تصور کنید در بازار کار رقابتی امروز، مجبور باشید هر روز صدها آگهی شغلی را بخوانید تا شاید یکی از آن‌ها با مهارت‌های شما سازگار باشد. برای یک برنامه‌نویس تازه‌کار، این فرآیند بیشتر شبیه به گشتن دنبال سوزن در انبار کاه است تا یک جست‌وجوی حرفه‌ای. در واقع، یک تغییر مسیردهنده شغلی در دهه چهل سالگی زندگی‌اش، مجبور شد حدود ۱,۵۰۰ آگهی شغلی را فیلتر کند تا بتواند اولین نقش حرفه‌ای خود را در مهندسی نرم‌افزار پیدا کند.
به نقل از وب‌سایت dev.to، این توسعه‌دهنده در ۸ اکتبر ۲۰۲۶ خط لوله‌ی (Pipeline) اختصاصی خود را معرفی کرد که برای حل ماهیت «طاقت‌فرسای» تخته‌های شغلی مدرن طراحی شده است. او معتقد است برای کسانی که پیشینه‌ی تحصیلی یا شغلی غیرمتعارف دارند، خودِ ساخت چنین سیستمی صادقانه‌ترین رزومه‌ی ممکن برای اثبات مهارت‌های مهندسی است.
زمینه: تغییر مسیر شغلی
جست‌وجوی شغل‌های دورکاری معمولاً نیازمند فیلترهای بسیار دقیقی است که سایت‌های استخدامی استاندارد نادیده می‌گیرند. برای کسی که از حوزه‌ی بانکداری و لجستیک به آی‌تی تغییر مسیر داده، نسبت نویز به سیگنال در آگهی‌ها طاقت‌فرساست. این توسعه‌دهنده سوابق متنوعی دارد: او ۵ سال در عملیات بانکی در Lloyds فعالیت کرده، ۸ سال به عنوان نامه‌رسان (پستچی) کار کرده و ۲ سال تجربه مدیریت سیستم‌های ویندوز (Windows sysadmin) دارد. او در حال حاضر شیفت‌های تولید چاپ در یک مرکز Amazon را مدیریت می‌کند.
او پس از اتمام مقطع کارشناسی (BSc) در رشته محاسبات و فناوری اطلاعات از دانشگاه Open University، متوجه شد که فاقد عنوان شغلی «مهندس نرم‌افزار حرفه‌ای» است. همین موضوع باعث شد جست‌وجو برای اولین نقش دورکاری برای او بسیار دشوار شود. او تصمیم گرفت این سیستم را طراحی کند تا کشف شغل را به جای یک وظیفه جست‌وجویی ساده، به عنوان یک مسئله‌ی ETL (استخراج، تبدیل و بارگذاری) تعریف کند. این رویکرد تضمین می‌کند که انسان تنها با قابل‌اجرا‌ترین (viable) گزینه‌ها تعامل داشته باشد. این نوع پیاده‌سازی‌های کاربردی، در حالی رخ می‌دهد که بسیاری از سازمان‌ها هنوز در مقیاس کردن ابزارهای هوش مصنوعی در سطح کل شرکت با چالش روبرو هستند.
معماری پنج مرحله‌ای
این خط لوله در پنج مرحله‌ی مجزا برای رسیدن به حداکثر دقت عمل می‌کند:
- جمع‌آوری (Collection): سیستم از ۱۶ منبع API و RSS استفاده می‌کند. برای سایت‌هایی که API ندارند، مانند LinkedIn، Indeed، StepStone و سایت آلمانی Arbeitsagentur (که با عبارات جست‌وجوی عمیق پیمایش می‌شود)، از اسکرپرهای مبتنی بر Playwright استفاده شده است. برای مثال، یک بار پیمایش در لینکدین اخیراً ۱۱۲ نتیجه بازگرداند. تمام نتایج به صورت فایل‌های markdown ذخیره شده و در یک پایگاه‌داده SQLite برای حذف موارد تکراری (deduplication) مدیریت می‌شوند تا هیچ آگهی دو بار پردازش نشود. این رویکرد یادآور الگوهای API برای ساخت ابزارهای هوش مصنوعی است که حتی بدون دانش عمیق ریاضی را امکان‌پذیر می‌کنند.
- حذف قطعی (Hard Elimination): پیش از استفاده از مدل‌های گران‌قیمت هوش مصنوعی، قوانین رشته‌ای (String) قطعی اعمال می‌شود. سیستم آگهی‌هایی را که حاوی کلمه «Senior» (برای نقش‌های جونیور)، الگوهای اسپم استخدام‌کنندگان یا شهرهای خارج از محدوده جغرافیایی او هستند، حذف می‌کند. او به‌طور خاص نوارهای مهارت که بیش از ۳ سال تجربه می‌خواهند را فیلتر می‌کند؛ در حالی که عبارت «Erste Erfahrung» (اولین تجربه) پذیرفته است، اما «+5 years» منجر به حذف فوری می‌شود. این قوانین قابل حسابرسی هستند و هیچ هزینه‌ای ندارند.
- امتیازدهی مدل زبانی (LLM Scoring): موارد باقی‌مانده توسط یک مدل زبانی بزرگ (LLM) تحلیل می‌شوند. پرامپت‌ها محدودیت‌های خاصی را کدگذاری می‌کنند؛ مثلاً تفاوت بین زبان آلمانی نوشتاری B1 (که برای نقش‌های مشتری‌محور که نیاز به «verhandlungssicher Deutsch in Wort und Schrift» یا تسلط کامل در گفتار و نوشتار دارند نامناسب است) و زبان آلمانی گفتاری C1 (که برای تیم‌های داخلی مناسب است) را تشخیص می‌دهند. این کار باعث می‌شود «اشتباهات خوش‌بینانه» که بر اساس حس حدسی رخ می‌دهند، حذف شوند.
- تأییدیه (Verification): برای جلوگیری از فریب خوردن توسط سایت‌های تجمیع‌کننده (Aggregator flatter)، سیستم متن اصلی و کامل آگهی را دوباره دریافت می‌کند. این کار مانع از ورود نقش‌های «دورکاری» می‌شود که در واقع نیاز به حضور سه روزه در دفتر دارند، یا نقش‌های «مهندس هوش مصنوعی» که در حقیقت کارهای برچسب‌گذاری داده (data-labeling) هستند. هیچ موردی تا زمانی که متن واقعی آگهی خوانده نشود، وارد صف درخواست نمی‌شود. این سطح از اتوماسیون برای کارهای واقعی، مشابه رویکرد عامل Instinct است که برای دستیابی به کاربردهای عملی در دنیای واقعی پیش رفته است.
- بررسی انسانی (Human Review): در نهایت، توسعه‌دهنده شخصاً لینک نهایی را می‌خواند و یک درخواست شخصی‌سازی شده می‌نویسد. هیچ سیستم ارسال خودکار یا نامه‌های پوششی (Cover letters) تولید شده به صورت دسته‌ای توسط هوش مصنوعی استفاده نمی‌شود. وقتی هزینه ارسال درخواست (از نظر زمانی و ذهنی) زیاد است، انسان باید واقعاً متن را بخواند.
توازن‌های مهندسی و نتایج
بر اساس مستندات این پروژه، اولویت با «قطعیت» (Determinism) است نه «هوشمندی». توسعه‌دهنده تأکید می‌کند که قطعیت برای عیب‌یابی (Debugging)، به‌ویژه در ساعت ۶ صبح پیش از شروع شیفت کاری، بسیار مؤثرتر است. فیلتر کردن سخت‌گیرانه پیش از فراخوانی مدل، هزینه‌ی استنتاج (Inference) را کاهش می‌دهد و از توهم (Hallucination) مدل در ساختن آگهی‌های جعلی اما باورپذیر جلوگیری می‌کند. سیستم فقط مواردی را رتبه‌بندی می‌کند که اسکرپرها واقعاً استخراج کرده‌اند.
نتایج این قیف بسیار چشم‌گیر است. طی یک سال، این سیستم بیش از ۱,۵۰۰ آگهی را ارزیابی کرد و در مجموع ۱,۵۳۹ مورد را در دسته‌ی «پارک شده» یا رد شده قرار داد. در آخرین شمارش، تنها ۱۲ مورد در لیست «بسیار مطمئن» (Confidence list) و ۲۳ مورد در لیست «شاید» باقی مانده بودند. حجم عظیم سبد موارد رد شده، در واقع نشان‌دهنده‌ی این است که سیستم به‌درستی در حال کار است.
این رویکرد ارزش پیشنهادی کاندیدا را تغییر می‌دهد. او به جای یک رزومه‌ی ایستا، یک سیستم زنده با کدهای تست‌شده‌ی Python، زیرساخت CI روی چارچوب ETL و مدیریت داده‌های واقعی ارائه می‌دهد. این یعنی تبدیل فرآیند جست‌وجوی شغل به یک نمایش عملی از توانایی‌های ادغام هوش مصنوعی و اتوماسیون.
برای هر کسی که وارد یک بازار کار سخت و رقابتی می‌شود، درس این پروژه روشن است: به خط لوله‌ای که خودتان نوشته‌اید بیشتر از تخته‌های شغلی که از کلیک‌های شما سود می‌برند، اعتماد کنید. هدف این است که مرحله «کشف» را اتوماتیک کنید تا انسان بتواند روی وظیفه باارزش‌تر، یعنی «ارسال درخواست شخصی‌سازی شده»، تمرکز کند.
گام بعدی شما
- اگر در حال جست‌وجوی شغل هستید، ابتدا معیارهای «حذف قطعی» خود را بنویسید تا زمانتان تلف نشود.
- ابزارهای متن‌باز job-sweep و remote-job-engine را برای ساخت چارچوب‌های مشابه بررسی کنید.
- به جای ارسال انبوه رزومه، روی اتوماسیون «کشف» و شخصی‌سازی «ارسال» تمرکز کنید.
این توسعه‌دهنده از نوامبر ۲۰۲۶ برای نقش‌های جونیور یا Associate در دسترس است و به دنبال کار کاملاً دورکاری از آلمان یا بریتانیا (به عنوان شهروند بریتانیایی) است.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو