<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Felipe Eduardo Gomes on Medium]]></title>
        <description><![CDATA[Stories by Felipe Eduardo Gomes on Medium]]></description>
        <link>https://medium.com/@felipe.gomes?source=rss-da07a646de2a------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*xc7ucRY5z7328YugzegFRQ.jpeg</url>
            <title>Stories by Felipe Eduardo Gomes on Medium</title>
            <link>https://medium.com/@felipe.gomes?source=rss-da07a646de2a------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Fri, 20 Nov 2026 16:51:45 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@felipe.gomes/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[Triagem de currículos utilizando Python + API GPT-4]]></title>
            <link>https://medium.com/@felipe.gomes/triagem-de-curr%C3%ADculos-utilizando-python-api-gpt-4-c63d57122d21?source=rss-da07a646de2a------2</link>
            <guid isPermaLink="false">https://medium.com/p/c63d57122d21</guid>
            <category><![CDATA[programming]]></category>
            <category><![CDATA[artificial-intelligence]]></category>
            <category><![CDATA[innovation]]></category>
            <category><![CDATA[hcm]]></category>
            <category><![CDATA[gpt-4]]></category>
            <dc:creator><![CDATA[Felipe Eduardo Gomes]]></dc:creator>
            <pubDate>Thu, 30 Mar 2023 00:01:56 GMT</pubDate>
            <atom:updated>2023-03-30T00:06:00.045Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="Imagem gerada pelo aplicativo Dall-E" src="https://cdn-images-1.medium.com/max/512/1*7vpNEv-DHCbol7upT_536A.png" /><figcaption>Capivara em um traje típico alemão — Imagem gerada pelo aplicativo de IA <a href="https://openai.com/product/dall-e-2">Dall-E</a></figcaption></figure><p>Olá pessoal! Vocês já se perguntaram como as empresas lidam com a triagem de currículos quando recebem centenas ou até milhares deles para uma única vaga? Bem, se a empresa não possuir um sistema que auxilie no processo, pode se tornar uma tarefa bem trabalhosa. Felizmente hoje em dia já existe uma vasta gama de soluções para auxiliar nesta atividade. Uma das opções, cujo hype está bem alto, é a inteligência artificial.</p><p>Neste artigo, especificamente, iremos falar da utilização de um poderoso modelo de linguagem natural chamado <strong>GPT-4</strong>. Se você ainda não ouviu falar dele, saiba que é o mais novo modelo de linguagem natural da <a href="https://openai.com/">OpenAI</a> e promete revolucionar a forma como interagimos com a tecnologia.</p><blockquote><strong>Informação importante sobre o acesso a API GPT-4:</strong><br><em>Atualmente a API GPT-4 está em versão beta, para ter acesso, você precisa se inscrever na </em><a href="https://openai.com/waitlist/gpt-4-api"><em>lista de espera</em></a><em> ou se tornar membro plus pelo valor de U$ 20 doletas por mês. Como eu já estava na lista de espera, acabei recebendo acesso antecipado a versão beta da API. Importante reforçar que o acesso à API e seus recursos podem estar sujeitos a alterações até o lançamento da versão final.</em></blockquote><p>Antes de entrar a fundo no assunto, vou contextualizar um pouco. Meu nome é Felipe Gomes, sou analista de sistemas e atualmente trabalho em uma das maiores empresas de tecnologia para gestão de pessoas do Brasil. Recentemente conclui minha especialização em Ciência de Dados, o que aumentou ainda mais o interesse por implementar modelos de aprendizado de máquina e inteligência artificial em soluções HCM (Human Capital Management).</p><p>Dito isto, vamos esclarecer alguns conceitos que serão abordados neste artigo.</p><blockquote><strong>ChatGPT X GPT-4 — Qual a diferença?</strong></blockquote><p>O ChatGPT ficou famoso por ser um dos mais avançados sistemas de conversação em linguagem natural disponíveis atualmente. Ele é um sistema construído e treinado para interagir em diálogos humanos, utiliza como “motor” o modelo GPT (Generative Pre-trained Transformer) da OpenAI. No momento que este artigo está sendo escrito, o GPT encontra-se na quarta versão.</p><p>O GPT é baseado no modelo de redes neurais de aprendizado profundo que utiliza transformers, projetado para entender a linguagem natural. Uma rede neural é um modelo computacional inspirado no neurônio humano, que aprende através de exemplos [1]. Não irei me aprofundar na parte teórica, até porque existe uma vasta literatura disponível sobre o assunto.</p><blockquote><strong>Análise Léxica X Análise Semântica — </strong>Porque utilizar IA para triagem de currículos?</blockquote><p>Para responder a essa pergunta, é necessário compreender um pouco mais sobre léxica e semântica. A análise léxica se concentra na correspondência exata de palavras ou termos-chave específicos entre o que está sendo pesquisado e o que está sendo procurado, enquanto a busca semântica leva em consideração o significado e o contexto das palavras usadas na pesquisa para fornecer resultados mais relevantes e precisos [2].</p><p>O principal desafio para as ferramentas tradicionais como bancos de dados SQL ou buscadores de texto é que os mesmos não possuem a capacidade de interpretar informações contextuais ou semânticas significativas. É aqui que entra a inteligência artificial! 🙌</p><p><strong>O que iremos fazer?</strong></p><p>Vamos começar com uma implementação simples, fornecendo como insumo ao nosso modelo, um dataset com currículos de candidatos variados. Após isto, iremos realizar uma pergunta ao modelo, que irá nos indicar o candidato com as melhores competências para ocupar determinada vaga.</p><p>Aqui vai uma dica valiosa: O segredo do GPT-4 é fazer a pergunta correta. A <a href="https://medium.com/mlearning-ai/from-zero-shot-to-chain-of-thought-prompt-engineering-choosing-the-right-prompt-types-88800f242137">engenharia de “prompt”</a> é o componente chave do sucesso quando se trata de usar ferramentas modernas de conversação de IA como GPT-4. Atualmente existem empresas contratando “Prompt Engineers”, que são pessoas com competências específicas para melhorar a busca e performance do modelo.</p><p>Para realizar a implementação do modelo, utilizaremos a linguagem <a href="https://www.python.org/"><strong>Python </strong></a>e o ambiente de desenvolvimento <a href="https://colab.research.google.com/"><strong>Google Colab</strong></a><strong>. </strong>O dataset utilizado neste artigo possui as colunas “Nome” e “Resumo”, contendo 14 amostras. Os dados foram gerado através do ChatGPT (sim, isso mesmo! 🤯), assumiremos a premissa que ele estará no formato abaixo:</p><figure><img alt="Dataset de currículos" src="https://cdn-images-1.medium.com/max/669/1*_mTB4cwHi_KmTz1asRQeSw.png" /><figcaption>Dataset de currículos</figcaption></figure><p>Utilizaremos a biblioteca “Pandas” para manipular o dataset no formato CSV e a biblioteca “OpenAi” para utilização do GPT-4. O primeiro passo é realizar a importação das bibliotecas:</p><pre>!pip install openai<br>import openai<br>import pandas as pd</pre><p>Criaremos uma função chamada “concatenate_resumes” que irá ler o arquivo CSV contendo os currículos dos candidatos. Na sequencia irá concatenar as informações e preparar para enviá-las a API:</p><pre>def concatenate_resumes(file_path):<br>  df = pd.read_csv(file_path, sep=&#39;;&#39;, encoding=&#39;latin-1&#39;)<br><br>  df[&#39;Nome&#39;] = df[&#39;Nome&#39;].astype(str)<br>  df[&#39;Resumo&#39;] = df[&#39;Resumo&#39;].astype(str)<br><br>  df[&#39;Curriculo&#39;] = df[&#39;Nome&#39;] + &#39;\n&#39; + df[&#39;Resumo&#39;]<br><br>  context = &#39;\n\n-------------\nCandidato\n\n&#39;.join(df[&#39;Curriculo&#39;])<br>  return context</pre><p>Após isto, criaremos função “analyze_candidate”, que irá enviar os dados dos candidatos para a API. A função recebe dois parâmetros: <strong>“prompt”</strong> e <strong>“model_engine</strong>”.</p><p>Na primeira linha da função, a API é chamada com o comando “openai.ChatCompletion.create()”. Na sequencia são informados os parâmetros do GPT-4. O retorno da API é armazenado na variável “response”. A função retorna a primeira resposta gerada pela API, que é a resposta mais provável.</p><pre>def analyze_candidate(prompt, model_engine):<br>    <br>    response = openai.ChatCompletion.create(<br>        model=model_engine, <br>        messages=prompt,<br>        max_tokens=1024,<br>        top_p=1,<br>        frequency_penalty=0,<br>        presence_penalty=0,<br>        temperature=0.5<br>    )<br>    <br>    return response.choices[0].message.content</pre><p>Agora vamos definir a função principal “main()” que será executada ao chamar o script. Nesta função informamos a chave da API que será usada para se autenticar na plataforma.</p><p>Como engine, utilizaremos o <strong>“gpt-4”</strong>, que é o mais atual e robusto motor para processamento de linguagem natural da OpenAi.</p><p>Na variável “prompt” definimos os papéis que o modelo deve desempenhar. Isto é importante para influenciar no comportamento do mesmo e obter melhores resultados. Neste exemplo, estou dizendo ao modelo através do papel “system”, que ele é “um software ATS (Applicant Tracking System) que faz a gestão dos processos seletivos”. Já no papel “user” faço o questionamento: <strong>“Escolha o candidato que possui mais experiência para ser contratado em uma vaga de cientista de dados e justifique. Informe em uma escala de 0% a 100% a compatibilidade de cada candidato com a vaga do maior para o menor”.</strong></p><p>Após isto, efetuamos a chamada da função “analyze_candidate” para enviar o texto para a API e retornar a resposta gerada.|</p><pre>def main():<br>    openai.api_key = &quot;INFORME SUA API KEY AQUI&quot;<br>    model_engine = &quot;gpt-4&quot;<br>    <br>    file_path = &quot;https://raw.githubusercontent.com/gomesfg/screening-resumes-gpt4-python/main/seed/candidate_resumes.csv&quot;<br>    context = concatenate_resumes(file_path)<br>    <br>    prompt = [{&quot;role&quot;: &quot;system&quot;, &quot;content&quot;: &quot;Você é um software ATS (Applicant Tracking System) que faz a gestão dos processos seletivos.&quot;},<br>              {&quot;role&quot;: &quot;user&quot;, &quot;content&quot;: &quot;Escolha o candidato que possui mais experiência para ser contratado em uma vaga de cientista de dados e justifique. Informe em uma escala de 0% a 100% a compatibilidade de cada candidato com a vaga do maior para o menor. \n&quot;+context+&quot;&quot;}]        <br><br>    candidate_analysis = analyze_candidate(prompt, model_engine)<br>    print(candidate_analysis)</pre><p>Por fim, executando o modelo, o mesmo retornou que o candidato “Pedro Garcia” deu match com os requisitos da vaga, e ainda justificou a escolha:</p><pre><em>O candidato que possui mais experiência para ser contratado em uma vaga de <br>cientista de dados é Pedro Garcia. Ele é um engenheiro de software focado em <br>inteligência artificial com experiência em sistemas de reconhecimento de voz, <br>visão computacional, robótica e sistemas de aprendizado de máquina. Essas <br>habilidades são altamente relevantes para um cientista de dados e o <br>diferenciam dos outros candidatos.<br><br>Compatibilidade com a vaga (maior para o menor):<br><br>1. Pedro Garcia: 90%<br>2. Miguel Rodriguez: 40% (experiência em automação e sistemas de gerenciamento de energia)<br>3. João Silva: 30% (experiência em sistemas de gerenciamento de projetos, equipes, finanças e vendas)<br>4. Ana Rodriguez: 25% (experiência em aplicativos de gerenciamento de tempo e sistemas de gestão de equipe)<br>5. Marcos Oliveira: 20% (experiência em sistemas de gerenciamento de logística, estoques, vendas e produção)<br>6. Fernanda Silva: 15% (experiência em desenvolvimento web e aplicativos de saúde)<br>7. Laura Perez: 10% (experiência em sistemas de gerenciamento de recursos humanos e e-commerce)<br>8. Carlos Martinez: 10% (experiência em aplicativos móveis de saúde, financeiros, viagens e bem-estar)<br>9. Isabela Silva: 5% (experiência em aplicativos de fitness, alimentação, saúde mental e bem-estar)<br>10. Ana Maria: 5% (experiência em aplicativos de viagens, restaurantes, entretenimento e compras)<br>11. Carolina Silva: 5% (experiência em aplicativos de saúde, fitness, nutrição e saúde mental)<br>12. Rafael Santos: 5% (experiência em sistemas de gerenciamento de vendas, estoques, finanças e produção)<br>13. Juliana Lima: 5% (experiência em aplicativos de viagens, hospedagem, transporte e turismo)</em></pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*4Cm_g_DXFbFX_-FDOkX7DA.png" /><figcaption>Resposta da API GPT-4</figcaption></figure><p>Currículo do candidato “Pedro Garcia”:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/675/1*Jklji_CJzSwCbywv0IPp1Q.png" /><figcaption>Curriculo do candidato “Pedro Garcia”</figcaption></figure><p>E aí, o que vocês acharam dessa solução de triagem de currículos por meio da API do GPT-4? Disponibilizei o notebook com a solução e o dataset no meu repositório do <a href="https://github.com/gomesfg/screening-resumes-gpt4-python">Github</a>.</p><p>Deixe suas opiniões nos comentários abaixo!</p><p><strong>Referências:</strong></p><p>[1] CARVALHO, A. C. P. F. <strong>Redes Neurais Artificiais</strong>. São Paulo. Disponível em: <a href="https://sites.icmc.usp.br/andre/research/neural/">https://sites.icmc.usp.br/andre/research/neural/</a>. Acesso em: 14 mar. 2023</p><p>[2] MENEZES, P. B. <strong>Linguagens Formais e Autômatos</strong>. 03. ed. Porto Alegre: Sagra Luzzatto, 2000. 165 p.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=c63d57122d21" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>