Blackstraw 利用 Azure 協助 AMN Healthcare 成功配對

Blackstraw 的進階多模型配對引擎建置在 Microsoft Azure 的基礎上，可在幾分鐘內將醫護人員與工作配對，從而更快速且準確地填補空缺職位。

2024 年 7月 15 日

在醫療保健人力產業中，招聘人員面臨著持續而緊迫的挑戰：評估熟練候選人的資格，並快速準確地將他們與空缺職位相配對。對於像旅行護士和醫生這樣的專業角色來說，快速安置對於滿足該領域的緊迫性和需求至關重要，而克服此一挑戰最為重要。但這正是資料和 AI 諮詢公司 Blackstraw 準備解決的挑戰。

身為 Microsoft 的合作夥伴，擁有一支由 300 多名熟練的資料科學家和工程師組成的團隊，Blackstraw 協助組織利用 Azure 實現資料基礎結構和營運的現代化。不僅如此，他們還能使用這些資料來建置和部署針對客戶業務需求量身定製的 AI 解決方案。

「我們在這兩個領域都有自己的立足點：AI 和資料工程。這是我們使客戶能夠擷取、處理和儲存他們所需資料的基礎，」Blackstraw 創始人兼執行長 Atul Arya 表示。「但是，一旦你處理並儲存了資料，要怎麼做才能對其有所理解？要如何使用這些資料解決業務問題？這就是我們利用 AI 的地方。」

手動進行履歷剖析和延遲的招聘週期

AMN Healthcare 是醫療保健勞動力解決方案的領先提供者，需要一種簡化和精確的方法，將大量的醫療專業人員與全國的空缺職位相配對。雖然他們的招聘人員效率很高，但他們知道有機會改進流程。過去，個人必須為每個空缺職位篩選數千份候選人資料，一個資料庫光是旅行護士就有 600,000 名以上，而跨不同領域和地點有多達 18,000 項工作要求。

「工作要求具時效性；如果未能儘早滿足這些條件，就會延緩安置時間，並可能導致收入損失。此外，職缺和護士的屬性不斷變化，」AMN Healthcare 資訊長 Mark Hagan 表示。「我們需要一個解決方案，能夠執行旅行護士職缺的配對，並近即時地考慮空缺和旅行護士屬性的變化。」

AMN Healthcare 還發現，他們現有的流程「未提供履歷的高配對率，而導致不準確，」Arya 如此表示。「處理這些職缺需要花費數小時，而在醫療領域，時間和準確性是關鍵標準。」

使用這種方法，招聘人員需要數天時間才能確定合適的配對，從而導致招聘延遲和空缺職位長期無法填補。這正是 AMN Healthcare 意識到利用 AI 的機會的地方。

「隨著我們進入數位優先時代，人力產業必須不斷適應使用最新技術將其服務最佳化，而 AI 日益增長的影響力是最重要的技術發展之一，」Hagan 表示。「透過使用 AI 來協助找到空缺職位的最佳候選人，我們可以更有效地管理整個招聘過程。」

「一旦你處理並儲存了資料，要怎麼做才對其有所理解？要如何使用這些資料解決業務問題？這就是我們利用 AI 的地方。」

— Atul Arya，Blackstraw 創始人兼執行長

自動化、準確的配對系統

鑒於 Blackstraw 身為資料與 AI (Azure)、數位與應用程式創新 (Azure) 以及基礎結構 (Azure) 解決方案合作夥伴的經驗，AMN Healthcare 向 Microsoft 合作夥伴尋求 AI 支援的解決方案，該解決方案將有助於簡化營運，減輕招聘人員的負擔，並實施保障措施以減少整個招聘過程中的偏見。

在 Blackstraw 與 AMN Healthcare 合作評估其目前資料架構後，他們使用 Azure Machine Learning 工作室開發了一套自動配對系統，該系統可與其現有資料來源 (包括內部部署 SQL Server 和 Azure CosmosDB) 搭配使用，具有求職者和招聘人員都可以使用的入口網站和行動應用程式，並由四個核心元件組成：

先進的多模型配對引擎，使用分類和迴歸演算法來考慮候選人的資格、完成指派工作的機率以及職缺與其工作歷史的相關性等因素。
多階段的機器學習管線，可預測關鍵結果，例如成功的資格認證和面試許可。在為個別機率分數指派特定權重後，該過程會產生一個全面的配對分數，並具有細緻和精確的優先順序。
尋找工具，可使用自然語言處理和機器學習來分析履歷和求職信，而不依賴於與人口統計特徵相關的關鍵字或語句，從而幫助減少偏見。這些工具還可以根據客觀標準 (包括技能、經驗和教育) 而不是主觀因素 (如姓名、性別和種族) 篩選候選人。 
配對可解釋性儀表板，提供對影響模型決策之因素的全面分析，從而提高透明度和信任度。

該應用程式可以即時自動擷取和處理職缺的任何變更，並從履歷中擷取資訊以將其與工作描述進行比對。「把它想像成一個約會應用程式：配對的機率是多少？這是一個不同的環境，但是概念相同。你想提高與徵人的職位配對的可能性，」Arya 如是說。

提高這種可能性需要更高的準確度和精確度，這就是 Blackstraw 定期對模型進行重新訓練並執行嚴格維護的原因。Arya 表示：「我們不僅可以偵測隨時間推移的變化，還可以使用 Azure Machine Learning 工作室來防止任何準確性缺失。」

Blackstraw 擁有 100 次成功的 Azure 實作，但在 AI 方面，他們的務實觀點是讓他們腳踏實地的原因。「我們不僅專注於可能的事情，也留意不可能的事情，我們對此非常誠實，」Arya 表示。「有一個非常關鍵的問題需要回答：你如何管理 AI 的不準確性？這個問題問得不夠多，也答得不夠多，但我們了解這一點，並確保我們解決這一點。」

Two healthcare workers speaking with others on a big screen

「人力資源公司逐漸使用 AI 來協助他們尋找空缺職位的最佳候選人，並更有效地管理整個招聘過程。」

— Mark Hagan，AMN Healthcare 資訊長

在幾分鐘內完成配對

一旦 AMN Healthcare 部署了 AI 支援的自動配對系統，在將新職缺輸入系統後，短短一分鐘就找到了配對的候選人。整體而言，由於採用了 Azure Kubernetes Service 和 Kubernetes 事件驅動架構，平均處理時間縮短到不超過 6 分鐘，這與招聘人員花在分析履歷上的時間相比有了顯著改善。

除了改進配對過程外，Blackstraw 的解決方案還使 AMN Healthcare 能夠做出資料驅動的決策並最佳化整個人員配備流程。Hagan 表示：「該解決方案為未來幾個月不同領域和專業的預期職缺量和帳單費率提供了寶貴的見解，從而有助於做出明智的決策和策略性規劃。透過提供對未來人員需求的可見性，[該解決方案] 加強了對醫護人員供應的管理，從而促進了更高效的流程，更快找到所需的臨床醫生，為患者提供護理。」

展望未來，Blackstraw 與 AMN Healthcare 計劃共同努力繼續完善該解決方案，伴隨公司一同發展。Arya 解釋說：「作為一個大型組織，AMN Healthcare 有許多不同的應用程式，這種模式可以與這些應用程式搭配運作或連接。確保它與他們使用的所有應用程式整合將是一項長期策略。」

憑藉其豐富的經驗和深厚的 Azure 專業知識，Blackstraw 建置了一個解決方案，為醫療保健人力提供者、招聘人員和醫護人員帶來了有意義的影響，但最重要的是，為需要優質護理的患者帶來了有意義的影響。

探索更多合作夥伴成功案例

探索像您這樣的組織如何使用 Microsoft 技術來協助客戶解決挑戰、推動成果，並擴展其商務規模。

瀏覽所有案例

本文件之目的僅為提供資訊。對於此摘要內容，MICROSOFT 不提供任何明示或默示之擔保。