Projet eLLMo
Comprendre les préférences et qualifications professionnelles des utilisateurs via le langage naturel en utilisant des LLM de pointe.
Resume
Dans cette etude de cas, nous explorons le developpement d'eLLMo.
En tant que VP of Product Design, j'ai dirige la strategie et le design produit pour ce projet.
eLLMo est en ligne ; essayez-le sur ZipRecruiter.com
Domaine du probleme
ZipRecruiter faisait face a un defi : plus de la moitie de nos visiteurs arrivaient sans titre de poste specifique en tete.
Les utilisateurs
Notre public cible comprenait des chercheurs d'emploi americains ages de 18 a 65 ans.
Le processus
Collaboration interfonctionnelle
J'ai co-dirige une equipe interfonctionnelle dynamique de plus de 50 innovateurs, reunissant des responsables marketing produit, des chercheurs utilisateurs, des data scientists, des ingenieurs, des chefs de produit et deux designers produit principaux.
L'equipe de reve
Blake Crosley
VP of Product Design
Yutong Feng
Product Designer
Jihye Woo
Senior Product Designer
Les product designers sur ce projet etaient Jihye et Yutong.
Mon role etait de co-diriger le projet avec Nishok Chetty.
Recherche utilisateur et insights
Notre approche pour recueillir des insights etait complete et multidimensionnelle.
Enfin, nous avons analyse l'experience actuelle du site et le comportement des utilisateurs.
Principes d'experience
- Questions adaptatives basees sur les entrees utilisateur
- Integration avec les donnees de preferences existantes
- Confirmation systeme pour les resultats a faible confiance
- Flexibilite pour gerer une qualite de donnees variable
- Questions et reponses structurees du LLM
- Score de confiance pour les recommandations de titres
- Explicabilite des recommandations
- Reactivite aux commentaires utilisateurs
Methodologie des principes
J'ai cree ces principes en faisant de l'ingenierie de prompts dans les premieres phases du projet.
Mon prompt de base faisait 1 397 tokens et a ete developpe sur une semaine d'experimentation.
Design iteratif
Notre processus de design etait methodique mais dynamique. Nous avons commence avec des principes etablis, mais nous nous sommes rapidement adaptes.
Pour tester nos idees, nous avons construit une version sandbox. De vrais utilisateurs ont interagi avec elle, offrant des retours precieux.
Notre processus de design iteratif a conduit a plusieurs ameliorations cles.
Implementation et tests
Apres avoir finalise le design, nous avons travaille en etroite collaboration avec notre equipe de developpement pour assurer une implementation precise.
La solution : eLLMo
eLLMo est un systeme de matching innovant qui utilise des modeles de langage avances.
A son coeur, eLLMo exploite l'intelligence artificielle pour analyser les entrees utilisateur.
Les fonctionnalites cles d'eLLMo incluent :
- Une interface de chat alimentee par l'IA qui semble naturelle et intuitive
- Des questions adaptatives qui s'ajustent en fonction des reponses utilisateur
- Integration transparente avec les donnees de preferences structurees existantes
- Un systeme de score de confiance pour les recommandations de titres
Resultats et impact
Le lancement d'eLLMo a apporte des changements remarquables. La satisfaction utilisateur a explose.
L'engagement a monte en fleche - les premiers clics sur les offres ont plus que double.
Malgre des etapes supplementaires, les utilisateurs ont signale moins de friction, une meilleure personnalisation et une navigation plus facile.
La perseverance a paye
L'integration de la technologie LLM dans notre produit a d'abord rencontre une resistance de la direction.
Montrer l'exemple
En conclusion, en tant que co-responsable du Project eLLMo, j'ai dirige notre premiere incursion dans le design produit base sur les LLM.
Nous avons cree une experience utilisateur unique et pratique qui a considerablement ameliore la plateforme de ZipRecruiter.
