피드로 돌아가기
Dev.toAI/ML
원문 읽기
Keyword Swapping 탈피를 통한 AI 기반 CV Audit 시스템 설계
I gave up on asking GPT to "tailor my CV"
AI 요약
Context
단순한 Prompting으로 LLM에 CV 최적화를 요청할 경우, 표면적인 Keyword Swapping과 Hallucination 중심의 결과물이 생성되는 한계 존재. 모델이 Task를 단순 텍스트 수정으로 인식하여 실제 직무 요구사항과 후보자 경험 간의 논리적 연결을 생략하는 구조적 문제 발생.
Technical Solution
- Task Framing 전환: CV Polishing이 아닌 Job Posting Spec 기반의 CV Audit 구조로 설계를 변경
- Input Order 최적화: JD를 Spec으로, CV를 Audit 대상물로 설정하여 평가 기준을 우선 정의하는 Context 제어
- Granular Scoring 도입: 전체 점수가 아닌 Section별 독립 점수 체계를 구축하여 모델이 각 근거를 방어(Defend)하게 강제
- Evidence-based Filter 적용: 형용사 배제 및 Outcome, Scope, Scale, Decision 중심의 정량적 증거 추출 로직 구현
- Constraint Enforcement: No Invented Numbers 원칙을 명시하여 정량적 지표의 Hallucination을 차단
- Context Re-anchoring: Multi-turn 대화 시 JD Context 소실을 방지하기 위해 매 섹션 평가 시 JD를 반복 주입하는 메커니즘 적용
실천 포인트
- LLM이 단순 텍스트 수정을 수행할 때 'Audit' 또는 'Evaluation' 프레임으로 전환하여 비판적 분석 유도 - 정량적 지표 생성 시 'No Invented Numbers'와 같은 강력한 부정 제약 조건을 명시하여 데이터 무결성 확보 - 전체 결과물에 대한 단일 평가 대신 세부 항목별 Scoring 시스템을 구축해 논리적 일관성 검증 - Multi-turn 인터랙션 시 Context Window 내 핵심 Spec의 희석을 방지하는 Re-anchoring 전략 검토