| 순번 | 목차 항목 |
|---|---|
| 1 | 팀원 소개 |
| 2 | 프로젝트 기간 |
| 3 | 추진 배경 |
| 4 | 프로젝트 목표 |
| 5 | 시스템 설계도 |
| 6 | AI 모델 구축과정 |
| 이름 | 노영준 | 엄현호 | 이재현 | 이정우 | 이경민 | 강현준 |
|---|---|---|---|---|---|---|
| 역할 | 멘토 | AI | BE | Crawling | BE | FE |
| Github |  |
 |
 |
 |
 |
 |
- 2023.09 ~ 2023.12
- 20대 청년들에게서 발생하는 취업문제 : 원하는 양질의 일자리와 고용시장에서 요구하는 인적자원의 수준간의 심각한 차이가 발생하고 있다.
- 국내 채용플랫폼 사용량은 지속적으로 증가하고 있지만, 이용자가 원하는 수준의 서비스를 제공하고 있지는 못하였다.
- 채용플랫폼을 통해 수많은 채용정보를 얻을수는 있었지만 그 양이 너무 방대하여 분석이 어려움을 확인하였다.
- 합격자소서 데이터로 학습한 AI를 통해 사용자의 개별 자소서를 분석하여 합격률이 높을 것으로 예상되는 채용공고를 선별해주는 사용자 맞춤형 채용플랫폼을 구축한다.
| 단계 | 내용 | 이미지 | 상세설명 |
|---|---|---|---|
| 1 | 기반 언어모델 : roberta |  |
뛰어난 성능지표를 보이는 언어모델 roberta의 large버전과 small버전을 모두 이용했다. |
| 2 | simCSE 지도학습으로 직무분야 학습 |  |
채용공고와 합격자소서 크롤링 데이터의 문장마다 dropout으로 서로다른 임베딩쌍을 생성하여 학습한다. 같은 문장에서 유래한 두 임베딩은 가까워지도록 학습하고 다른문장의 임베딩들은 멀어지도록 학습한다. |
| 3 | simCSE 비지도학습으로 채용공고 매칭학습 |  |
채용공고와 이에 합격한 자소서의 문장들은 encoder를 거쳐 임베딩쌍으로 변환된다. 이후 긍정인스턴스와 부정인스턴스로 구분하여 학습하며 유사도기반 매칭을 강화한다 |
| 4 | 문장유사도기반 매칭 알고리즘 |  |
사용자가 입력한 자소서의 문장과 채용공고 문장들을 모두 일대일로 비교하여 가장높은 유사도값(max)을 구한다. |
 |
max유사도 값들을 평균내어 최종매칭점수를 도출한다. | ||
| 5 | 매칭알고리즘 강화 |  |
기존의 문장별 일대일 학습에서 매칭 정확도는 높았지만 소요시간이 매우 컸다. 이를 해결하기 위해 주요업무 및 우대사항과 관련된 정보들로만 1차 매칭을 거치는 강화 알고리즘을 개발하였다. |
 |
이에 따라 1건당 매칭시간은 대폭 감소시키면서 매칭 정확도는 여전히 유지할 수 있었다. | ||
| 6 | 동작방식 |  |
사용자의 자소서가 등록 및 변경되는 경우, 새로운 크롤링 데이터가 유입되는 경우 분석시그널이 발생하여 AI가 구동된다. 분석결과는 DB에 저장되어 제공된다. |