Lad AI skrive din næste jobannonce

Vi lever i automatiseringens tidsalder. Industriens Uddannelser bruger AI til at analysere jobmarkedet ved at scanne og analysere jobopslag, og måske vil mange af de jobannoncer, som AI’en scanner og analyserer, være skrevet af en anden AI.

Det er mindre revolutionerende, end det lyder, for ifølge en rapport af firmaet Zoek kopierer 50 % af britiske firmaer deres jobbeskrivelser fra nettet, helt eller delvist. Tallene er givetvis ikke meget anderledes for Danmark.

Jobannoncer er et nødvendigt onde, og vi copy-paster allerede de dele af dem, der ikke ændrer sig fra annonce til annonce. Hvorfor ikke tage det næste skridt? Med AI kan copy-paste-strategien tages til næste niveau.

Firmaer såsom Jobdescription.ai tilbyder at skrive annoncerne for dig, men ulemperne hober sig op. For det første er det ikke muligt at få adgang til den AI-model, de bruger. Det betyder, at det heller ikke er muligt at finjustere modellen på eksempelvis lige præcis tidligere annoncer fra din egen virksomhed. For det andet er det typisk dyrere at købe AI-modeller end selv at skabe dem.

kilde: Getty Images

Kommunikationsforum har derfor sat sig et mål: Skab en jobgenerator på alle de jobnannoncer, Kommunikationsforum har annonceret i tidernes løb.

Det har vi gjort, og du kan prøve en demo af jobgeneratoren via nedenstående link:

Link til web-demo af Kforums jobgenerator

I resten af artiklen tester vi generatoren, forklarer, hvordan den er skabt – og hvordan du kan skabe din helt egen.

Skab din egen jobgenerator med OpenAI

Kommunikationsforum har allerede skrevet en del om virksomheden OpenAI og deres tekstgenerator GPT3, f.eks. her. Det er ikke gratis at bruge modellen, men det er heller ikke dyrt, hvis man er en virksomhed, som dermed undgår selv at skulle skrive sine jobannoncer.

GPT3 er dog ikke særligt god til at skrive jobannoncer i sin mest rene form.

Hvis man fodrer GPT3 med prompten Jobopslag. Kommunikationskonsulent, Region Hovedstaden, spytter basismodellen Davinci f.eks. følgende tekst ud:

Eksempel 1

Kommunikationskonsulent, Region Hovedstaden.

Kristian Sørensen

Fagkonsulent, Region Hovedstaden.

Ole Eriksen

Kommunikationskonsulent, Region Hovedstaden.

Kontakt til forfatterne

sundhed@sundhedsstyrelsen.dk

GPT3’s basismodel er ikke egnet til at skrive jobannoncer til specifikke virksomheder, for den kender dem simpelthen ikke, og derfor ender man med resultater som dem ovenfor. Det svarer til at spørge en person, som aldrig har læst fysiologi, hvor vagusnerven sidder.

GPT3’s evner åbner sig først for alvor op, når man finjusterer modellen – svarende til at give en bog om fysiologi til ovenstående person. I dette tilfælde finjusterer vi GPT3’s basismodel på et stort korpus af danske jobannoncer fra Kommunikationsforum.dk. Forhåbentligt vil det gøre modellen skarpere.

GPT3 skal lære noget om Kommunikationsforums jobannoncer

Der findes i alt ca. 11.000 jobannoncer i Kommunikationsforums arkiv. For at vise effekten af skala er det dog interessant at træne modellen på forskellige størrelser af tekstkorpusser.

Nedenstående eksempel er fra en Davinci-model trænet på 500 jobannoncer fra Kommunikationsforum.dk.

Eksempel 2

Kommunikationskonsulent, Region Hovedstaden.

Region Hovedstaden interesserer sig for børn og unges trivsel og uddannelse, og vi arbejder målrettet med at fremme det. Samtidig har vi brug for en dygtig og ambitiøs kommunikationskonsulent, der kan gøre os endnu bedre til at kommunikere om børn og unges uddannelse. Region Hovedstaden er en dynamisk arbejdsplads, hvor der er plads til en uformel og god tone, og hvor vi har fokus på trivsel og social ansvarlighed. Vi sætter en ære i at understøtte en god faglighed, og løfte børn og unges uddannelse på en ambitiøs måde.

Hvem er du?

Du brænder for børn og unges uddannelse og har en stærk faglighed indenfor kommunikation og sociale medier. Du er tone deaf og meget ambitiøs, og du kan tage ansvar for at få vores kommunikation ud over rampen. Hvad kan vi tilbyde dig? Du bliver en del af et stærkt team i kommunikation, hvor vi arbejder strategisk med børn og unges uddannelse. Du får en bred kontaktflade til børn og unges sekretariater, og i samarbejde med kollegerne i Social- og Specialundervisning (SSU), får du input og sparring i forhold til vores kommunikationsstrategi, håndtering af sociale medier og kommunikation på skæve hold. Hvem er du? Du har en relevant uddannelsesmæssig baggrund inden for kommunikation og/eller sociale medier og erfaring fra…

Et andet eksempel:

Eksempel 3: Journalist, Lederne

Vi søger en dygtig og selvstændig journalist til vores digitale platform Lederstof.dk, som har fået højere ambitionsniveau og større indflydelse. Vi arbejder med historier, der spænder vidt og ikke kun handler om medlemmerne i de danske fagforeninger. Vi søger en journalist, der kan skabe stærke indholdsleverancer på vores digitale platform og som samtidig vil arbejde med større kampagner til fx nyhedsordninger.

Vi forventer, at du:

– Kan skabe engagerende indhold til vores digitale platform;

– Vil arbejde med større kampagner, der skal bringe Lederne.dk til flere læsere

– Kan finde og fortælle historier, der rammer en bred kreds af medlemmer

– Kan tage initiativ til historier og få dem til at køre

– kan vinkle og redigere historier inden de bliver publiceret kan designe og udvikle indhold til vores digitale platform

– Kan producere video og andet detaljeret indhold til vores digitale platform

– Kan holde overblikket, når flere historier skal læses og besvares

– Kan arbejde selvstændigt, men er samtidig en god og ansvarlig samarbejdspartner

Vi tilbyder en stilling, hvor du:

– Bliver en del af en ny og stadig mere ambitiøs redaktion, der arbejder med politik.

Ved GPT3 nok om jobannoncer endnu?

Ikke umiddelbart. Annoncerne er stadig meget generiske. Modellen ved meget om, hvordan jobannoncer ser ud, men den ved ikke særligt meget om specifikke arbejdspladser såsom Lederne.dk. Her kan du læse en faktisk jobannonce fra Lederne, og der er ikke tvivl om, hvilken der er bedst.

Hvordan vil annoncerne se ud, hvis vi træner AI’en på det fulde datasæt?

Så godt som annonceret

I nedenstående eksempel får den fulde model lov til at forsøge at forbedre sin annonce til Lederne.dk, hvor en kort jobbeskrivelse er inkluderet i prompten.

Eksempel 4

Journalist, Lederstof.dk. Er du en dygtig, velskrivende journalist, der interesserer sig for ledelse? Så har vi et job til dig på Lederstof.dk.

Vi tilbyder et job i et uformelt arbejdsmiljø, hvor du bliver en del af et engagerede kommunikationsteam, der arbejder med at realisere vores vision om at skabe en bedre ledelse i dansk erhvervsliv og samfund. Vi tilbyder en stilling som lederskribent på vores hjemmeside Lederne.dk, hvor du skal skrive ledelses- og chefsartikler om både strategi, forretningsudvikling og ledelse.

Vi forventer, at du er nysgerrig på forskellige typer af ledelse og på at skabe indhold til vores leder- og chefshjemmeside. Du har en skarp pen og forstår kort og godt, hvordan en god lederstræning kan kommunikeres til vores mange ledere. Lederstof.dk er en hjemmeside, hvor ledere og ledelseseksperter mødes og formidler deres viden og erfaringer til andre ledere. Vi tilbyder et job i et uformelt arbejdsmiljø med god kollegial og faglig sparring, gode kolleger og et godt miljø på kontoret.

Det tyder på, at modellen har haft godt af dels at blive fodret med flere eksempler, dels at inkludere mere information i prompten.

Det er generelt en god idé at tænke sig grundigt om, før man træner modellen på et stort korpus af tekst. For spørgsmålet er ikke bare, hvilken data man bør træne på, men også hvilken “prompt → svar”-struktur, man bør anvende. “Prompt → svar”-strukturen kan f.eks. være “Stilling, arbejdsplads → jobannonce” eller, som i seneste eksempel, “Stilling, arbejdsplads, jobbeskrivelse → jobannonce”. Det vigtige er, at formatet er det samme både under og efter træning, ellers forvirrer du modellen mere end nødvendigt.

Hvordan performer den fulde model (trænet på en “Stilling, arbejdsplads, jobbeskrivelse → jobannonce” prompt → svar-struktur) sammenlignet med et aktuelt jobopslag på Kommunikationsforum.dk?

Eksempel 5

Kommunikationsrådgiver til SoMe (barselsvikariat), Køge Kommune.

Kan du skrive opslag, der engagerer vores 15.000 følgere på Facebook, ved du hvordan man får hjerterne til at tikke ind på Instagram og kan du styrke rekrutteringen på LinkedIn? Så er du måske Køge Kommunes kommende kommunikationsrådgiver.

Stillingen er en fastansættelse på fuld tid, som varetager både strategisk og operationelt kommunikationsarbejde samt intern kommunikation.

Jobbet

Du får ansvaret for at drive vores sociale kanaler og formidle de gode historier fra kommunens dagligdag, så vores følgere får vores budskaber på deres Facebook- og Instagram-feed, og LinkedIn-siderne vækker interesse hos vores potentielle medlemmer. Du får også ansvaret for vores interne kommunikation og medlemskommunikation og leverancer til flere interessenter. Du får også ansvaret for at videreudvikle og sikre, at vores kommunikationsstrategi bliver fulgt og implementeret i vores daglige arbejde. Du får ansvaret for at optimere vores kommunikationsflow og kommunikationskanaler på sociale medier. Du får et tæt samarbejde med ansatte i kommunikation, presse og IT samt kolleger i kommunens mange forvaltninger og centre.

Dine ansvarsområder og opgaver kommer blandt andet til at omfatte:

– Rådgive ledelsen om kommunikation og intern kommunikation.

– Varetage og videreudvikle vores kommunikationsstrategi.

– Sikre en effektiv og professionel eksekvering af kommunikationsopgaver på sociale kanaler.

Hvis man sammenligner med den aktuelle jobannonce er det klart, at AI’en har svært ved at hamle op med den menneskeskrevne annonce. Årsagen er, at modellen har svært ved at indfange de små detaljer, der skifter fra job til job. Der findes simpelthen ikke sådan noget som generiske jobannoncer. Alle jobannoncer er forskellige, og GPT3 kan af gode grunde ikke være med på den nyeste viden og indsigt i specifikke virksomheder.

På den måde kan selv en finjusteret GPT3-model nok ikke skrive jobannoncer fra top til tå, men den kan til gengæld assistere med at skrive de elementer ud, som mange jobannoncer har tilfælles. Det kan spare værdifuld tid i en travl hverdag.

Konklusion og fremtidige muligheder

Du kan selv træne din helt egen jobgenerator. Guiden til, hvordan du finjusterer GPT3, kan du finde her.

Den sværeste del af processen er at skaffe, rengøre og kuratere den data, du vil træne på. Skal du træne modellen på jobopslag fra alle de jobs, din egen virksomhed har annonceret i de sidste mange år? Eller en kombination af jobs fra din egen virksomhed og lignende jobs i andre virksomheder? Og skal du i sidstnævnte tilfælde hente annoncerne fra JobIndex, Mediajob.dk eller noget helt tredje?

Det er faktisk lovligt at hente data såsom jobannoncer fra eksempelvis LinkedIn. Det kaldes webscraping, og der er er en udførlig guide til den praksis her.

GPT3 performer bedst, hvis den trænes på minimum et par hundrede eksempler, i dette tilfælde jobannoncer, og et godt tip er at inkludere alt det, GPT3 ikke er så god til – nyheder, unikke detaljer, etc. – i både din prompt og dine træningseksempler. På den måde kan den finjusterede model både genskabe velkendte mønstre og samtidigt inkludere specifikke detaljer.

Der er flere spørgsmål, end der er svar, når det kommer til AI, GPT3, og deres performance, men modellerne bliver bedre hver dag, og som kommunikationsmedarbejder er det værd at kigge mod AI-teknologi som en potentiel hjælpende hånd i dit arbejde – især, hvis du vælger at træne din egen model i stedet for at betale i dyre domme for færdige løsninger.