Bu projede, işe alım süreçlerini hızlandırmak amacıyla adayların özgeçmişlerini derinlemesine analiz edebilen bir Retrieval-Augmented Generation (RAG) sistemi geliştirdim.
Projenin Özeti
İşe alım yöneticileri yüzlerce CV arasından aradıkları yetkinlikleri bulmakta zorlanabiliyor. Bu uygulama, adayın CV’sini sisteme yükledikten sonra doğrudan o CV hakkında sorular sorulmasını sağlıyor. Örneğin: “Adayın AWS ve Docker tecrübesi kaç yıl ve hangi projelerde kullanmış?” gibi sorulara saniyeler içinde doğru yanıtlar üretiyor.
Teknik Detaylar & Mimari
Uygulamanın arkasında kullanılan teknolojiler ve akış şu şekildedir:
- Arayüz: Streamlit / React (Temiz ve kullanımı kolay bir arayüz için)
- AI Framework: LangChain (LLM zincirlerini ve RAG akışını yönetmek için)
- Vektör Veritabanı: Pinecone / Chroma (Metin gömmelerini - embeddings - saklamak ve anlamsal arama yapmak için)
- LLM: OpenAI GPT-4o ve Cohere Rerank (Yanıt kalitesini maksimize etmek için)
flowchart LR
PDF[CV PDF] --> Extract[Metin Çıkarma]
Extract --> Embed[Sentence Embeddings]
Embed --> DB[(Vector DB)]
User[Kullanıcı Sorusu] --> Search[Anlamsal Arama]
DB --> Search
Search --> Prompt[Context + Prompt]
Prompt --> LLM[GPT-4o]
LLM --> Answer[Cevap]Kazanımlar ve Sonuçlar
- Aday değerlendirme sürelerinde %70 oranında zaman tasarrufu sağlandı.
- Halüsinasyon (yanlış bilgi üretme) oranı LangChain guardrails ve reranking mekanizmaları ile %2’nin altına indirildi.
- Yazılım mimarisi, büyük ölçekli kurumsal veritabanlarıyla entegre olabilecek şekilde ölçeklenebilir tasarlandı.
