Práce s životopisy patří mezi typické oblasti, kde se v praxi potkává vysoká míra variability vstupních dat s požadavkem na jednotný a konzistentní výstup. HR oddělení běžně zpracovávají CV dodaná v různých formátech, jazykových mutacích a bez jednotné struktury. Převod těchto dokumentů do firemních šablon je často založený na ručním přepisu, který je časově náročný, náchylný k chybám a obtížně škálovatelný.
Tato výzva nás vedla k návrhu řešení, které kombinuje OCR technologie, jazykové modely a automatizuje převod životopisů do jednotné firemní šablony. Cílem nebylo vytvořit další komplexní HR systém, ale ověřit, zda lze pomocí moderních AI přístupů výrazně zjednodušit rutinní proces, který se opakuje napříč organizacemi.
Kontext a technické výzvy
Vstupní dokumenty nemají jednotnou strukturu, liší se formátováním i jazykem (čeština / angličtina) a často obsahují kombinaci volného textu, tabulek a grafických prvků. Z technického pohledu se tak jedná o typický příklad nestrukturovaných dat, se kterými je obtížné pracovat pomocí klasických přístupů.
Mezi hlavní výzvy patřila extrakce textu z PDF dokumentů bez jednotného rozložení, identifikace významových částí v nestrukturovaném obsahu (pracovní zkušenosti, role, technologie, vzdělání) a následná normalizace těchto informací do strukturované podoby vhodné pro další automatické zpracování. Neméně důležitým požadavkem bylo generování výstupu přímo do interní DOCX šablony bez nutnosti ručních zásahů.
Zvolený přístup: vícekroková AI pipeline
Navržené řešení je postaveno jako vícekroková pipeline, která kombinuje klasické zpracování dokumentů s moderními AI přístupy. Klíčovou myšlenkou bylo oddělit jednotlivé fáze zpracování tak, aby bylo možné každou z nich samostatně optimalizovat a řešení do budoucna snadno rozšiřovat.
Celý proces začíná OCR extrakcí textu a základní analýzou rozvržení dokumentu. Vstupní PDF soubory jsou v případě potřeby rozděleny na jednotlivé stránky, nad kterými probíhá rozpoznání textu a identifikace základní struktury obsahu, jako jsou odstavce nebo tabulky.
Aby bylo možné dosáhnout stabilních a konzistentních výsledků při práci s jazykovým modelem, je OCR výstup dále normalizován. Tento krok zahrnuje odstranění šumu vzniklého OCR, sjednocení struktury textu a vytvoření čistého textového vstupu, který je vhodný pro sémantickou analýzu. Právě kvalita této fáze má zásadní vliv na výsledky následující AI extrakce.
Sémantická extrakce a generování výstupu
Nad normalizovaným textem probíhá sémantická extrakce informací pomocí jazykového modelu (LLM). Model pracuje s předem definovaným cílovým JSON schématem, které odpovídá struktuře firemní CV šablony. Jeho úkolem není pouze identifikovat relevantní informace, ale také normalizovat hodnoty a formátování podle stanovených pravidel a validovat výslednou strukturu výstupu.
Strukturovaný JSON výstup je následně automaticky mapován do firemní DOCX šablony. Proces zahrnuje doplnění základních údajů, dynamické generování tabulek pro pracovní zkušenosti, projekty či vzdělání a podporu vícejazyčných variant šablony. Výsledkem je hotové CV ve standardizované firemní podobě, připravené k okamžitému použití.
Architektura, limity a přenositelnost řešení
Řešení je navrženo jako cloud-native. Integrační logika je realizována v Pythonu a architektura umožňuje snadné rozšiřování o další formáty dokumentů nebo nové scénáře použití.
Zkušenosti z praxe zároveň ukazují i na určitá omezení. Mezi hlavní patří limity formátování Word dokumentů, závislost na kvalitě vstupních PDF souborů, nutnost správné volby OCR modelu a průběžné ladění promptů pro dosažení konzistentních výstupů. I přes tyto limity převažují přínosy v podobě výrazné úspory času, konzistence výstupů a lepší škálovatelnosti procesu.
Závěr
Kombinace OCR technologií a jazykových modelů se ukazuje jako efektivní přístup pro práci s nestrukturovanými dokumenty, jakými jsou životopisy. Navržené řešení je prakticky použitelné v každodenním provozu HR oddělení a jeho architektura je snadno přenositelná i na další typy dokumentů a scénáře využití.
Automatizace tohoto typu umožňuje firmám soustředit se více na práci s lidmi a méně na rutinní administrativu – a právě v tom spočívá její skutečná hodnota.