(English below)
DEMONSTRATION VIDÉO FRANCAIS SEULEMENT
Ce projet est une application de gestion de CV qui utilise des techniques avancées d'intelligence artificielle pour automatiser et optimiser le processus de tri et d'analyse des curriculum vitae. L'application est conçue pour aider les professionnels des ressources humaines à gérer efficacement un grand nombre de candidatures, en convertissant des données non structurées en informations structurées grâce à l'utilisation de NLP, de modèles d'apprentissage machine comme Spacy et RoBERTa, ainsi que de Regex pour la reconnaissance de motifs.
- Traitement Automatisé : L'application traite les CV au format PDF
- Extraction de Données : Utilise des techniques NLP pour extraire des informations pertinentes des CV.
- Analyse Intelligente : Emploie des modèles d'IA pour classer les candidatures.
- Interface Utilisateur Intuitive : Facilite la navigation pour les utilisateurs.
- Python 3.8+
- Bibliothèques Python nécessaires (requirements.txt) :
- Flask==3.0.0
- pandas==1.5.3
- spacy==3.7.2
- PyMuPDF==1.23.7
- regex==2023.8.8
- transformers==4.31.0
- spacy-alignments==0.9.1
- spacy-curated-transformers==0.2.1
- spacy-legacy==3.0.12
- spacy-llm==0.6.4
- spacy-loggers==1.0.5
- spacy-transformers==1.3.3
- Base de données (optionnelle pour le stockage des CV)
Suivez ces étapes pour installer et configurer l'application :
Clonez le dépôt GitHub sur votre machine locale en utilisant, ou tout simplement télécharger le fichier .zip :
git clone https://github.com/AnthonyNadon/PaperBoy-ResumeParser-app.git
Dans le répertoire du projet, installez les dépendances nécessaires :
pip install -r requirements.txt
Téléchargez le modèle en cliquant sur le lien suivant : Télécharger le modèle
Après avoir téléchargé le fichier du modèle, placez-le dans le bon répertoire.
PaperBoy-ResumeParser-app-main/
├── PaperBoy-model/
Décompressez le fichier.
Enfin, lancez l'application:
python PaperBoy.py
Après avoir lancé l'application, ouvrez un navigateur et accédez à http://127.0.0.1:5000
pour interagir avec l'application.
Le graphique ci-dessous illustre l'évolution de la perte (Loss NER) et de la précision (Accuracy NER) du modèle d'apprentissage automatique au cours des différents batches d'entraînement. Notamment, le modèle a atteint un niveau de précision à 87%, ce qui démontre son efficacité et sa fiabilité dans la tâche de reconnaissance d'entités nommées (NER).
This project is a resume management application that uses advanced artificial intelligence techniques to automate and optimize the process of sorting and analyzing resumes. The application is designed to help human resources professionals efficiently manage a large number of applications by converting unstructured data into structured information using NLP, machine learning models like Spacy and RoBERTa-uncased, as well as Regex for pattern recognition.
- Automated Processing: The application processes resumes in PDF format.
- Data Extraction: Uses NLP techniques to extract relevant information from resumes.
- Intelligent Analysis: Employs AI models to process and classify applications.
- Intuitive User Interface: Facilitates navigation by users.
- Python 3.8+
- Required Python Libraries (requirements.txt) :
- Flask==3.0.0
- pandas==1.5.3
- spacy==3.7.2
- PyMuPDF==1.23.7
- regex==2023.8.8
- transformers==4.31.0
- spacy-alignments==0.9.1
- spacy-curated-transformers==0.2.1
- spacy-legacy==3.0.12
- spacy-llm==0.6.4
- spacy-loggers==1.0.5
- spacy-transformers==1.3.3
- Database (optional for storing resumes)
Follow these steps to install and configure the application:
Clone the GitHub repository to your local machine using:
git clone https://github.com/AnthonyNadon/PaperBoy-ResumeParser-app.git
or simply download the zip file
In the project directory, install the necessary dependencies:
pip install -r requirements.txt
Download the model by clicking on the following link: Download the model
After downloading the model file, place it in the correct directory.
PaperBoy-ResumeParser-app-main/
├── PaperBoy-model/
Unzip the file.
Finally, launch the application:
python PaperBoy.py
After launching the application, open a browser and go to http://127.0.0.1:5000
to interact with the application.
The graph below illustrates the evolution of the loss (Loss NER) and the accuracy (Accuracy NER) of the machine learning model over various training batches. Notably, the model achieved a level of 87% accuracy, demonstrating its effectiveness and reliability in the task of Named Entity Recognition (NER).