Hiring Requirement

Bei der Einrichtung eines Einstellungsverfahrens in großem Maßstab ist es wichtig, sich darauf zu konzentrieren, erfahrene Ingenieure und Talente einzustellen, die das Gesamt-Know-how des Unternehmens verbessern oder fehlende Fähigkeiten ausgleichen können. Das wettbewerbsintensive Einstellungsumfeld macht es schwierig, qualifizierte Kandidaten zu finden, da es möglicherweise nur eine begrenzte Anzahl von Personen gibt, die die Kriterien erfüllen, da viele Unternehmen um denselben Talentpool konkurrieren. Es ist von entscheidender Bedeutung, die Einstellungspipeline wie eine Vertriebspipeline zu behandeln und ihre "Temperatur" kontinuierlich zu messen, um die Effizienz und den Erfolg der Einstellungsbemühungen sicherzustellen. Ohne ständige Überwachung kann es zu Zeitverschwendung und Ineffizienzen innerhalb des Rekrutierungsteams kommen. Der Erfolg bei der Einstellung von Mitarbeitern in großem Umfang hängt von der Fähigkeit des Teams ab, Schlüsselpositionen zeitnah zu besetzen und Engpässe im Einstellungsprozess zu identifizieren und zu beseitigen, um die Abläufe zu optimieren. Das Experimentieren mit verschiedenen Stellenbeschreibungen für dieselbe Funktion über verschiedene Kanäle kann dabei helfen, herauszufinden, welcher Ansatz mehr hochwertige Kandidaten in die Pipeline bringt. Dies erfordert jedoch einen zusätzlichen Aufwand für das Einstellungsteam, das möglicherweise bereits überlastet ist. Die Festlegung von Höchstfristen für die Kandidaten, die jede Phase des Einstellungsprozesses durchlaufen müssen, sowie die Verfolgung der Einstellungen pro Woche können dazu beitragen, ein gleichmäßiges Tempo beizubehalten und eine klarere Prognose für den künftigen Einstellungsbedarf zu erstellen. Um einen Geschäftsplan zu unterstützen und effektiv Einstellungen in großem Umfang vorzunehmen, ist es unerlässlich, ein gut definiertes System für die berufliche Entwicklung zu haben, um die Kandidaten während des Einstellungsprozesses zu bewerten. Dies ermöglicht eine objektivere Bewertung potenzieller Neueinstellungen und trägt dazu bei, dass die richtigen Personen an Bord geholt werden, um die Anforderungen des Unternehmens zu erfüllen. Durch eine ausgewogene Verteilung der Einstellungsbemühungen und die Beibehaltung einer gleichmäßigen Anzahl von Einstellungen pro Woche kann das Team den Einstellungsprozess besser steuern und den künftigen Einstellungsbedarf planen. Letztlich können Unternehmen durch die kontinuierliche Messung und Verbesserung der Geschwindigkeit und Effizienz der Einstellungspipeline ihre Erfolgschancen beim Aufbau eines starken und talentierten Teams erhöhen.

Die Hauptaufgabe des Projekts "Aufbau einer datengesteuerten Einstellungsmaschine" besteht darin, einen datengesteuerten Einstellungsprozess zu etablieren, um erfahrene Ingenieure und Talente zu rekrutieren, das Gesamt-Know-how des Unternehmens zu verbessern und fehlende Fähigkeiten auszugleichen, um die Effizienz und den Erfolg der Einstellungsbemühungen zu gewährleisten.

• Einführung eines datengesteuerten Einstellungsverfahrens für erfahrene Ingenieure und Talente.
• Verbessern Sie die Gesamtkompetenz des Unternehmens und gleichen Sie fehlende Fähigkeiten aus.
• Kontinuierliche Messung der "Temperatur" der Einstellungspipeline.
• Identifizierung und Beseitigung von Engpässen im Einstellungsprozess zur Optimierung der Arbeitsabläufe.
• Experimentieren Sie mit verschiedenen Stellenbeschreibungen für dieselbe Funktion auf verschiedenen Kanälen.
• Setzen Sie Fristen für Kandidaten, die jede Phase des Einstellungsprozesses durchlaufen.
• Verfolgen Sie die Einstellungen pro Woche, um ein gleichmäßiges Tempo und eine klare Prognose für den künftigen Einstellungsbedarf aufrechtzuerhalten.
• Implementieren Sie ein gut definiertes System für die Karriereentwicklung, um die Kandidaten während des Einstellungsprozesses zu bewerten.
• Sicherstellung einer ausgewogenen Verteilung der Einstellungsbemühungen und Aufrechterhaltung einer konstanten Anzahl von Einstellungen pro Woche.
• Kontinuierliche Messung und Verbesserung der Geschwindigkeit und Effizienz der Einstellungspipeline.

Es besteht der Bedarf an einem Gründungsingenieur mit Erfahrung in Ethereum und intelligenten Verträgen für ein Startup-Unternehmen erörtert. Das Unternehmen sucht jemanden mit soliden Informatikgrundlagen und Problemlösungsfähigkeiten sowie Kenntnissen in Ethereum, intelligenten Verträgen, Solidity, Golang und anderen Programmiersprachen. Wenn jedoch ein Junior-Recruiter die Stelle ausschreibt, ist es für ihn eine Herausforderung, die spezifischen Anforderungen zu ermitteln und geeignete Kandidaten zu finden. Dies erfordert oft das Eingreifen eines Personalleiters oder eines erfahrenen Entwicklers, der die Stellenausschreibung vor verarbeitet und die notwendigen Details bereitstellt, damit der Junior-Recruiter die Lebenslaufdatenbank des Unternehmens effektiv durchsuchen kann. Um dieses Problem zu lösen, plant das Unternehmen die Einführung einer KI-basierten Einstellungsplattform, die eine semantische Suche nutzt. Die semantische Suche zielt darauf ab, die Suchgenauigkeit zu verbessern, indem sie die Absicht des Suchenden und die kontextuelle Bedeutung von Begriffen innerhalb des durchsuchbaren Datenraums versteht. In diesem Fall besteht das Ziel darin, die Absicht oder Bedeutung der Stellenausschreibung zu erfassen und sie mit relevanten Lebensläufen aus der Lebenslaufdatenbank des Unternehmens abzugleichen. Vor dem Abgleich der Stellenausschreibung mit den Lebensläufen muss das Unternehmen zunächst die kontextuelle Bedeutung aller Lebensläufe erfassen und sie in einem geeigneten Speicherformat für spätere Abfragen speichern. Um die kontextuelle Bedeutung der Lebensläufe zu extrahieren, plant das Unternehmen den Einsatz der HuggingFace Transformers-Bibliothek, die für ihre Fähigkeiten in der natürlichen Sprachverarbeitung (NLP) bekannt ist. Die Bibliothek wird verwendet, um Einbettungsvektoren zu generieren, bei denen es sich um mehrdimensionale Float-Vektoren handelt, die die kontextuelle Bedeutung von Sätzen, Wörtern oder Absätzen darstellen. Diese Vektoren können Hunderte bis Tausende von Dimensionen umfassen und werden verwendet, um den Abgleich zwischen der Stellenanzeige und den Lebensläufen in der Datenbank zu erleichtern.

Technologien:

• Delphi und Microfocus -Cobol.

• Überprüfung einer OPC AU Redis Influx.
• Erstellen einer Ist-Analyse hinsichtlich der Anforderung der Datenspeicherung, Datenverarbeitung, Datenstrom und Dateiformat für die Anwendungsfälle IQ-Kontrolle, Service-Info, Fertigungsdaten und Achs-Monitoring Technologie.
• Beratung des Unternehmens hinsichtlich passender Datenbanken für jeden Anwendungsfall.
• Effizienzsteigerung durch Abgabe einer erfolgreichen Handlungsempfehlung für das Unternehmen.
• Kafka IoT Streaming.
• Daten in Azure Data Factory für Auswertungen.

Hauptaufgabe des Projekts war die Analyse und Optimierung von Datenspeicherung, -verarbeitung und -streaming für verschiedene Anwendungsfälle sowie die Beratung zu geeigneten Datenbanken und damit die Steigerung der Effizienz. Dies wurde mit Hilfe von IoT-Streaming und Azure Data Factory für Auswertungen erreicht.

Verantwortlichkeiten:

• Analysierte und optimierte die Datenspeicherung, -verarbeitung und das Streaming für verschiedene Anwendungsfälle.
• Beratung zu geeigneten Datenbanken, um die Effizienz zu steigern.
• Nutzte IoT-Streaming und Azure Data Factory für Auswertungen.
• Überprüfte OPC AU Redis Influx.
• Erstellte eine Analyse der Anforderungen an Datenspeicherung, Datenverarbeitung, Daten-Streaming und Dateiformate für die Anwendungsfälle IQ-Control, Service Info, Fertigungsdaten und Achsenüberwachungstechnologie.
• Beratung des Unternehmens über geeignete Datenbanken für jeden Anwendungsfall.
• Verbesserte die Effizienz durch die Bereitstellung erfolgreicher Empfehlungen für das Unternehmen.
• Implementierung von Kafka IoT Streaming.
• Verwaltete Daten in Azure Data Factory für Auswertungen.

Technologien:

• Kafka Docker
• Cassandra Data-Stax
• Python Sript
• Graph und Spark
• Ansible
• Grafana
• Prometheus
• Azure Data Factory

• Bewertung und Vorhersage von Mietinteressenten vor der Vergabe von Mietverträgen.
• Erstellung von statistischen Aussagen mittels klassischem Clustering.
• Aufbereitung und Verwendung von Daten der Mieter zur Entwicklung von Vorhersagen mit Random Forest.
• Reporting mit Hilfe von Power BI.
• Visualisierung mit Hilfe von Bekeh und Dash.
• Aufbau Power BI und Tableau als Lead BI.
• Migration der Applikation auf GCP Plattform.
• Aufbau eines Delta Lakehouse.
• Die meisten Daten sind unstrukturiert.
• Unterhaltsdaten sind RDB, Skalieren und Steuern mit Kubernetes.

Weitere Details:

• Erfolgreiche Reduzierung der Mieterfluktuation durch verbessertes Clustering.
• Einsatz von Hana Community als DB.
• Kafka für die Kommunikation.
• Data Factory für Weiterverarbeitung.
• Zusätzliche Delta Lakehouse als Persistent Daten Haltung.

Verantwortlichkeiten:

• Evaluate potential tenants before rental contract allocation.
• Create statistical predictions using classic clustering.
• Prepare and utilize tenant data to develop predictions with Random Forest.
• Report utilizing Power BI.
• Visualize data with Bekeh and Dash.
• Develop Power BI and Tableau as Lead BI.
• Migrate application to GCP platform.
• Build a Delta Lakehouse.
• Analyze mostly unstructured data.
• Maintain RDB data.
• Scale and control with Kubernetes.

Technologien:

• Kafka
• Python
• Databricks Data-Stax
• Basis Openstack
• OpenCV und OpenAI
• py- Torch
• Tensorflow
• Keras
• Pandas
• Numpy
• Tableau
• Microsoft Power BI
• Data Factory

• Entwicklung einer Kommunalverwaltungssoftware mit Microfocus -Cobol SybaseDB ASE, SUSE linux.
• Projekt öffentliche Verwaltung Migration zOS to Asure 2022.
• Zur Verlagerung von Lösungen von einem Mainframe zu Azure soll eine stufenweise Migration beinhalten.
• Wir verschoben zunächst einige Anwendungen, während andere vorübergehend oder dauerhaft auf dem Mainframe verbleiben.
• Dieser Ansatz erfordert in der Regel Systeme, die die Interoperabilität von Anwendungen und Datenbanken zwischen dem Mainframe und Azure ermöglichen.
• Glücklicherweise gabt es eine breite Palette von Lösungen, die eine Integration zwischen Azure und bestehenden Mainframe-Umgebungen.

Die Hauptaufgabe des Projekts war die Entwicklung einer kommunalen Verwaltungssoftware unter Verwendung von Microfocus-Cobol SybaseDB ASE und SUSE Linux sowie die schrittweise Migration von Lösungen von einem Mainframe zu Azure, wobei die Interoperabilität von Anwendungen und Datenbanken zwischen dem Mainframe und Azure sichergestellt werden sollte.

Verantwortlichkeiten:

• Entwicklung kommunaler Verwaltungssoftware mit Microfocus-Cobol, SybaseDB ASE und SUSE Linux.
• Leitung des Projekts der öffentlichen Verwaltung für die Migration von zOS zu Azure im Jahr 2022.
• Implementierung einer schrittweisen Migration zur Verlagerung von Lösungen von einem Mainframe zu Azure.
• Sicherstellen, dass bestimmte Anwendungen vorübergehend oder dauerhaft auf dem Mainframe verbleiben.
• Einrichtung von Systemen zur Gewährleistung der Interoperabilität von Anwendungen und Datenbanken zwischen dem Mainframe und Azure.
• Nutzen Sie eine Reihe von Lösungen für die Integration zwischen Azure und bestehenden Mainframe-Umgebungen.
• Erfüllen von Rollen als Entwickler, Architekt und Projektleiter.
• Nutzen Sie Ihre Kenntnisse in Delphi und Microfocus-Cobol.

Technologien:

• Delphi und Microfocus -Cobol