Miércoles , Mayo 22 de 2019

Modelos de Valor

¿Reclutamientos vía Inteligencia Artificial? everis te dice cómo hacerlo

Autor: Staff High Tech Editores

|Compartir

Aprende cómo crear un robot que realicé entrevistas y envié informes de los candidatos utilizando el análisis de sentimientos y el reconocimiento de voz

Con el fin de ayudar a las empresas a utilizar la Inteligencia Artificial para agilizar sus procesos de reclutamiento de personal, everis ha realizado una explicación detalladamente de cómo puede crear un sistema de reclutamiento de personal, basado en el reconocimiento de voz y el análisis de sentimientos, capaz de realizar entrevistas e identificar ciertos rasgos de los aspirantes a un puesto de trabajo.

¿Cómo funciona?

Como reclutador, este chatbot interactivo comenzará presentando al candidato un formulario web para capturar el nombre y la información de contacto, después dará la bienvenida al candidato con la voz del servicio Google Translate y, posteriormente continúa con las preguntas de la entrevista a través de voz y texto.

Una vez recibidas las respuestas del candidato, procederá con el análisis para detectar el sentimiento predominante de cada respuesta y para generar un gráfico de barras para incluir en el informe final de la entrevista.

Te interesa leer: Chatbots: ¿Cómo usarlos en Pro de las empresas de retail?

El sistema también utilizará estas respuestas para elaborar un resumen de la entrevista que se incluirá en el informe final, y al finalizar la entrevista, el asistente virtual genera el informe y lo envía por correo electrónico al gerente de contratación humana.

Pasos a seguir

Primero, se necesita desarrollar un asistente virtual, que será el agente de conversación que orquestará todo el proceso de la entrevista. Luego, a través de diferentes técnicas de aprendizaje automático, se construyen y entrenan modelos que serán capaces de ejecutar los pasos anteriores.

Aquí algunas formas creativas de usar y desarrollar estos diversos componentes.

Para la voz a Texto, everis utilizó el Web Speech API, que facilita el añadir reconocimiento de voz a las páginas web. Esta API permite un control satisfactorio y flexibilidad para Chrome versión 25 y posteriores.

Para el motor del asistente virtual, utilizó api.ai/DialogFlow para configurar todos sus intentos, entidades, etc., y así crear su propio motor de bot con capacidades de texto. Además, usó un webhook para cumplir con la solicitud y usar una función de nube para manipular cada uno de los mensajes de intención.

Para pasar de texto a voz, la compañía creó una aplicación Node.js simple utilizando la API TTS de Google para convertir texto en audio y crear una respuesta que lo envíe a DialogFlow y luego al usuario. La respuesta es enviada por un archivo JSON.

Una vez que se implemente la función de nube, se debe implementarla para consumirla en DialogFlow. everis decidió implementarla en la plataforma Google Cloud utilizando Firebase de la siguiente manera:

  • Primero, necesitamos obtener el SDK de Firebase usando el siguiente código en un shell.

  • Ejecuta el siguiente comando para autenticarse en Firebase usando tu cuenta de Google vinculada a Google Cloud.

  • Luego, ve al directorio de tu proyecto y ejecuta el siguiente comando.

  • Una vez que hayas completado todo, tendrás un directorio de proyectos similar a este:

  • Copia la función Node.js anterior en el archivo index.js e implementa tu función usando:

  • Si todo va bien, se proporcionará una URL, similar a:

  • A veces, puede que necesites agregar estas variables a tu index.js:

Es importante tener en cuenta que necesitas un proyecto de Google Cloud configurado para usar este código.

Para el análisis del sentimiento, everis usó la API PNL de Google y diseñó un resumen en Python y expuso el servicio usando Django. Para el resumen de Python, utilizó la biblioteca summy de Python:

Para la generación de informes, la compañía usó una biblioteca de JavaScript para la generación de PDF llamada BytescoutPDF.js. Es una biblioteca simple que permite configurar el informe como desees desde el lado del cliente, mientras que para enviar el correo electrónico, recurrió a dos bibliotecas del lado del servidor: nodemailer.js y body-parser.js. La primera biblioteca se utiliza para configurar la capa de transporte SMTP y enviar el correo electrónico. La segunda biblioteca se utiliza para administrar archivos adjuntos y solicitudes POST.

Por último, sólo se necesita conectar todos los componentes en el middleware para administrar cada tarea.

Comentarios


Más Populares