SELECT : sistema de extração e localização de competências e talentos

Abstract

A pesquisa a seguir investiga a aplicação de técnicas de otimização evolutiva para recomendar profissionais com maior aderência a vagas de emprego, considerando simul taneamente hard skills (habilidades técnicas), soft skills (habilidades comportamentais) e tempo de experiência profissional. O problema abordado refere-se à dificuldade encon trada em processos seletivos tradicionais para processar currículos de forma automática, resultando, muitas vezes, em decisões pouco transparentes e excessivamente demoradas. A proposta busca contribuir para um processo de pré-seleção mais rápido, explicável e eficiente, apoiado em algoritmos de otimização capazes de aprender a partir dos rankings gerados pelo departamento de contratação, levando em consideração os critérios utilizados na pré-seleção. Foram desenvolvidos e comparados dois modelos principais: o Algoritmo Genético (AG) e o Covariance Matrix Adaptation Evolution Strategy (CMA-ES). A avaliação de desempenho foi conduzida com métricas de ranqueamento, em especial o Normalized Discounted Cumulative Gain (NDCG), permitindo medir a proximidade entre os rankings gerados e o ranking considerado ideal. Os resultados indicaram que a combinação equilibrada entre hard skills, soft skills e tempo de experiência é essencial para aproximar a seleção automatizada das práticas reais de recrutamento. Em particular, a introdução das soft skills, frequentemente negligenci adas em modelos de recomendação, contribuiu para aumentar a aderência do ranking a avaliações humanas.