Мне прислали похожее резюме. И похоже, что автор того поста это резюме подредактировал, прежде, чем выложить. Потому что они очень похожи по оформлению. Но присланное мне выглядит так:

Но все равно моменты, которые смущают есть. Пишет, что не женат, но дети есть, значит семью бросил, алиментщик. Причем еще и первого ребенка заделал когда в школе учился (смотрим его год рождения и старшего ребенка).

Высшее образование получил уж слишком через много лет после окончания ПТУ (хотя по хронологии года рождения ПТУ он закончил сразу после школы).

Резюме он прислал на вакансию "начальник отдела информационных технологий МБУ Производственно-техническое управление *** муниципального округа". В двух словах его обязанности - руководить сисадминами администрации района и подведомственных организаций.

Источник - https://t.me/trash_tv404/2533

Почитайте на картинке, вот что эйджизм клятый делает...

Факт упрямый - он есть.

Я вот иногда думаю - ну кто меня возьмет на работу в мои 50+, если наши бизнесы накроются медным тазиком? Куда деваться? Вот и я не знаю... Можно поставить смайлик, но что-то не хочется.

Да чего греха таить, мы когда искали одного специалиста общались с разными людьми и я позвал очень хорошего (по резюме) человека, а когда он пришел оказалось что его возраст 65+ (он не указал в резюме, фотка была моложавая) ... И я помню свою первую реакцию - отторжение по возрасту - как он сможет с студентами работать? :(

Русский ИТ бизнес

Месяц назад коллеги пришли с вопросом: «Можешь ли ты сделать предварительный скоринг резюме? Не хотим тратить время на явно неподходящих». В качестве теста взяли вакансию “Оператор Контакт-Центра” — текучка там максимальная.

Идея автоматизация скрининга не нова - до llm отбор осуществлялся по ключевым словам в теме и тексте резюме, но с помощью новых моделей, можно это сделать более интеллектуальным.

Для начала, я попробовал похалявить и просто взял из hh 50 резюме и скормил их в локальную LLM с простым промптом:
«Ты руководитель КЦ в финансовой компании. Вот вакансия, вот резюме. Подходит — Да/Нет и почему».

Чуда не случилось — нейросеть угадала только 30-40%, как признали коллеги. Кандидаты, которых “одобрила” нейросеть, на деле не подошли.

Попытка 2:
Запер руководителя КЦ в кабинете и долго пытал: “Опиши, по каким критериям ты реально выбираешь подходящих?”
Получил список:
• Опыт работы именно в нашей сфере
• Не ищет подработку
• Работал в похожем отделе (например, контакт-центр, не просто “консультант” в магазине)

Затем, на каждый параметр отдельно уточнил, что именно он имеет в виду:
• Опиши, как ты определяешь, что кандидат ищет подработку?
• Что для тебя значит «опыт работы в похожем отделе»? Достаточно ли просто телефонных консультаций, или нужен именно опыт КЦ?
• — и так далее по всем пунктам.

После этого разбил резюме на разделы (Опыт работы, Контакты, ЗП и пр.), и для каждого критерия давал LLM не всё резюме, а только нужный кусок с конкретным промптом под этот кусок.
«Пример: Ты руководитель КЦ. Вот опыт работы из резюме. Определи: консультировал ли соискатель клиентов по телефону/чату? Ответ дай в виде Да/Нет»

Результат:
В итоговой табличке — чёткие “да/нет” по каждому параметру. Точность по каждому из параметров — 98-100%.

Выводы:
• LLM, как и люди: если не устраивает ответ, сначала сам максимально пойми какой нужен результат, разбивай сложные задачи на простые, не пихай всё в один запрос.

Если кому-то важно, остановился на китайской QWEN 3. Она неплохо справляется с математикой и датами (определи сколько месяцев сотрудник работал на прошлом месте). Работает все на видеокарте RTX 4090, Python + API LM Studio

P.S.
Если вам опыт показался полезным — подписывайтесь на мой Телеграм-канал. Я там 1-3 раза в неделю выкладываю кейсы, разборы инструментов и честных инструкций (без хайпа) по работе с нейросетями для жизни и бизнеса.