Implementação de aprendizado de máquina no processo de recrutamento

Abstract

As práticas de recrutamento online têm evoluído rapidamente utilizando ferramentas tecnológicas para enfrentar desafios, como a triagem de grandes volumes de candidatos. O aprendizado de máquina, em particular, destaca-se como uma abordagem eficiente para automatizar este processo, reduzindo o tempo e o esforço necessários e aumentando a precisão do recrutamento. Neste contexto, o objetivo deste trabalho foi desenvolver um modelo para classificar automaticamente candidatos em vagas específicas com base em informações como experiência profissional, escolaridade e habilidades, utilizando deep learning. Para a realização deste estudo, foi adotada a pesquisa experimental, iniciando-se com a revisão dos conceitos de Aprendizado de Máquina, Processamento de Linguagem Natural e modelos pré-treinados, como o BERT e suas variantes. O experimento foi conduzido a partir da coleta e organização de uma base de dados de candidatos fornecida por uma empresa de recrutamento. Após o pré-processamento, que incluiu etapas como tokenização e filtragem, o modelo RoBERTa-base foi treinado utilizando a biblioteca Hugging Face e validado com validação cruzada estratificada. Como resultado, o modelo apresentou um desempenho satisfatório, com uma média de 76,5% na métrica F1-score, demonstrando sua eficácia na triagem de candidatos e sua capacidade de generalizar bem os dados. Este trabalho evidencia o potencial do aprendizado de máquina para otimizar o recrutamento online, mostrando-se uma ferramenta eficiente para auxiliar recrutadores na tomada de decisões.

Online recruitment practices have rapidly evolved by leveraging technological tools to address challenges such as filtering large volumes of applicants. Machine learning stands out as an efficient approach to automate this process, reducing the time and effort required while improving recruitment accuracy. In this context, the aim of this study was to develop a model capable of automatically classifying candidates for specific job openings based on information such as professional experience, education, and skills using deep learning. This study adopted an experimental research methodology, beginning with a review of concepts in Machine Learning, Natural Language Processing, and pre-trained models like BERT and its variants. The experiment involved collecting and organizing a candidate database provided by a recruitment company. After preprocessing steps, including tokenization and filtering, the RoBERTa-base model was trained using the Hugging Face library and validated through stratified cross-validation. The model achieved satisfactory performance, with an average F1-score of 76.5%, demonstrating its effectiveness in candidate screening and its ability to generalize well to the data. This work highlights the potential of machine learning in optimizing online recruitment, proving to be an efficient tool for assisting recruiters in decision-making.