ການນຳໃຊ້ AI ເຂົ້າໃນການຄັດເລືອກຊີວະປະຫວັດ (Resume) ຂອງພະນັກງານແບບອັດຕະໂນມັດ

ລອງນຶກພາບເບິ່ງວ່າ: ບໍລິສັດ SME ຂອງທ່ານໃນນະຄອນຫຼວງວຽງຈັນ ຫາກໍ່ປະກາດຮັບສະໝັກພະນັກງານໄອທີ ແລະ ນັກການຕະຫຼາດອອນລາຍ. ພາຍໃນເວລາພຽງສາມມື້, ພະແນກ HR ຂອງທ່ານໄດ້ຮັບອີເມວຊີວະປະຫວັດ (CV/Resume) ຫຼາຍກວ່າ 500 ສະບັບ. ການເປີດອ່ານໄຟລ໌ PDF ເທື່ອລະອັນເພື່ອຊອກຫາຄົນທີ່ມີທັກສະຕົງກັບຄວາມຕ້ອງການນັ້ນ ໃຊ້ເວລາຫຼາຍ ແລະ ໜ້າເບື່ອໜ່າຍ ບໍ່ຕ່າງຫຍັງກັບການຕິດໄຟແດງຢູ່ສີ່ແຍກດົງໂດກໃນຊົ່ວໂມງເລັ່ງດ່ວນ.

ແຕ່ໃນຍຸກຂອງປັນຍາປະດິດ (AI) ແລະ Natural Language Processing (NLP), ພວກເຮົາບໍ່ຈຳເປັນຕ້ອງເຮັດວຽກທີ່ຊ້ຳຊ້ອນແບບນີ້ດ້ວຍມືອີກຕໍ່ໄປ. ໃນບົດຄວາມນີ້, ເຮົາຈະມາຮຽນຮູ້ວິທີການຂຽນ Script ດ້ວຍ Python ໃນລະດັບ Intermediate ເພື່ອດຶງຂໍ້ມູນ (Extract) ທັກສະທີ່ສຳຄັນອອກຈາກໄຟລ໌ PDF ຂອງຜູ້ສະໝັກວຽກແບບອັດຕະໂນມັດ.

ບັນຫາຂອງ HR ໃນຍຸກດິຈິຕອນ ແລະ ທາງອອກດ້ວຍ AI

ປົກກະຕິແລ້ວ, ໂຄງສ້າງຂອງ Resume ແຕ່ລະຄົນແມ່ນບໍ່ຄືກັນ. ບາງຄົນໃຊ້ຮູບແບບທີ່ສວຍງາມ, ບາງຄົນເນັ້ນຕົວໜັງສື. ການໃຊ້ AI ເຂົ້າຊ່ວຍ ໂດຍສະເພາະວິທະຍາການປະມວນຜົນພາສາທຳມະຊາດ (NLP) ຈະຊ່ວຍໃຫ້ຄອມພິວເຕີ “ເຂົ້າໃຈ” ບໍລິບົດຂອງຄຳສັບ ແລະ ຊອກຫາ Keywords ທີ່ເຮົາຕ້ອງການໄດ້ຢ່າງຖືກຕ້ອງເຖິງແມ່ນວ່າໂຄງສ້າງເອກະສານຈະຕ່າງກັນກໍຕາມ. ສຳລັບບໍລິສັດໃນລາວ, ການຄັດຕອງທັກສະທີ່ເປັນພາສາອັງກິດ (ເຊັ່ນ: Programming languages, Software tools) ແມ່ນມີຄວາມສຳຄັນຫຼາຍໃນເບື້ອງຕົ້ນ.

ການກຽມພ້ອມ ແລະ ເຄື່ອງມືທີ່ຕ້ອງໃຊ້ (Prerequisites)

ການສ້າງລະບົບດຶງຂໍ້ມູນນີ້, ເຮົາຈະໃຊ້ Python ເປັນຫຼັກ ພ້ອມກັບ Libraries ຍອດນິຍົມ 2 ຕົວຄື:

1. pdfplumber: ສຳລັບອ່ານ ແລະ ດຶງຂໍ້ຄວາມ (Text) ອອກຈາກໄຟລ໌ PDF ໄດ້ຢ່າງແມ່ນຍຳກວ່າ Library ອື່ນໆ.
2. spacy: ເປັນ Library ສຳລັບ NLP ທີ່ເຮັດວຽກໄດ້ໄວ ແລະ ມີປະສິດທິພາບ ສາມາດຊ່ວຍກວດຈັບຄຳສັບທີ່ເປັນທັກສະ (Skills) ໄດ້.

ທ່ານສາມາດຕິດຕັ້ງເຄື່ອງມືເຫຼົ່ານີ້ຜ່ານ Terminal ກ່ອນ:

pip install pdfplumber spacy
python -m spacy download en_core_web_sm

ຂັ້ນຕອນການຂຽນ Script: ຈາກ PDF ສູ່ Skill Keywords

ລອງມາເບິ່ງວິທີການຂຽນໂຄ້ດເປັນແຕ່ລະຂັ້ນຕອນ ເພື່ອປ່ຽນໄຟລ໌ PDF ທີ່ອ່ານຍາກ ໃຫ້ກາຍເປັນລາຍຊື່ທັກສະທີ່ຊັດເຈນ.

1. ການດຶງຂໍ້ຄວາມຈາກ PDF

ກ່ອນອື່ນໝົດ, ເຮົາຕ້ອງປ່ຽນໄຟລ໌ PDF ໃຫ້ເປັນແຫຼ່ງຂໍ້ຄວາມ (String) ເພື່ອໃຫ້ AI ສາມາດວິເຄາະໄດ້. ເຮົາຈະໃຊ້ pdfplumber ສຳລັບໜ້າທີ່ນີ້:

import pdfplumber

def extract_text_from_pdf(pdf_path):
    text = ""
    with pdfplumber.open(pdf_path) as pdf:
        for page in pdf.pages:
            # ດຶງຂໍ້ຄວາມອອກຈາກແຕ່ລະໜ້າ
            page_text = page.extract_text()
            if page_text:
                text += page_text + "\n"
    return text

2. ການຕັ້ງຄ່າ NLP ສຳລັບຄົ້ນຫາທັກສະ (Skill Extraction)

ເມື່ອເຮົາໄດ້ຂໍ້ຄວາມແລ້ວ, ຂັ້ນຕອນຕໍ່ໄປແມ່ນການໃຊ້ spaCy ແລະ PhraseMatcher ເພື່ອຈັບຄູ່ຄຳສັບໃນເອກະສານກັບ “ວັດຈະນານຸກົມທັກສະ” (Skill Dictionary) ທີ່ບໍລິສັດຂອງທ່ານຕ້ອງການ.

import spacy
from spacy.matcher import PhraseMatcher

# ໂຫຼດໂມເດລພາສາອັງກິດສຳລັບ NLP ພື້ນຖານ
nlp = spacy.load("en_core_web_sm")
matcher = PhraseMatcher(nlp.vocab, attr="LOWER") # ຕັ້ງຄ່າບໍ່ໃຫ້ສົນໃຈຕົວພິມນ້ອຍ-ໃຫຍ່

# ລາຍຊື່ທັກສະອັນລ້ຳຄ່າທີ່ບໍລິສັດໄອທີ ຫຼື ທະນາຄານໃນລາວມັກຊອກຫາ
target_skills = [
    "python", "machine learning", "data analysis", 
    "digital marketing", "seo", "react", 
    "sql", "excel", "project management", "english"
]

# ສ້າງ Patterns ເພື່ອໃຫ້ Matcher ເຂົ້າໃຈ
patterns = [nlp.make_doc(skill) for skill in target_skills]
matcher.add("REQUIRED_SKILLS", patterns)

def extract_skills(text):
    # ປະມວນຜົນຂໍ້ຄວາມດ້ວຍ spaCy
    doc = nlp(text)
    matches = matcher(doc)
    
    found_skills = set() # ໃຊ້ Set ເພື່ອບໍ່ໃຫ້ຂໍ້ມູນຊ້ຳກັນ
    for match_id, start, end in matches:
        span = doc[start:end]
        found_skills.add(span.text.lower())
        
    return list(found_skills)

3. ລວມໂຄ້ດໃຫ້ເປັນລະບົບອັດຕະໂນມັດ

ຕອນນີ້ເຮົາມາທົດສອບ Script ຂອງພວກເຮົາກັບໄຟລ໌ PDF ຕົວຈິງກັນເລີຍ:

def process_applicant_resume(pdf_file_path):
    print(f"ກຳລັງປະມວນຜົນ: {pdf_file_path} ...")
    
    # 1. ດຶງຂໍ້ຄວາມ
    resume_text = extract_text_from_pdf(pdf_file_path)
    
    # 2. ສະກັດເອົາທັກສະ
    skills = extract_skills(resume_text)
    
    print("-" * 30)
    print(f"ທັກສະທີ່ຄົ້ນພົບ (Matched Skills):")
    for skill in skills:
        print(f"✅ {skill.title()}")
    print("-" * 30)
    return skills

# ການເອີ້ນໃຊ້ງານ
# process_applicant_resume("applicant_somchai_cv.pdf")

ການປັບໃຊ້ໃນພາກທຸລະກິດຂອງລາວ

ວິທີການນີ້ແມ່ນເໝາະສົມຫຼາຍສຳລັບອົງກອນໃນລາວທີ່ໄດ້ຮັບ CV ຈຳນວນຫຼາຍ. ທ່ານສາມາດນຳເອົາ Script ນີ້ໄປພັດທະນາຕໍ່ຍອດໃຫ້ເປັນລະບົບທີ່ອ່ານໄຟລ໌ PDF ຫຼາຍຮ້ອຍໄຟລ໌ໃນໂຟນເດີພ້ອມກັນ ແລ້ວສົ່ງອອກ (Export) ລາຍຊື່ຜູ້ສະໝັກພ້ອມກັບທັກສະທີ່ພວກເຂົາມີລົງໃນໄຟລ໌ Excel ໄດ້ທັນທີ.

ໃນອະນາຄົດ, ຫາກທຸລະກິດຂອງທ່ານຕ້ອງການວິເຄາະທັກສະທີ່ອະທິບາຍເປັນພາສາລາວ ທ່ານກໍສາມາດຮວມເອົາເຄື່ອງມືເຊັ່ນ: ລະບົບຕັດຄຳພາສາລາວ (Lao Word Segmentation) ເຂົ້າມາເຮັດວຽກຮ່ວມກັບ spaCy ໄດ້ ເຊິ່ງຈະເຮັດໃຫ້ລະບົບການຄັດຕອງຍິ່ງມີປະສິດທິພາບສູງຂຶ້ນໃນບໍລິບົດທ້ອງຖິ່ນ.

ສິ່ງສຳຄັນທີ່ຄວນຈື່ (Key Takeaways)

• ເລັ່ງວຽກ HR ໃຫ້ໄວຂຶ້ນ: ການໃຊ້ Python ຮ່ວມກັບ pdfplumber ຊ່ວຍຫຼຸດເວລາການອ່ານເອກະສານຈາກຫຼາຍຊົ່ວໂມງເຫຼືອພຽງບໍ່ເທົ່າໃດວິນາທີ.
• ຄວາມຖືກຕ້ອງຂອງຂໍ້ມູນ: ການໃຊ້ AI Keyword Matching ຜ່ານ NLP (spaCy) ມີຄວາມສະຫຼາດກວ່າການໃຊ້ການຄົ້ນຫາແບບທຳມະດາ ເພາະມັນສາມາດຈັດການກັບການຍະຫວ່າງ ແລະ ໂຄງສ້າງຄຳສັບໄດ້ດີກວ່າ.
• ຕໍ່ຍອດໄດ້ງ່າຍ: ລະບົບທີ່ຂຽນດ້ວຍ Python ທຳມະດານີ້ສາມາດເຊື່ອມຕໍ່ເຂົ້າກັບ Database ຂອງບໍລິສັດ, Google Sheets ຫຼື ລະບົບ ERP ທີ່ SMEs ໃນລາວໃຊ້ງານຢູ່ແລ້ວໄດ້ຢ່າງງ່າຍດາຍ.

ສະຫຼຸບ

ການຫັນປ່ຽນຂັ້ນຕອນການເຮັດວຽກແບບເກົ່າໃຫ້ເປັນອັດຕະໂນມັດ ບໍ່ແມ່ນເລື່ອງທີ່ໄກຕົວ ແລະ ບໍ່ໄດ້ສະຫງວນໄວ້ແຕ່ສຳລັບບໍລິສັດຍັກໃຫຍ່ອີກຕໍ່ໄປ. ພຽງແຕ່ທ່ານມີພື້ນຖານ Python ແລະ ການໃຊ້ເຄື່ອງມື NLP ທີ່ຖືກຕ້ອງ ທ່ານກໍສາມາດສ້າງຜູ້ຊ່ວຍ AI ທີ່ຊ່ວຍພະແນກບຸກຄະລາກອນໃນລາວໃຫ້ສາມາດຊອກຫາພອນສະຫວັນທີ່ດີທີ່ສຸດໄດ້ຢ່າງໄວວາ ແລະ ມີປະສິດທິພາບ, ໃຫ້ນັກ HR ຂອງພວກເຮົາເອົາເວລາໄປສຸມໃສ່ການສຳພາດ ແລະ ພັດທະນາສະຫວັດດີການຂອງພະນັກງານຈະດີກວ່າການມານັ່ງອ່ານໜ້າເຈ້ຍຫຼາຍຮ້ອຍໜ້າຢ່າງແນ່ນອນ.