LLM-Powered Job Matching: การสร้าง Lead Scoring Pipeline
Keyword filtering นั้นเร็ว ราคาถูก และผิดในแบบที่สำคัญ เมื่อ recruiter กำหนด "ประสบการณ์ React ห้าปี" ระบบ keyword อ่านตัวเลขนั้น LLM สามารถเข้าใจว่า "Vue ห้าปีและโปรเจค React side บางส่วน" เป็นคำตอบที่ดีกว่า "React ห้าปีในบทบาทที่ไม่เกี่ยวข้องกับ frontend"
สิ่งที่ Pipeline แก้ไข
ปัญหา: ATS (Applicant Tracking System) ที่มีอยู่ filter ด้วย keyword ซึ่งสร้าง false negative สูง candidate ที่ดีถูก reject เพราะพวกเขาไม่ได้ใช้ keyword ที่แม่นยำใน resume และ false positive สูง candidate ที่ keyword ตรงแต่ไม่เหมาะสมผ่าน filter เบื้องต้น
สถาปัตยกรรม Pipeline
สามขั้นตอนในการ process: structured extraction (LLM extract skill, experience, education, achievement จาก resume) จาก PDF หรือ text ดิบ ตามด้วย semantic matching (เปรียบเทียบ structured resume data กับ job requirement โดยใช้ score ที่กำหนด) และสุดท้าย explanation generation (สร้าง rationale สั้น ๆ ว่าทำไม match จึงแข็งแกร่งหรืออ่อนแอ)