eLLMo 專案

在本案例研究中，我們探討了 eLLMo 的開發，這是一種創新的人工智慧輔助聊天對話 UI，旨在增強 ZipRecruiter 用戶的求職體驗。

作為產品設計副總裁，我負責本專案的策略與產品設計，並與設計師 Yutong Feng、Jihye Woo 協作完成方案。透過跨職能合作，我們打造了一套即使使用者尚未明確目標職位，也能協助其發現合適職務的解決方案。

eLLMo已上線，快來試試： ZipRecruiter.com

ZipRecruiter 面臨一個核心問題：超過一半的訪客在進站時並沒有明確職稱。這類「空白搜尋者」在以職稱為中心的搜尋體驗與行為驅動的配對系統中，經常收到不相關的推薦。我們的任務很清楚：打造直觀的語言式配對方式，真正理解每位求職者的技能與職涯期待。

我們的目標受眾包括 18-65 歲的美國求職者，主要是 25-40 歲的專業人士，包括早期職業人士以及熟練和非熟練職位的職業轉換者，他們擁有不同的技能和偏好，但不確定具體的職位名稱。

我共同領導了一個由50多名創新者組成的充滿活力的跨職能團隊，彙集了產品營銷人員、用戶研究員、數據科學家、工程師、產品經理和兩位首席產品設計師，共同應對這一變革性挑戰。

我們收集見解的方法是全面且多方面的。我們從產品行銷團隊的定量調查開始，該調查提供了 ZipRecruiter 用戶和美國求職者的整體概況。為了加深這些發現的深度，我們的首席使用者研究員 Tianyu Koenig 進行了深入訪談，提供了豐富的定性資料。

最後，我們分析了當前的網站體驗和用戶行為，讓我們清楚地了解人們實際上如何與我們的平台互動。這種三管齊下的方法確保我們全面了解使用者的需求和痛點。

我在項目早期階段進行提示工程時創建了這些原則。下面是我在當時的GPT 4.0中探索技術邊界的OpenAI Playground截圖。

我的基礎提示長度為1,397個token，經過一週的實驗開發而成。想像LLM如何實現獨特且有用的用戶體驗對項目的成功至關重要。

我們的設計流程既系統又充滿活力。我們從既定原則開始，但很快適應。數據科學家和產品經理提供了重要的輸入，重塑了我們的初始概念。

為了測試我們的想法，我們構建了一個沙盒版本。真實用戶與之互動，提供了寶貴的反饋。這導致了在沙盒中進行多輪用戶深度訪談和進一步改進。

透過迭代式設計，我們完成了多項關鍵優化：將提問改為選擇題並限制在 5 題內，明顯降低使用者負擔；新增「介紹一下你自己」提示，提升個人化程度；把偏好設定整合進對話流程，讓客製更順暢；並全面打磨文案以提升理解效率。這些調整的目標是，在確保資訊蒐集品質的同時尊重使用者時間，提供更快、更有參與感且更個人化的體驗。

設計最終確定後，我們與開發團隊緊密合作，確保精確實施。每個細節都被仔細地從設計轉換為代碼。新版本準備就緒後，我們啟動了A/B測試與原版進行比較。

eLLMo的推出帶來了顯著變化。用戶滿意度飆升，96%對職位推薦感到滿意，82%讚揚了創新方法。

參與度激增。首次職位點擊翻了一番多，註冊完成率從82%上升到89%。

儘管增加了步驟，但用戶報告說摩擦更少，個性化更好，導航更容易。 eLLMo 不僅改進了我們的平台，也改進了我們的平台。它修復了空白的求職體驗。

將法學碩士技術整合到我們的產品中最初遇到了來自領導層的阻力。為了克服這個問題，我採取了三管齊下的方法。首先，我使用 OpenAI 的 Playground 來即時示範技術的功能。然後，我提出了潛在用戶利益的清晰願景。最後，我與我們的設計團隊合作，為 AI 互動創建了直覺的 UI。這種實用演示、以用戶為中心的願景和時尚設計的結合最終贏得了首席技術官和首席營運官的青睞，為法學碩士的採用鋪平了道路。