履歴書の解析と人材マッチングのクイズにおける AI

クイズに答えると、答えと解説が表示されます。

1. 履歴書の解析は主に何をするのですか?
   • 非構造化履歴書のテキストをスキルや日付などの構造化フィールドに変換します
   • 候補者の履歴書を書きます
   • 候補者と電話で面接します
   • 役割ごとに給与を設定します
2. 最新のセマンティック マッチングは古いキーワード フィルターをどのように改善しますか?
   • 完全に一致する単語のみを検索します
   • 関連用語を理解するので、「React 開発者」と「フロントエンド エンジニア」を一致させることができます。
   • 職務内容を無視している
   • 候補者は履歴書を再入力する必要があります
3. AI の人材マッチングにおいて偏見が深刻な懸念事項となるのはなぜですか?
   • AIはPDFを読めない
   • 履歴書は常に匿名です
   • 過去の採用について訓練されたモデルは、過去の差別を学習し、増幅させる可能性がある
   • マッチングは完全にランダムです
4. 類似性比較のためにテキストを数値ベクトルに変換する手法はどれですか?
   • OCRスキャン
   • スプレッドシートの並べ替え
   • スペルチェック
   • 変圧器モデルからの埋め込み
5. スキャンした画像ベースの履歴書からテキストを抽出するには何が必要でしょうか?
   • 光学式文字認識 (OCR)
   • より大きなマイク
   • より高速なプリンター
   • 新しい求人情報
6. What is one possible use of semantic matching in a resume-screening workflow?
   • Automatically decide who should be hired without human review
   • Compare job requirements with skills described in candidate profiles
   • Guarantee a fair outcome for every applicant
   • Infer protected traits from a candidate’s name
7. When can an OCR step be useful in resume parsing?
   • When comparing two already-computed embedding vectors
   • When deciding a candidate’s interview score
   • When a resume is a scanned image and its text is not directly selectable
   • When converting a job title into a salary
8. What does cosine similarity compare in the guide’s embedding-based matcher?
   • The number of pages in each document
   • The chronological order of work history entries
   • The acoustic pitch of candidate names
   • The direction or angular similarity of job-description and candidate-profile vectors