resume intelligence

Lanjutkan Kecerdasan Pencarian

Pencarian melanjutkan menggunakan kueri alami. Aplikasi Demo Menggunakan API Rag OpenAI dan Model VLM OpenSource untuk melakukan resume analisis komparatif.
Ini akan membantu mitra bakat dan manajer teknik untuk mendapatkan informasi spesifik dari resume.

Tujuan

Tujuan dari intelijen resume adalah untuk mendukung permintaan bahasa alami pada satu set resume. Ini dapat digunakan untuk melakukan analisis komparatif resume. Katakanlah, bahwa kami memiliki 4 atau 5 resume calon insinyur perangkat lunak beberapa kueri, yang harus Anda tembak adalah

1. Apakah ada kandidat yang memiliki pengalaman manajemen tim?
2. Siapa yang memiliki lebih banyak pengalaman di Java dan Docker dalam set resume?

Generasi resume sintetis

Dalam percobaan ini, Anda perlu resume.
Alih -alih mencari data dari Internet, saya telah menggunakan Chagpt API untuk menghasilkan resume.
Saya menggunakan panggilan fungsi openai dan output respons terstruktur untuk mendapatkan output JSON.
Setelah Anda memiliki JSON, Anda dapat mengubahnya menjadi dokumen resume PDF.

   OPENAI_KEY=<substitute your key>

   # Install python packages locally.
   pip install -r requirements.txt
   python ui_gen_resume.py

Bagaimana menjalankan

Contoh ini dapat dijalankan di mesin/laptop Windows lokal. Itu tidak memiliki persyaratan khusus dalam hal GPU Anda perlu memilih 2 resume dari aplikasi UI, ketik kueri di kotak prompt.
dan tekan Kirim.
Pengguna perlu memasukkan kunci openai di file .env yang ada di root folder.
Contoh file .env

   OPENAI_KEY= <openai key>
   vector_store_resume=resume_compare
   MODEL=gpt-4o-2024-11-20
   # individual file is put into vector store if value is FALSE
   CONCAT_PDF=False
   # instruction for assistant is chosen based on this. Possible values ( individual_pdf|concat_pdf)
   INSTRUCTION_ID=individual_pdf
   # Path where generated pdf resumes are stored.
   RESUME_PATH=.\resumes

   python ui_resume_compare_multi.py

Antarmuka pengguna

Pendekatan

Di sini saya menggunakan pendekatan kain

1. RAG - Dengan Openai Openai memiliki Asisten API, yang memiliki opsi untuk menyimpan representasi vektor dokumen dan mencari yang sama. Rujuk di sini untuk pencarian file dokumentasi tentang cara menggunakan file pencarian file, saya merujuk blog dan inti Simon Wilson yang ia buat kode sampel

2. Rag - dengan OpenSource Colpali Ini adalah pendekatan menggunakan VLM. Saya berencana untuk menggunakan Byaldi yang secara internal menggunakan colpali merujuk ke notebook, yang memiliki obrolan kode sampel dengan PDF menggunakan BYALDI Saya belum mengimplementasikan ini.

Menggunakan Pencarian File OpenAi

Ini adalah pendekatan langsung. Saya menggunakan Openai API untuk membuat toko vektor dan menambahkan semua dokumen PDF ke toko vektor. Posting yang membuat asisten dan lampirkan toko vektor ke asisten

Penggabungan file - tidak diperlukan

Pencarian File OpenAI, tampaknya tidak berfungsi dengan baik dalam percobaan sebelumnya, untuk pertanyaan yang menyentuh banyak dokumen. Solusi awal tampaknya menggabungkan file dan mengunggah di toko vektor. Namun ini adalah pemahaman yang salah tentang cara menyajikan instruksi untuk memodelkan

Untuk meningkatkan respons, itu berarti bahwa, instruksi atau prompt sistem harus disesuaikan sehingga, Anda mendapatkan hasil yang benar. Ini milik saya dan saya memohon model untuk melakukan pencarian yang benar.

 You are dilligent assistant specializing in analyzing resume for technology industry . Your goal is to find the a individual resume closely matched per the requirement from user
1. ** location of resume ** - Vector store has resume of individual candidates . Name of the vector store is resume_compare .
2  ** format of resume ** - Vector store has resume of individual candidates in pdf format. Name of the pdf would be firstname followed by underscore last name . E.g Rajesh_Kumar.pdf
3  ** vector store** - Vector store resume_compare belongs to the user/owner, whose is calling the api 
4  ** role descriptions** - For job role description such as engineering manager , devops engineer , software engineer , use your knowledge based gained from pre-training. 
5  ** Resume Search Strategy** - Search across ALL documents in vector store .Consider partial matches across multiple documents .Use multiple search queries for different aspects (skills, experience, etc.) 
6  ** Search Depth ** - Perform multiple searches with varied keywords. Use both exact and semantic matching.
7  ** Result Aggregation ** - Combine result from multiple searches . Cross-reference finding across documents. 
8  ** key qualitifications ** - For finding key qualifications or experiences for role/work , use your knowledge base and pre-training. 
9  ** resume search** - For Candidates's resume and their capability ,skills , experience for a role/work , you must use file_search tool and attached vector store. Resume will always be present in vector store.
10  ** resume presence** - Resume will always present in vector store attached to assistant . Do not prompt to ask user on resume.
11  ** Dillgence ** - Please search dilligently . you seem to miss the fact that resume files are present in vectore store resume_compare.
12  ** Technical Skills** -  In the resume take a deep look at work experience section .Focus on relevant programming languages, frameworks, tools, and certifications (e.g., Python, Java, AWS, Docker). Highlight these clearly.
13.  ** Job Match** - Compare the resume with provided job descriptions. Focus on matching key technologies ,business and opetational knowledge and job experience, and note areas where the candidate doesn’t meet the requirements.
14.  ** Projects & Experience** - Prioritize large-scale projects or leadership roles in tech teams. Identify open-source contributions or significant technical achievements.