicht nun die Verwendung von mehr als nur Schlüsselwörtern. Anstatt nach „Softwareentwickler“ zu suchen, können Nutzer fragen: „Kürzlich ausgeschriebene Stellenangebote für Softwareentwickler im Silicon Valley finden.“

Eine der ersten Aufgaben von LinkedIn bestand darin, die Verständnisfähigkeit seiner Suchfunktion zu überarbeiten.

„Der erste Schritt besteht darin, eine Suchanfrage zu stellen. Wir müssen sie verstehen. Im nächsten Schritt müssen wir die richtigen Informationen aus unserer Stellendatenbank abrufen. Und der letzte Schritt besteht darin, nun, da wir einige hundert Kandidaten haben, die Rangfolge so festzulegen, dass die relevanteste Stelle ganz oben angezeigt wird“, sagte Zhang.

LinkedIn verließ sich auf feste, taxonomienbasierte Methoden, Ranking-Modelle und ältere LLMs, denen es laut LinkedIn an der Fähigkeit zu tiefem semantischem Verständnis mangelte. Das Unternehmen griff daraufhin auf modernere, bereits optimierte Large Language Models (LLMs) zurück, um die Natural Language Processing (NLP)-Funktionen seiner Plattform zu verbessern.

LLMs sind jedoch auch mit hohen Rechenkosten verbunden. Daher setzte LinkedIn auf Destillationsmethoden, um die Kosten für teure GPUs zu senken. Das LLM wurde in zwei Schritte unterteilt: einen für die Daten- und Informationsbeschaffung und einen für die Rangfolge der Ergebnisse. Mithilfe eines Lehrermodells zur Rangfolge von Abfrage und Job konnte LinkedIn nach eigenen Angaben sowohl die Abfrage- als auch die Rangfolgemodelle aufeinander abstimmen.

Die Methode ermöglichte es den LinkedIn-Ingenieuren außerdem, die Anzahl der einzelnen Schritte im Jobsuchsystem zu reduzieren. Zu einem bestimmten Zeitpunkt „bestand die Pipeline für die Jobsuche und -vermittlung aus neun verschiedenen Schritten“, die oft dupliziert wurden.

Dazu verwenden wir eine gängige Technik der Mehrzieloptimierung. Um sicherzustellen, dass Abfrage und Ranking übereinstimmen, ist es wichtig, dass die Abfrage die Dokumente mit demselben MOO bewertet, das auch die Ranking-Phase verwendet. Ziel ist es, die Abfrage einfach zu halten, ohne die Produktivität der KI-Entwickler unnötig zu belasten“, so LinkedIn.

LinkedIn hat außerdem eine Abfrage-Engine entwickelt, die den Benutzern individuelle Vorschläge generiert.

LinkedIn ist nicht der einzige Anbieter, der das Potenzial einer LLM-basierten Unternehmenssuche erkennt. Auch Google behauptet, dass die Unternehmenssuche im Jahr 2025 dank fortschrittlicher Modelle noch leistungsfähiger wird.

Modelle wie Rerank 3.5 von Cohere helfen dabei, Sprachsilos in Unternehmen aufzubrechen . Die verschiedenen „Deep Research“-Produkte von OpenAI , Google und Anthropic deuten auf eine wachsende Nachfrage der Unternehmen nach Agenten hin, die auf interne Datenquellen zugreifen und diese analysieren.

LinkedIn hat im vergangenen Jahr mehrere KI-basierte Funktionen eingeführt. Im Oktober wurde ein KI-Assistent vorgestellt, der Personalvermittlern bei der Suche nach den besten Kandidaten helfen soll .

Deepak Agarwal, Chief AI Officer von LinkedIn, wird diesen Monat auf der VB Transform in San Francisco die KI-Initiativen des Unternehmens vorstellen, darunter auch die Skalierung des Hiring Assistant vom Prototyp zur Produktion. Melden Sie sich jetzt an, um teilzunehmen .