5万人超の講師データから、「条件だけでは見つからない適任者」を探す。

候補者は多い。しかし、最適な人を探すのに時間がかかる。

5万人を超える登録者を保有する一方、求人ごとに教員免許、校種、科目、勤務条件、経験などを確認する作業の多くが人手に依存していました。

単純に条件で絞るだけでは、経験や希望まで含めた「より適した候補」を見つけにくく、ベテラン担当者の判断に頼る部分が大きくなっていました。

最大の障害は、アルゴリズムよりも既存データだった。

実際の登録データには、欠損、古い情報、表記ゆれ、自由記述が多く含まれていました。現在の希望条件と過去の経歴が混在し、データが存在していてもそのまま比較に使えないケースもありました。

長期間運用されてきた業務システムをすべて作り直すのではなく、既存データを活かしながら判断に使える状態へ整えることが必要でした。

必須条件を守りながら、経験や希望まで評価する。

Technicaは、自由記述や不統一な情報から必要な項目を抽出・整理し、講師と求人を比較できる状態へ変換しました。

そのうえで、教員免許、校種、科目などの必須条件と、勤務条件、経験、信頼性、付加能力、希望との適合度を分けて評価。AIに最終点数まで任せず、明確なルールと組み合わせることで、柔軟さと安定性を両立しました。

テストケースの約90%で正確な評価結果。

開発初期には、生成AIに直接点数を付けさせる方式で計算ミスや評価のばらつきが見られました。

そこで、AIは判断材料の抽出に使い、最終採点は明確なルールで行う方式へ変更。その結果、テストケースの約90%で正確な評価結果を得ることができました。

「検索」から「推薦」へ。

• 候補者選定を効率化

  数万人の登録者から条件を満たす候補を絞り込み、適合度順に提示します。

• 判断を標準化

  経験や希望のような曖昧な情報も共通の評価軸へ取り込みます。

• 既存データを活用

  大規模なシステム刷新を前提にせず、不完全なデータをAIで利用可能な状態へ変えます。

• 業務変更へ対応

  条件や評価軸が変わっても、ルールを更新しやすい構造にします。

AIマッチングの精度は、
アルゴリズムだけでは決まらない。

Technicaは、現実の業務データの不完全さを前提に、AIと明確な業務ルールを組み合わせることで、実務で使える候補者推薦を実現します。