resume ranking

แอปพลิเคชันการจัดอันดับประวัติย่อ

ภาพรวม

แอปพลิเคชั่นการจัดอันดับประวัติย่อเป็นเครื่องมือจัดหางาน AI ที่ใช้ประโยชน์จากโมเดลภาษาขนาดใหญ่ (LLM) และเทคนิค NLP ขั้นสูงเพื่อประเมินวิเคราะห์และจัดอันดับตามความต้องการของงานโดยอัตโนมัติ สร้างขึ้นด้วย Fastapi, Next.js และ GPT ของ Openai นั้นให้การจับคู่ผู้สมัครที่ชาญฉลาดกับการให้คะแนนและการวิเคราะห์โดยละเอียด

วิดีโอสาธิต

คลิกที่ภาพด้านบนเพื่อดูวิดีโอสาธิตบน YouTube

สถาปัตยกรรม

สถาปัตยกรรมระบบ

เทคโนโลยีสำคัญ

• แบ็กเอนด์ : Fastapi, Flask, MongoDB
• frontend : next.js, typeScript, tailwindcss
• AI/ML : รุ่น Openai GPT, Langchain
• โครงสร้างพื้นฐาน : Docker, Nginx, การกระทำของ GitHub, AWS

คุณสมบัติ

การวิเคราะห์รายละเอียดงาน

• การแยกวิเคราะห์ JD อัจฉริยะ :
  • สกัดข้อกำหนดทักษะและคุณสมบัติที่สำคัญโดยใช้ LLM
  • โครงสร้างข้อมูลเป็นรูปแบบมาตรฐานสำหรับการจับคู่
  • รองรับหลายภาษาผ่านความสามารถในการพูดได้หลายภาษาของ GPT
  • เวลาประมวลผลเฉลี่ย: 3 วินาที

การวิเคราะห์ประวัติย่อ

• การประมวลผล CV ขั้นสูง :
  • จัดการเอกสาร PDF และ Word
  • สารสกัดและโครงสร้างข้อมูลผู้สมัครโดยใช้ LLM
  • ระบุทักษะประสบการณ์และคุณสมบัติ
  • รองรับประวัติย่อหลายภาษา
  • เวลาประมวลผลเฉลี่ย: 5-10 วินาที

การจับคู่ AI ที่ขับเคลื่อนด้วย

• อัลกอริทึมการจับคู่ที่ซับซ้อน :
  • ใช้ Langchain สำหรับการดำเนินการ LLM ที่ซับซ้อน
  • ฟังก์ชั่นการเรียกใช้สำหรับการสกัดข้อมูลที่มีโครงสร้าง
  • ความเข้าใจความหมายเกี่ยวกับข้อกำหนดของงานและคุณสมบัติของผู้สมัคร
  • การสนับสนุนความสัมพันธ์แบบหลายต่อหลายครั้ง
  • เวลาประมวลผลเฉลี่ย: 3-5 วินาที

อันดับอัจฉริยะ

• ระบบการประเมินผลที่ชาญฉลาด :
  • สร้างการวิเคราะห์การจับคู่โดยละเอียดโดยใช้แบบจำลอง GPT
  • ให้คะแนนตามเกณฑ์ที่หลากหลาย
  • เสนอข้อเสนอแนะและความคิดเห็นที่สร้างขึ้นด้วย AI
  • จัดอันดับผู้สมัครตามความพอดีโดยรวม

คุณสมบัติทางเทคนิค

• การรวม Fastapi :

  • การจัดการคำขอ async
  • เอกสาร API อัตโนมัติพร้อม Swagger UI
  • พิมพ์การตรวจสอบความถูกต้องด้วยโมเดล Pydantic

• การใช้งาน Langchain :

  • วิศวกรรมพรอมต์ที่กำหนดเอง
  • การแยกวิเคราะห์เอาต์พุตที่มีโครงสร้าง
  • โซ่แห่งการให้เหตุผลทางความคิด

• การเรียกใช้ฟังก์ชัน openai :

  • การสกัดข้อมูลที่มีโครงสร้าง
  • การจัดรูปแบบเอาต์พุตที่สอดคล้องกัน
  • ปรับปรุงการควบคุมการตอบสนอง LLM

เอกสาร

เอกสารรายละเอียดเกี่ยวกับสถาปัตยกรรมระบบจุดสิ้นสุด API และตัวเลือกการกำหนดค่ามีอยู่ในคู่มือผู้ใช้

เริ่มต้น

1. โคลนที่เก็บ :

   git clone https://github.com/vectornguyen76/resume-ranking.git

2. กำหนดค่าสภาพแวดล้อม :

   • ตั้งค่าคีย์ OpenAI API:

      # analysis_service/.env
     OPENAI_API_KEY= " your-key "

   • กำหนดค่า URL Frontend API:

      # frontend/.env.production
     NEXT_PUBLIC_API_URL=http:// < your-ip-address > /backend

3. สร้างและเรียกใช้ :

    cd resume-ranking
   docker compose build
   docker compose up

4. แอปพลิเคชันเข้าถึง :

   • frontend: http://your-ip-address

การพัฒนา

• คุณภาพรหัส :

  • Ruff สำหรับ Python Cloting
  • ESLINT สำหรับ typeScript/JavaScript
  • ตะขอล่วงหน้าสำหรับการจัดรูปแบบรหัส

• การทดสอบ :

  • การทดสอบหน่วยด้วย pytest
  • การทดสอบการรวมสำหรับจุดสิ้นสุด API
  • การทดสอบส่วนหน้าด้วยไลบรารีการทดสอบปฏิกิริยา

• CI/CD :

  • การทดสอบอัตโนมัติด้วยการกระทำของ GitHub
  • Docker Image Builds
  • การปรับใช้อัตโนมัติ

ผู้มีส่วนร่วม

• pham phu ngoc trai
• เวกเตอร์เหงียน

ใบอนุญาต

โครงการนี้ได้รับใบอนุญาตภายใต้ใบอนุญาต MIT