Den 11 maj 1997 besegrades Garry Kasparov, tidernas kanske störste schackspelare, av IBMs schackdator Deep Blue. Sett till när i tiden den byggdes var Deep Blue en fantastisk ingenjörsmässig prestation. På sätt och vis tjuvstartade den mycket uppmärksammade schackmatchen hypen kring AI (Deep Blue var ett så kallat expertsystem utan förmågan att träna sig självt och klassas inte som AI).
Troligen var Kasparov ändå Deep Blue överlägsen och med rättvisare förutsättningar (Kasparov tilläts inte studera Deep Blues partier) så hade han sannolikt vunnit. Med tiden, och delvis med hjälp av machine learning, lämnade system som Stockfish och Alpha Zero snabbt mänsklighetens bästa schackspelare långt bakom sig.
Det senaste genombrottet inom AI är som bekant språkmodeller som Chat GPT eller Deepseek. Med en fantastisk förmåga att konversera, förstå sammanhang och skapa text och bilder har dessa AI-tjänster drastiskt förändrat vår upplevelse av att interagera med teknik.
Kan de spela schack? Jovars även om de är klart under t.ex. Stockfish nivå. Enligt en studie från Palisade Research där de vassaste tillgängliga modellerna GPT o-1 och Deepseek R1 ställdes mot Stockfish så händer dock något oväntat när de är var på väg att förlora.
När GPT o-1 ”insåg” att det inte var möjligt att besegra Stockfish enligt reglerna gick den i 37% av fallen vidare i sitt resonemang. Lösningen den kom upp med var att modifiera systemfilen med varje pjäs virtuella position och ställa sig själv i ett ointagligt överläge.
Att AI är en så dålig förlorare kan man tycka är roligt, gulligt, spännande eller skrämmande. Oavsett vilket har det blivit dags att förklara vari kopplingen mellan schack och kandidatscreening ligger.
På marknaden idag finns flera lösningar för att hitta kandidater baserade på språkmodeller. Tyvärr har språkmodeller en ovana att ”hallucinera” och hellre hitta på svar än att ”tappa ansiktet”. Svårigheten i att ge rätt instruktioner till världens smartaste ”svarta låda” illustreras av schackfuskandet ovan. Fel kan uppstå i flera steg; instruktion, modellens tolkning av instruktion, modellens tolkning av kandidatprofiler, modellens rangordning och (i vissa fall) modellens presentation av kandidater.
Så hur kommer man runt detta? Lösningen ligger i orsaken till att en dator utvecklad av IBM redan år 1997 spelade schack bättre än en dagens ledande AI-modell (i vilken det bara 2024 investerades cirka sju miljarder dollar).
Generellt kan man säga att språkmodeller är fantastiskt duktiga på att generera OK resultat inom nästan vilket område som helst. Däremot har de svårt att konkurrera med specialiserade expertsystem inom tydligt definierade områden med sin egen logik, taxonomi och regler.
Kandidat och konsultsourcing är ett sådant område. Här handlar det om att förstå skillnaden mellan att ha jobbat i SAP, implementerat SAP och utvecklat i SAPs programmeringsspråk. Därför kommer system byggda på en ”ryggrad” i form av tydliga strukturerade datamodeller ha goda förutsättningar att prestera bättre.
Commended.ai är ett expertsystem som drar nytta av såväl machine learning som språkmodeller i sin utvärdering av potentiella konsulter för ett uppdrag. Det kan inte rita bilder, hitta på vitsar eller ge en kort sammanfattning av franska revolutionen. Men precis som Deep Blue, Stockfish och Alpha zero är Commended.ai en rackare på att göra precis det jobbet det byggts för:
Att identifiera och gradera de bäst lämpade konsulterna för ett uppdrag baserat på kompetens, erfarenheter och grad av validering.
// Kristoffer Fredriksson
Capa har valt Commended.ai som partner- för att hitta de bäst lämpande konsulterna utifrån varje unik situation och bolag, med hjälp av fakta som bygger på konsultens personlighet, CV och självklart validerad data gällande kompetens och erfarenhet.
//Christoffer Schnakenberg – Co founder and Director Data & Tech Management
.jpeg)
.jpg)
