Loading...
Publication
AI-driven information retrieval system for candidate screening
| Name: | Description: | Size: | Format: | |
|---|---|---|---|---|
| 4.57 MB | Adobe PDF |
Authors
Advisor(s)
Abstract(s)
Efficient screening and evaluation in the recruitment process are tasks that demand
substantial time and effort from Human Resources professionals. These processes often suffer
from long waiting periods, inconsistent candidate evaluation, and the potential to overlook
qualified candidates.
In this context, leveraging state-of-the-art natural language processing architectures,
specifically large language models (LLMs), holds significant promise. LLMs can generate
evaluations using advanced prompt techniques to improve the accuracy and reliability of the
output.
This thesis researches the feasibility of employing 7 billion parameter LLMs in candidate
screening to reduce response times, decrease workload, and improve evaluation consistency.
The study involves a comparative analysis of various state-of-the-art large language models to
identify those most suitable for this application. Additionally, it examines different prompt
engineering techniques to optimize the performance of these models.
A comprehensive analysis of the results is conducted to determine the most effective
combinations of LLMs and prompt engineering techniques. This includes a two-way validation
process, utilizing both the state-of-the-art GPT-4 model and manual human resources
validation, to ensure the robustness and reliability of the findings.
The outcomes of this thesis aim to enhance the quality of candidate screening by integrating
LLMs into the process. Furthermore, this work aspires to provide valuable insights into the
capabilities of 7 billion parameter large language models in the field of human resources and
their application in real-world scenarios.
A seleção e avaliação eficiente no processo de recrutamento são tarefas críticas que exigem um esforço e tempo substanciais dos profissionais de Recursos Humanos. Estes processos frequentemente sofrem de longos períodos de espera, avaliações inconsistentes dos candidatos e a potencialidade de se ignorarem candidatos qualificados. Neste contexto, a utilização de arquiteturas revolucionárias em processamento de linguagem natural, especificamente “Large Language Models” (LLMs), apresenta um potencial significativo. Os LLMs podem gerar avaliações ao utilizar técnicas avançadas de "prompting" para aumentar a precisão e a fiabilidade dos resultados. Esta tese explora a viabilidade de empregar LLMs com 7 mil milhões de parâmetros na seleção de candidatos para reduzir os tempos de resposta, diminuir a carga de trabalho e melhorar a consistência das avaliações. O estudo envolve uma análise comparativa de vários modelos de linguagem inovadores para identificar os mais adequados para esta aplicação. Adicionalmente, examina diferentes técnicas de engenharia de "prompts" para otimizar o desempenho destes modelos. É realizada uma análise abrangente dos resultados para determinar as combinações mais eficazes de LLMs e técnicas de engenharia de "prompts". Isto inclui um processo de validação em duas etapas, utilizando tanto o modelo GPT-4 como a validação manual de recursos humanos, para assegurar a robustez e fiabilidade das descobertas. Os resultados desta tese visam melhorar a qualidade da triagem de candidatos ao integrar LLMs no processo. Paralelamente, este trabalho aspira fornecer conhecimento sobre as capacidades dos modelos de linguagem com 7 mil milhões de parâmetros no domínio dos recursos humanos e a sua aplicação em cenários reais.
A seleção e avaliação eficiente no processo de recrutamento são tarefas críticas que exigem um esforço e tempo substanciais dos profissionais de Recursos Humanos. Estes processos frequentemente sofrem de longos períodos de espera, avaliações inconsistentes dos candidatos e a potencialidade de se ignorarem candidatos qualificados. Neste contexto, a utilização de arquiteturas revolucionárias em processamento de linguagem natural, especificamente “Large Language Models” (LLMs), apresenta um potencial significativo. Os LLMs podem gerar avaliações ao utilizar técnicas avançadas de "prompting" para aumentar a precisão e a fiabilidade dos resultados. Esta tese explora a viabilidade de empregar LLMs com 7 mil milhões de parâmetros na seleção de candidatos para reduzir os tempos de resposta, diminuir a carga de trabalho e melhorar a consistência das avaliações. O estudo envolve uma análise comparativa de vários modelos de linguagem inovadores para identificar os mais adequados para esta aplicação. Adicionalmente, examina diferentes técnicas de engenharia de "prompts" para otimizar o desempenho destes modelos. É realizada uma análise abrangente dos resultados para determinar as combinações mais eficazes de LLMs e técnicas de engenharia de "prompts". Isto inclui um processo de validação em duas etapas, utilizando tanto o modelo GPT-4 como a validação manual de recursos humanos, para assegurar a robustez e fiabilidade das descobertas. Os resultados desta tese visam melhorar a qualidade da triagem de candidatos ao integrar LLMs no processo. Paralelamente, este trabalho aspira fornecer conhecimento sobre as capacidades dos modelos de linguagem com 7 mil milhões de parâmetros no domínio dos recursos humanos e a sua aplicação em cenários reais.
Description
Keywords
Candidate screening Artificial intelligence Large language models Prompt engineering Human resources Recursos humanos Seleção de candidatos Inteligência artificial Engenharia de “prompts”