Це дослідження представляє автоматизовану систему відбору персоналу, яка поєднує великі мовні моделі (LLM) з методом Fuzzy-TOPSIS для покращення процесу найму. Система використовує передові методи обробки природної мови (NLP) для оцінки та ранжування кандидатів на посади інженерів-програмістів на основі агрегованих профілів LinkedIn, що включають навички, освіту та досвід. Далі застосовується Fuzzy-TOPSIS для врахування невизначеностей та нечіткості в людській оцінці, забезпечуючи надійний та об'єктивний механізм ранжування. Цей підхід має на меті оптимізувати рекрутинг, мінімізувати упередженість людини та підвищити ефективність виявлення найкращих талантів, пропонуючи практичне рішення для сучасних викликів у сфері людських ресурсів.

Ручний відбір персоналу є неефективним, схильним до когнітивних упереджень та непослідовним. Традиційні автоматизовані системи (ATS) часто покладаються на жорсткий пошук за ключовими словами, пропускаючи кваліфікованих кандидатів, які використовують іншу термінологію. Оцінюванню виключно на основі LLM бракує прозорості та математичної строгості в ранжуванні.

Автори пропонують багатоетапну структуру. 1. Попередня обробка: Резюме конвертуються в текст. 2. Вилучення критеріїв: LLM отримує запит на аналіз тексту та присвоєння лінгвістичних оцінок (наприклад, 'Дуже добре', 'Погано') заздалегідь визначеним критеріям, таким як освіта, досвід та навички. 3. Трансформація: Ці лінгвістичні оцінки перетворюються на трикутні нечіткі числа для обробки неоднозначності. 4. Ранжування: Метод TOPSIS обчислює коефіцієнт близькості кожного кандидата до Ідеального Позитивного Рішення. Кінцевим результатом є ранжований список.

Запропонована гібридна система продемонструвала вищу кореляцію з рейтингами експертів-людей порівняно з ATS на основі ключових слів та окремим оцінюванням LLM. Вона значно скоротила час обробки (з годин до хвилин для пакетів резюме) і показала покращену послідовність, що означає, що одне й те саме резюме отримувало однаковий ранг під час кількох запусків, що часто є проблемою для стохастичних LLM.

Стаття представляє надійний приклад 'Прикладного ШІ'. Поєднання LLM для семантичної обробки та Fuzzy-TOPSIS для логічного ранжування є розумним архітектурним вибором, який пом'якшує непередбачуваність чистих агентів LLM. Однак стаття може недооцінювати фінансові наслідки обробки великих обсягів документів через дорогі LLM та юридичні ризики, пов'язані з автоматизованим профілюванням відповідно до GDPR. Це практичний крок уперед, але не фундаментальний прорив у ШІ.