Skip to content

Sektör Vakası: CV Parsing + ATS Skorlama

İK için: CV'leri yapılandırılmış formata dönüştür, açık pozisyona göre ATS skorla, otomatik short-list üret.

Şükrü Yusuf KAYA
12 min read
Intermediate

Vaka: CV Parsing + ATS Skorlama

Senaryo: Tech şirketi haftada 200 başvuru alıyor. Önce manuel filtreliyorlardı (insan saat: 0.5 saat × 200 = 100 saat/hafta). Hedef: AI ile öncelikli short-list, sadece top %20 insanın elinden geçer.

Pipeline#

python
# 1. Schema
from pydantic import BaseModel
from typing import List, Optional
 
class Education(BaseModel):
    school: str
    degree: str  # Lisans, Yüksek Lisans, Doktora
    field: str
    start_year: int
    end_year: Optional[int]
    gpa: Optional[float]
 
class Experience(BaseModel):
    company: str
    title: str
    start_date: str  # YYYY-MM
    end_date: Optional[str]
    description: str
    technologies: List[str] = []
 
class CV(BaseModel):
    full_name: str
    email: Optional[str]
    phone: Optional[str]
    location: Optional[str]
    summary: Optional[str]
    educations: List[Education]
    experiences: List[Experience]
    skills: List[str]
    languages: List[str]
    certifications: List[str] = []
 
    @property
    def total_experience_years(self) -> int:
        # Hesapla deneyimleri
        ...
CV schema
python
# 2. ATS Skorlama
SCORE_PROMPT = """Aşağıda iş tanımı ve aday CV'si var.
 
İş Tanımı:
{job_description}
 
Aday CV'si (yapısal):
{cv_json}
 
Adayı şu rubric'e göre skorla (0-100):
1. Teknik beceri eşleşmesi (40 puan): JD'deki "olmalı" + "tercih" maddeleri
2. Deneyim seviyesi (25 puan): seniority match
3. Sektör bilgisi (15 puan): benzer domain'de çalışma
4. Eğitim (10 puan): minimum + relevant degree
5. İletişim becerisi (10 puan): summary, açıklama kalitesi
 
Çıktı (sadece JSON):
{{
  "total_score": 0-100,
  "breakdown": {{...}},
  "strengths": ["..."],
  "concerns": ["..."],
  "recommendation": "interview" | "phone_screen" | "reject",
  "reasoning": "1-2 cümle"
}}"""
ATS skorlama prompt'u
Etik: AI skorlama bias riski içerir. Cinsiyet/yaş/uyruk bilgisini kasıtlı olarak çıkar (CV'den gizle). Modül 10'da AI ethics + bias mitigasyon.

Yorumlar & Soru-Cevap

(0)
Yorum yazmak için giriş yap.
Yorumlar yükleniyor...

Related Content

1. Temeller — Yapay Zekâ ve LLM'lere Giriş

Bu Eğitim Hakkında ve Verimli Çalışma Yöntemi

Start Learning
1. Temeller — Yapay Zekâ ve LLM'lere Giriş

Yapay Zekâ → Üretken AI → LLM: Bağlamsal Harita

Start Learning
1. Temeller — Yapay Zekâ ve LLM'lere Giriş

LLM'ler Aslında Nasıl Düşünür? (Token, Embedding, Attention)

Start Learning

Connected pillar topics

Pillar topics this article maps to

Pillar Topic

Industry AI Use Cases

AI use cases are a pragmatic decision guide — across banking, healthcare, retail, public sector and beyond — capturing the concrete business value, success metrics and reference architectures that make AI worth building.