تصور کنید برای هر موقعیت شغلی در بخش دولتی، باید ساعت‌ها وقت صرف تطبیق دستی مهارت‌هایتان با الزامات سخت‌گیرانه کنید؛ حالا یک سامانه هوش مصنوعی این فرآیند طاقت‌فرسا را کاملاً خودکار کرده است. ابزار CV Generator که توسط دانشجویان پروژه Master MIAGE در IAE Nouvelle-Calédonie توسعه یافته، یک رزومه استاندارد JSON را به بسته‌ای کامل شامل CV، نامه انگیزشی و راهنمای مصاحبه تبدیل می‌کند. این ابزار توسط دو دانشجو به نام‌های Quoc-Kim BUI و Anthony GASS طراحی شده است.
به نقل از مستندات پروژه، این ابزار برای اولین هکاتون استخدام خدمات عمومی در کالدونیای جدید (#HackAVP) طراحی شده است. درخواست برای پست‌های دولتی اغلب شبیه به یک ماموریت پیچیده است. متقاضیان باید آگهی‌های شغلی خاص (AVPs) را بررسی کنند، مهارت‌های خود را با الزامات صلب و سخت‌گیرانه سازمان‌ها همسو کنند و برای مصاحبه‌های حساس آماده شوند. برای بسیاری، این تکرار دستی برای هر پیشنهاد شغلی به یک مانع ورود تبدیل می‌شود. این فرآیند به عنوان یک ماموریت سه لایه توصیف شده است: ساخت رزومه‌ای که متقاضی را به‌طور کامل برای آن پست توصیف کند، نوشتن نامه انگیزشی که انتظارات AVP را برآورده کند و در نهایت رویارویی با «غول آخر» یعنی مصاحبه شغلی.
همان‌طور که در تحلیل‌های پیشین ما درباره‌ی هوش مصنوعی حاکمیتی (Sovereign AI) اشاره کردیم، کنترل روی داده‌ها در سازمان‌های دولتی یک خط قرمز است. به همین دلیل، CV Generator برخلاف ابزارهای ابری، یک راهکار درون‌سازمانی (On-premises) — شبیه به داشتن یک سرور شخصی در خانه که هیچ داده‌ای را به بیرون نمی‌فرستد — است. این سامانه به‌طور کامل روی یک رایانه محلی واقع در کالدونیای جدید مجهز به GPU (واحد پردازش گرافیکی) مدل RTX 5080 اجرا می‌شود. این معماری تضمین می‌کند که پروفایل‌های حساس شخصی هرگز از مرزهای جغرافیایی منطقه (که به آن Caillou می‌گویند) خارج نمی‌شوند و دغدغه‌های حیاتی حریم خصوصی متقاضیان بخش دولتی برطرف گردد. همچنین سخت‌افزار سیستم بسته به امکانات و جاه‌طلبی‌های کاربر قابل ارتقا است.
مسیر کاربر: تجربه کامیل مولت
برای درک کاربرد ابزار، توسعه‌دهندگان سناریوی «کامیل مولت» را مثال می‌زنند؛ یک دستیار کیفیت خیالی در شرکت «Entreprise Ethernet». کامیل فردی منظم است و رزومه خود را به فرمت JSON دارد، اما می‌خواهد افق‌های حرفه‌ای خود را گسترش دهد و از طریق یک AVP در سازمان OPT-NC برای یک شغل دولتی اقدام کند.
گردش کار او در رابط وب بسیار ساده و بهینه است:
- ابتدا، کامیل رزومه خود را در فرمت استاندارد JSON Resume ارائه می‌دهد.
- سپس، شماره یک AVP (آگهی شغلی) خاص را وارد می‌کند.
- او سپس سندی را که نیاز به تولید دارد (رزومه، نامه انگیزشی یا راهنمای مصاحبه) انتخاب کرده و وضعیت پردازش را به‌صورت لحظه‌ای رصد می‌کند.
- در نهایت، او از طریق یک تاریخچه (log)، به اسناد خود دسترسی پیدا کرده و نتایج را در فرمت‌های DOCX، adoc یا md دانلود می‌کند یا آن‌ها را به‌صورت PDF پیش‌نمایش می‌دهد.
معماری فنی و جریان داده
این سامانه از یک خط لوله هماهنگ از سرویس‌های تخصصی تشکیل شده که وظایف را بین بخش‌های مختلف تقسیم می‌کند. معماری سیستم به گونه‌ای است که بک‌اند FastAPI و Worker آن در generator-service/ قرار دارند، فرانت‌اند React در generatorweb-service/ و یک سرویس مدیریت خصوصی در generator-admin-service/ مستقر شده است.
- تأمین داده‌ها: ابزار داده‌های مربوط به فرصت‌های شغلی را به‌صورت لحظه‌ای از پورتال عمومی APIGEE شرکت OPT-NC استخراج می‌کند.
- تطبیق: سامانه با CV-Matching ادغام شده است؛ این ابزار محصول دیگری از Master MIAGE است که از سیستم امتیازدهی برای شناسایی این استفاده می‌کند که کدام AVPها با پروفایل متقاضی سازگارتر هستند و جزئیات نقاط قوت و شکاف‌های مهارتی او را مشخص می‌کند.
- تولید محتوا: یک بک‌اند FastAPI هر درخواست را به عنوان یک Job در پایگاه‌داده PostgreSQL ثبت می‌کند. سپس یک Worker، ابزار llama.cpp را فراخوانی می‌کند. این سیستم ابتدا سند منبع را در قالب AsciiDoc ذخیره کرده و سپس فایل نهایی DOCX را تولید می‌کند.
- منطق مشترک: مدل‌های مشترک و مدیریت کلیدها در یک دایرکتوری مرکزی به نام
shared/متمرکز شده‌اند.
در قلب این موتور تولید، مدل Qwen3-14B-GGUF قرار دارد که یک مدل با وزن‌های باز (Open Weights) از Hugging Face (ggml-org/Qwen3-14B-GGUF) است. توسعه‌دهندگان برای هر نوع سند، پرامپت‌های اختصاصی طراحی کردند تا اطمینان حاصل کنند خروجی دقیقاً با متن آگهی شغلی خاص منطبق است.
کیفیت، تست و استقرار
برای اطمینان از اینکه «تجهیزاتی» که در اختیار متقاضی قرار می‌گیرد قابل اعتماد است، تیم توسعه یک چرخه توسعه سخت‌گیرانه را پیاده کرده است:
- تست‌های خودکار: آن‌ها از pytest برای بازپخش سناریوها پس از هر تغییر و از ruff برای فرمت‌بندی و تأیید خوانایی کد استفاده می‌کنند.
- اعتبارسنجی گزینشی: برای بهینه‌سازی کارایی، CI در GitHub Actions تنها مجموعه‌تست‌هایی را مجدداً اجرا می‌کند که تحت تأثیر فایل‌های تغییریافته بوده‌اند.
- کانتینرسازی: کل این زیرساخت با استفاده از Docker Compose برای هر دو محیط محلی و تولید (Production) استقرار یافته است. ایمیج‌ها با نسخه‌های مشخص در GHCR منتشر شده و پیکربندی‌ها در پوشه
deploy/متمرکز شده‌اند.
امنیت و کنترل دسترسی
امنیت سامانه از طریق مکانیزم X-API-Key مدیریت می‌شود. این سیستم مانع از آن می‌شود که کاربران به اسناد متعلق به متقاضیان دیگر دسترسی داشته باشند؛ هر درخواستی برای سندی که وجود ندارد یا متعلق به مشتری دیگری است، خطای 404 برمی‌گرداند.
برای حفاظت بیشتر از حریم خصوصی، رزومه JSON نه توسط API وضعیت نمایش داده می‌شود و نه در لاگ‌ها ارسال می‌گردد. در حالی که در حال حاضر کلید API مدیریت تعاملات داخلی پروژه Master MIAGE را بر عهده دارد، توسعه‌دهندگان قصد دارند در آینده NC connect را برای احراز هویت گسترده‌تر ادغام کنند.
رهبری پروژه و همکاری
این پروژه حاصل همکاری دو دانشجو با تقسیم کار دقیق بود:
- Quoc-Kim BUI (Kim): بر مدیریت پروژه، طراحی معماری فنی و امنیت تمرکز داشت.
- Anthony GASS: مسئول توسعه، طراحی دیجیتال، تست، نگهداری و ارتباطات بود.
این مشارکت به آن‌ها اجازه داد تا یک زرادخانه فنی جامع بسازند تا متقاضیان در بهترین شرایط ممکن با مصاحبه‌ها روبرو شوند. این پروژه با استفاده از داده‌های interoperable ارائه‌شده توسط OPT-NC، Station N و کمیسیون OPEN NC Data & AI میسر شد.
این رویکرد نشان‌دهنده چرخش به سمت ابزارهای هوش مصنوعی بومی و هدفمند است. با حذف وابستگی به مدل‌های ابری عمومی، الگویی برای دولت‌های منطقه‌ای ایجاد شده تا بدون قربانی کردن کنترل داده‌ها، از قدرت هوش مصنوعی زاینده (Generative AI) — شبیه به داشتن یک کارمند متخصص که تمام قوانین داخلی سازمان را می‌داند و فقط برای شما کار می‌کند — استفاده کنند.
برای متقاضی، این یعنی رویارویی با مصاحبه شغلی دیگر کورکورانه نیست. راهنمای مصاحبه تولیدشده توسط AI، با پیش‌بینی سوالات بر اساس تلاقی تاریخچه کاربر و الزامات شغل، یک مزیت استراتژیک ایجاد می‌کند.
گام بعدی شما
- بررسی مدل‌های خانواده Qwen برای پیاده‌سازی ابزارهای تخصصی در محیط‌های محلی.
- مطالعه استانداردهای JSON Resume برای ساختارهای داده‌ای قابل‌فهم برای مدل‌های زبانی.
- بررسی ابزار llama.cpp برای اجرای مدل‌های GGUF روی سخت‌افزارهای با VRAM محدود.
نتایج نهایی این رقابت در ۴ نوامبر در Tech&Co اعلام می‌شود که اثر این ابزار بر بازار کار کالدونیای جدید را مشخص خواهد کرد. اما چالش اصلی، مقیاس‌پذیری این مدل‌ها برای هزاران کاربر هم‌زمان است — به تحلیل ما درباره‌ی بهینه‌سازی استنتاج در مدل‌های محلی مراجعه کنید.
گفتگو