MemoryLake
採用 & 人事採用チームのための面接フィードバック記憶

採用チームに実際に決定を通知する面接フィードバック記憶を提供する

採用チームの面接フィードバックはスコアカード、Slackスレッド、デブリーフノート、口頭の要約に散らばっています。要約に使用されるAIツールは一部しか見ることができません。MemoryLakeは面接フィードバックを記憶として保存し、チームとAIツールが実際に採用決定を行うために使用できます。

Day 1“採用チームの面接フィードバックはスコアカード、Slackスレッド、デブリーフノート、口頭の要約に散らばっています。要約に使用されるAIツールは一部しか見ることができません。MemoryLakeは面接フィードバックを記憶と”✓ Got it, I will remember.Day 7 — new session“Same task again — can you keep the context?”× Sure — what was the context again?(forgot every detail you taught it)+ MEMORYLAKE LAYERMemory auto-loaded候補者ごとのフィードバック記憶面接官パターンのための反映記憶キャリブレーションイベント記憶SESSION OUTPUT✓ Same prompt, on-brand answerNo re-briefing required.

採用チームに実際に決定を通知する面接フィードバック記憶を提供する

無料で始める

永続無料 · クレジットカード不要

問題: 面接フィードバックが断片化し、決して蓄積されない

5人の面接官、5つのスコアカード、3つのSlackスレッド、2つのフォローアップノート。採用決定は迅速に行われ、累積フィードバックは完全には読まれません。さらに悪いことに、キャリブレーションに役立つはずの過去の採用に関するフィードバックパターンは決して戻ってきません。

MemoryLakeが面接フィードバック記憶をどのようにキャプチャするか

候補者ごとのフィードバック記憶

候補者ごとのフィードバック記憶

すべての面接官のノートが統一されます。

MEMORY面接官パターンのための…

面接官パターンのための反映記憶

各面接官のスコアリング方法。

MEMORYキャリブレーションイベント記憶

キャリブレーションイベント記憶

過去の採用の実際の結果と面接フィードバック。

ツール間の取得

ツール間の取得

ATS、スコアカード、Slackデブリーフが統一されます。

無料で始める

永続無料 · クレジットカード不要

面接フィードバック記憶の仕組み

  1. 接続 — ATSとフィードバックツールを認証します。
  2. 構造化 — 各フィードバックが型付けされた記憶になります。
  3. 再利用 — 採用決定セッションとキャリブレーションレビューが関連する記憶を取得します。

前後: 面接フィードバックAI記憶

Without MemoryLakeWith MemoryLake
Full feedback read at decisionRarelyMemory-summarized
Cross-panelist pattern detectionNoneReflection memory
Calibration against actual outcomesManualEvent memory
Audit hiring decisionLimitedMemory provenance

対象者

面接フィードバックの量が読み取り能力を超え、採用キャリブレーションが懸念されている社内採用チーム。

実行できるデモ約 2 分

このユースケースを自分のアカウントで試す

Harborline の面接官 4 人は昨年 12 人の候補者を評価し、8 人を採用、うち 7 人は入社 6 か月評価を終えています。今日の最終候補 2 人の点数を平均すると Kai が 3.75 対 3.25 で上。しかし Kai の点数はパネルで最も甘い面接官から、Lena の点数は最も厳しい面接官から出ています。各点数をつけた本人の履歴と照らし、その人の高評価がその後どうなったかまで見ると、選ぶべきは Lena です。

見られるもの

  • 面接評価シートと 6 か月評価はすべて fact add で原文のまま 1 件ずつ事実に。fact update --metadata で候補者・面接官・点数・日付を記録。面接官はそれぞれ actor
  • クイックリード:fact list --query "Kai Brennan" で評価シートは漏れなく見つかり、平均も正しい(3.75 対 3.25)。誤りは尺度:Dana の 3.5 は彼女の最高評価の一つで、Eli の 4 は彼のいつもの点数
  • fact list --actors <面接官> --projects <評価シート>,<6 か月評価> の 1 回で両スコープを読み取り。各面接官の平均と比べると Lena +0.70、Kai +0.28。Dana と Farah が平均以上をつけた採用者は 8 人中 8 人が期待以上、Eli と Gus は 7 人中 4 人。7 回の実行で同じ数字
  • キャリブレーション結果は各面接官の事実として保存。今日届いた評価(Eli と Gus が高評価した採用者が解雇)で、そのうち 2 件だけがその場で書き換わり、fact trace で新旧両方の版が見られます。ローカル Web UI 付き

必要なもの: MemoryLake の API キー · memorylake CLI · Python 3.9 以上

実行する

git clone https://github.com/memorylake-ai/memorylake-usecases.git
cd memorylake-usecases/interview-feedback-memory
export MEMORYLAKE_API_KEY=sk-…
python3 demo.py          # or: python3 web/server.py

動作を見る · 実際の録画、未編集

関連するユースケース

よくある質問

ATS統合は?

Greenhouse、Lever、Workday、カスタム — サポートされています。

キャリブレーションサポートは?

はい — 面接フィードバックを採用後の結果にリンクさせてAI駆動のキャリブレーションを行います。

無料プランはありますか?

はい — 小規模な採用チーム向けです。