داده‌های ساختاریافتهٔ شغلی؛ توهمی که عامل‌های هوش مصنوعی را به خطا می‌اندازد

تصور کنید یک عامل هوش مصنوعی را برای یافتن بهترین پیشنهاد شغلی استخدام کرده‌اید، اما او بر اساس اعداد دروغینی تصمیم می‌گیرد که فقط برای جذب چشم انسان‌ها نوشته شده‌اند. طبق گزارش منتشر شده در ۱۶ اکتبر ۲۰۲۶، توسعه‌دهنده‌ی یک ابزار جست‌وجوی شغلی فاش کرد که تکیه بر داده‌های ساختاریافتهٔ حقوق، منجر به خطاهای سیستماتیک در تصمیم‌گیری‌های عامل‌محور می‌شود.

بسیاری از تخته‌های شغلی یک ساختار JSON تمیز ارائه می‌دهند، اما محتوای درون آن‌ها هرج‌ومرج است. در واقع، این داده‌ها شبیه به یک کاتالوگ تبلیغاتی هستند که اعدادش با واقعیت همخوانی ندارد. برای مثال، یک عامل ممکن است یک موقعیت شغلی واحد را در سه آگهی مختلف با سه بازه‌ی حقوقی متفاوت ببیند. این شکاف میان ساختار (Schema) و واقعیت، فیلترهای استاندارد را برای عامل‌های هوش مصنوعی (AI Agents) — سیستم‌هایی که می‌توانند به‌طور مستقل هدف را تحلیل و اجرا کنند — بی‌فایده می‌کند.

همان‌طور که در بحث‌های گذشته‌ی ما درباره‌ی امنیت و قابلیت اطمینان مدل‌های زبانی اشاره کردیم، تکیه بر داده‌های ورودی بدون لایه‌ی اعتبارسنجی، ریسک توهم را افزایش می‌دهد. برای حل این مشکل، این توسعه‌دهنده یک لایه‌ی نرمال‌سازی پیاده کرد که حقوق را به‌جای یک عدد ثابت، به عنوان یک «توزیع احتمالی» می‌بیند. اقدامات فنی کلیدی شامل موارد زیر بود:

• خوشه‌بندی (Clustering): گروه‌بندی نقش‌ها بر اساس عنوان، شرکت و مکان برای حذف آگهی‌های تکراری.
• نرمال‌سازی ارز: تبدیل فرمت‌های متنوع مثل «£60k» و «€60.000» به یک رقم سالانه واحد.
• استخراج از توصیفات: استفاده از یک پردازش سبک برای بیرون کشیدن اعداد واقعی از جملاتی مثل «حقوق تا ۹۵ هزار یورو»، و علامت‌گذاری آن‌ها به عنوان تخمینی.

بر اساس بررسی‌های این توسعه‌دهنده، حدود ۳۰٪ از آگهی‌ها در فیلدهایی که باید عدد باشد، عباراتی مثل «رقابتی» (Competitive) را نوشته بودند. حذف این ردیف‌ها به معنای از دست دادن یک‌سوم داده‌های بازار بود. اکنون این API علاوه بر فیلدهای خام، یک «شاخص اطمینان» و یادداشت منبع را نیز برمی‌گرداند.

این تغییر ثابت می‌کند که برای عامل‌های هوش مصنوعی، ساختار داده محصول نیست، بلکه «تفسیر» محصول است. وقتی عامل‌ها بر اساس داده‌های استخراج‌شده تصمیم می‌گیرند، ارزش واقعی از ساختار API به لایه‌ی نرمال‌سازی منتقل می‌شود که می‌تواند «شلوغی» ورودی‌های انسانی را مدیریت کند.

گام بعدی شما

• اگر در حال ساخت عامل‌های داده‌محور هستید، لایه‌ی تفسیر (Interpretation Layer) را به لایه‌ی دریافت داده اولویت دهید.
• برای مشاهده‌ی عملکرد عملی آگهی‌های نرمال‌شده و حذف تکراری‌ها، ابزار x402.freeq.one/tools/jobs.html را بررسی کنید.
• در طراحی دیتابیس‌های خود، برای داده‌های حساس (مثل قیمت یا حقوق)، فیلد «میزان اطمینان» (Confidence Score) را اضافه کنید.

اما چالش استخراج داده‌ها تنها نیمی از مسیر است؛ اثر این نویزهای داده‌ای بر دقت استنتاج مدل‌های استدلالی را در گزارش بعدی بررسی خواهیم کرد.