Automatyczne dopasowanie projektów dla niezależnego konsultanta

Wyzwanie

Regularne sprawdzanie platformy i ręczna ocena opisów wymagały pracy. Wyszukiwanie słów kluczowych miało ograniczoną precyzję, gdy równoważne umiejętności opisywano inaczej po niemiecku i angielsku. Kilka CV podkreślających różne specjalizacje zwiększało nakład pracy. Wymagania obejmowały wiele profili, oba języki, lokalizację, pracę zdalną, typ umowy, brak powtarzających się alertów i niewysyłanie CV do zewnętrznych usług AI.

Nasz wkład

Zbudowano agenta w Pythonie sprawdzającego publiczne oferty według konfigurowalnego harmonogramu, domyślnie co 30 minut.

• Ekstrakcja tekstu z CV w PDF i DOCX oraz podział na mniejsze fragmenty. Lokalny wielojęzyczny model embeddingowy porównuje semantycznie opisy projektów z treścią CV.
• Nadanie oceny trafności i wskazanie najlepiej dopasowanego CV dla każdego projektu. Wspólne terminy i umiejętności stanowią dodatkowe uzasadnienie w powiadomieniu.
• Twarde filtry przed dopasowaniem semantycznym: kraj, minimalny udział pracy zdalnej, typ umowy, wymagane/wykluczone słowa, wykluczone firmy i projekty od klientów końcowych. Regulowany próg określa szerokość selekcji.
• Grupowanie odpowiednich ofert w zestawienia SMTP z linkami, ocenami, najlepiej dopasowanym CV i wspólnymi terminami, w HTML i zwykłym tekście.
• SQLite zapisuje przetworzone projekty i status powiadomień. Po błędzie dostarczenia pasujące projekty pozostają oczekujące na kolejną próbę.
• Pakiet Docker Compose do wdrożenia na stale działającym serwerze. Przetwarzanie CV i obliczanie embeddingów odbywa się lokalnie; trwałe wolumeny przechowują stan bazy i pobrany model.

Podejście techniczne

Po pobraniu publicznych stron następuje filtrowanie i lokalna ocena semantyczna względem fragmentów CV. SQLite śledzi przetwarzanie i powiadomienia, a SMTP dostarcza zbiorcze wiadomości. Konsultant odpowiada za ocenę ofert i decyzję o aplikowaniu.

Realizacja techniczna

Weryfikacja i ustalenia

Implementację sprawdzono za pomocą 15 testów automatycznych, parsowania na żywo dla obu regionów platformy i udanego uruchomienia modelu wielojęzycznego. Zweryfikowano też tworzenie pakietu Python.

Testy na żywo wykryły niepełne pobieranie metadanych i różnice w oznaczeniach umów, których nie ujawniły uproszczone dane testowe. Parser dostosowano do ustrukturyzowanych danych projektowych osadzonych w publicznych stronach.

Późniejsza kontrola operacyjna pokazała, że brak konfiguracji, plików CV lub działającego kontenera uniemożliwia powiadomienia niezależnie od jakości dopasowania. Udokumentowano bezpośredni test SMTP, aby odróżniać problemy dostarczenia od dopasowania i harmonogramu.

Ograniczenia i wnioski

• Pobieranie publicznych stron wymaga utrzymania: struktura i metadane platformy mogą się zmieniać.
• Progi wymagają kalibracji: podobieństwo semantyczne sygnalizuje trafność, lecz nie gwarantuje odpowiedniości.
• Pokrycie zależy od częstotliwości: sprawdzana jest tylko najnowsza strona ofert w każdym rynku. Duży wolumen publikacji lub długi przestój mogą powodować pominięcia.
• Testy operacyjne są ważne: walidacja konfiguracji, test SMTP i próbna ocena pozwalają diagnozować problemy oddzielnie.
• Lokalna AI wspiera kontrolę danych: treść CV nie trafia do chmurowego dostawcy AI podczas dopasowania semantycznego.

Pominięto informacje identyfikujące klienta, treść CV, szczegóły infrastruktury i adresy e-mail.

Wykazane kompetencje

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

Lokalna AI · Wielojęzyczne dopasowanie semantyczne · Przetwarzanie dokumentów · Automatyzacja · Własny hosting · Dostarczanie e-mail · Diagnostyka operacyjna

Powiązane rozwiązania

• Prywatna AI i RAG dla środowisk regulowanych
• Produkcyjna AI i kontrola jakości