Автоматично съпоставяне на проекти за независим консултант

Предизвикателството

Редовната проверка на платформа за проекти и ръчният преглед изискваха усилия. Ключовите думи имаха ограничена точност при различни немски и английски обозначения на еквивалентни умения. Няколко автобиографии с различни специализации допълнително усложняваха оценката. Изискванията включваха множество профили, двата езика, местоположение, дистанционна работа, договорен тип, избягване на повторни известия и запазване на автобиографиите извън външни ИИ услуги.

Нашият принос

Беше разработен Python агент за проверка на публични обяви по конфигурируем график с интервал по подразбиране 30 минути.

• Извличане на текст от PDF и DOCX автобиографии и разделяне на по-малки части. Локален многоезичен embedding модел сравнява семантично описанията на проекти с профилите.
• Оценка за релевантност и избор на най-подходящата автобиография за всеки проект. Общи термини и умения служат като допълнителни основания в известието.
• Твърди филтри преди семантичния анализ: държава, минимален процент дистанционна работа, тип договор, задължителни/изключени думи, изключени компании и проекти от крайни клиенти. Регулируем праг определя широтата на подбора.
• Групиране на подходящите проекти в SMTP обобщения с връзки, оценки, най-подходяща автобиография и подкрепящи термини, в HTML и обикновен текст.
• SQLite записва обработените проекти и статуса на известията. При неуспешно изпращане проектите остават в очакване на следващ опит.
• Пакетиране с Docker Compose за постоянно работещ сървър. Обработката на автобиографии и изчисляването на embeddings са локални; постоянни томове пазят базата и изтегления модел.

Технически подход

След събиране на публични страници се прилагат твърди филтри и локално семантично оценяване спрямо части от автобиографиите. SQLite следи обработката и известията, а SMTP изпраща обобщения. Консултантът отговаря за прегледа и решението за кандидатстване.

Техническа реализация

Проверки и констатации

Реализацията беше проверена чрез 15 автоматизирани теста, проверки на парсването на живо за двата пазарни региона и успешно изпълнение на многоезичния embedding модел. Създаването на Python пакет също беше проверено.

Тестовете на живо разкриха непълно извличане на метаданни и различни обозначения на договорите, пропуснати от опростените тестови данни. Парсерът беше адаптиран към структурирани проектни данни, вградени в публичните страници.

Последваща оперативна проверка показа, че липсваща конфигурация, автобиографии или неработещ контейнер спират известията независимо от качеството на съпоставяне. Беше документиран директен SMTP тест за отделяне на проблеми с доставката от тези с оценяването и графика.

Ограничения и изводи

• Събирането от публични страници изисква поддръжка: структурата и метаданните могат да се променят.
• Праговете изискват калибриране: семантичната близост е сигнал за релевантност, не гаранция за пригодност.
• Покритието зависи от честотата: проверява се само най-новата страница във всеки пазар. Много публикации или продължителен престой могат да доведат до пропуски.
• Оперативните тестове са важни: проверка на конфигурацията, SMTP тест и пробно оценяване позволяват независима диагностика.
• Локалният ИИ подкрепя контрола над данните: съдържанието на автобиографиите не се изпраща до облачен ИИ доставчик за съпоставянето.

Идентифициращи клиентски данни, съдържание на автобиографии, инфраструктурни детайли и имейл адреси са пропуснати.

Демонстрирани компетенции

Python · SQLite · SMTP · Docker Compose · PDF · DOCX

Локален ИИ · Многоезично семантично съпоставяне · Обработка на документи · Автоматизация · Самостоятелен хостинг · Имейл доставка · Оперативна диагностика

Свързани решения

• Частен ИИ и RAG за регулирани среди
• ИИ в експлоатация и технически контроли