Digitalizza i dati, accelera i processi di recruiting e risparmia tempo con il CV parsing e l’information extraction
Sin dalle prime fasi di recruiting, l’intelligenza artificiale può contribuire a migliorare la gestione dei tempi di candidatura e il trasferimento di grandi quantità di dati . Combinate al lavoro del recruiter, le tecniche di Information Extraction e Résumé Parsing (a. CV Parsing) permettono di accelerare l’estrazione delle informazioni, automatizzare la compilazione dei form di candidatura e archiviare dati nel database. Come conseguenza di questi processi, il recruiter può gestire più velocemente le candidature (in formato digitale o cartaceo), anche in caso di Career day, fiere o eventi di recruiting. Grazie a una rapida scansione e lettura dei CV, la digitalizzazione dei dati estratti può arricchire e aggiornare il proprio database o semplificare il trasferimento in altri software gestionali. D’altro canto, il processo di application diventa più smart su tutti i fronti: migliora anche l’esperienza degli stessi candidati riducendo il tasso di abbandono in fase di application.
Le soluzioni di parsing non si applicano solo al settore HR e al processo di ricerca e selezione! Operando in maniera generalizzata, i parser consentono il riconoscimento automatico e l’analisi di ogni tipo di documento digitale adeguandosi alle specifiche esigenze interne e di settore di ogni azienda.
A partire da un documento (CV) di tipo testuale o in formato immagine, Information Extraction e Parsing CV di Inda consentono l’estrazione dei dati non strutturati di un candidato e la loro conversione in informazioni di tipo strutturato o documenti in formato XML. Si tratta di processi automatici che possono sostituire la tradizionale compilazione del form di candidatura accelerando le attività di recruiting.
Attraverso tecniche di Document Layout Analysis (DLA) e Optical Character Recognition (OCR), è possibile distinguere i documenti in formato testuale da quelli in formato immagine. L'analisi del layout, della struttura e delle sezioni permette di differenziare le varie tipologie di CV.
Estensione dei file supportati da Inda: ['pdf', 'doc', 'docx', 'odt', 'txt', 'html', 'pptx', 'rtf', 'jpg', 'jpeg', 'png', 'tif', 'tiff'].
Dopo aver analizzato il formato del CV, è possibile procedere all'estrazione di un testo ordinato dal documento d'origine. L'operazione di analisi ed esportazione dei dati da un CV è possibile attraverso il CV/Resume Parsing. Ciò consente di ottenere il testo contenuto nel CV e di convertire i dati in esso presenti in informazioni strutturate o documenti in formato XML.
Attraverso tecniche di Named Entity Recognition (NER) è possibile distinguere entità specifiche come "name", "surname", "job". Grazie alla Relation Extraction (RE), invece, si può comprendere il tipo di relazione che queste entità semantiche hanno con specifiche sezioni del CV.
Tra le entità riconosciute e estratte con Inda:
Dati personali:
Nome
Cognome
Email
Indirizzo (indirizzo; città; provincia; CAP)
Età
Data di nascita
Livello medio di esperienza (n. esperienze; esperienze totali)
Links
Telefono
Esperienze professionali
Data inizio
Data fine
Anzianità
Azienda
Località (città; stato)
Posizione
Titoli di studio
Data inizio
Data fine
Durata
Località (città; stato)
Istituto
Titolo
Campo disciplinare
Skills e lingue
Skills (competenza; score)
Lingua (madrelingua; lingua straniera)
Ulteriori informazioni
Foto
Lingua CV
Come ultimo step, è necessario mappare il tipo di informazioni estratte in campi predefiniti. In genere i form di candidatura contengono menù a tendina con selezione multipla, per questo è necessario mappare l'informazione estratta nell'opzione più simile tra quelle proposte.
Richiedi una demo e scopri come sfruttare al meglio i vantaggi dell’Information Extraction e del Parsing CV per ottimizzare il tuo recruiting
L'Information Extraction si avvale principalmente di tecnologie integrate negli ambiti della Computer Vision e Natural Language Processing.
Incluso nella tecnologia della Computer Vision, è un processo di identificazione e analisi di layout e delle sezioni geometriche di un documento.
Integrato a tecniche della Computer Vision e basato su algoritmi di Natural Launguage Processing, è un sistema che permette il riconoscimento di una sequenza di caratteri all'interno di un documento in formato immagine.
E' uno strumento che consente il riconoscimento della lingua con la quale è scritto il contenuto di un documento (ad esempio un CV).
A partire dall'analisi del formato e della geometria del layout (DLA) di un documento, questo sistema permette di riconoscere ed estrarre un testo semplice ed ordinato.
Basato su algoritmi di Deep Learning, nel cuore del Natural Language Processing (NLP), è un processo di estrazione delle informazioni attraverso il quale si effettua il riconoscimento di entità a partire da un testo.
Basata su tecniche di Deep Learning e Natural Language Processing (NLP), permette di individuare relazioni tra le entità riconosciute dal NER.
Migliora la Candidate Experience
Aumenta il Return on Investment (ROI)
Accresci il Conversion Rate
Potenzia la Candidate Attraction