Case:
Correção automática de redação utilizando Machine Learning e inteligência artifical

Setor: Recursos Humanos

Tecnologias:

Sobre o cliente

A Startup Rankdone é um spin off da 4Linux , foi criada em 2016 e é a maior plataforma brasileira para aplicação de testes em candidatos durante os processos seletivos. O produto é comercializado como SaaS e possui clientes como Sicoob, KPMG e DPascoal. Em 2017, foi uma das startups escolhidas pelo InovaBra  (programa de inovação do Banco Bradesco) e com isso vem experimentando um crescimento exponencial.

  • Sobre o projeto
  • Desafios na implantação
  • Solução implementada
  • Benefícios e resultados

A Rankdone é uma aplicação composta de um backend em PHP, um frontend em TypeScript (Angular) e diversos micro serviços, escritos em diversas linguagens, que agregam novas funcionalidades Este projeto foi para agregar o micro serviço de um corretor automático de redações utilizando ferramentas de Machine Learning. O projeto Avaliação de Redação teve o propósito de automatizar a avaliação de redações escritas por candidatos que participam de processos seletivos. O objetivo do projeto foi dar uma nota à redação de um candidato a uma vaga de emprego e gerar um ranqueamento dos candidatos que tiveram melhor desempenho na redação.

  • Quantificar erros ortográficos levando em conta semântica das palavras.
  • Verificar o quanto uma redação fugiu ao tema proposto.
  • Avaliar a qualidade de escrita do candidato.
  • Reunir dados com qualidade suficiente para treinar algoritmos de Machine Learning.
  • Reunir, transformar e enriquecer dados para treinar e melhorar a acurácia e precisão dos algoritmos de Machine Learning.
  • Processar um grande volume de dados durante o treinamento dos algoritmos de Machine Learning e de Processamento Natural de Linguagem.
  • Automatizar o modelo de Machine Learning em produção.

Solução Implementada

Para implementar o projeto Avaliação de Redação foram usadas as seguintes ferramentas:

  • Jupyter Notebook com Scikit Learn: Para prototipagem do projeto.
  • Python com Spark MLlib: Implementação do modelo de Machine Learning e pré-processamento dos dados.
  • NiFi, Kafka, Hadoop: Para ingestão de dados via streaming de documentos de textos e armazenamento de dados.
  • Docker, Jenkins, Apache Airflow e MLFlow: Para automação de processos de Machine Learning – DataOps. Teste automatizado, qualidade e alertas e qualidade do ambiente de produção.
  • ArangoML: para gerenciamento de modelos.

  • Disponibilização de novo micro serviço para a plataforma Rankdone.
  • Corrigir uma grande quantidade de redação, dar notas e fazer o ranqueamento em pouquíssimo tempo.
  • Diminuir custos com profissionais que corrigem redações.
  • Reduzir o viés ideológico de avaliação de redações por seres humanos.
  • Criação de algoritmos de Machine Learning Escaláveis.
  • Criação de modelos de Machine Learning com aplicação de DataOps.
small_c_popup.png

Quer receber todos os cases da 4Linux em formato de e-book?

Ele pode servir de inspiração ou rumo para o seu próximo projeto utilizando software open source.

Ao clicar em enviar você estará de acordo com nossa Política de Privacidade e Termos LGPD.