Integra: INclusive Technology for Enhanced Gradation and Review of Applicants

Pivi, Francesco (2024) Integra: INclusive Technology for Enhanced Gradation and Review of Applicants. [Laurea magistrale], Università di Bologna, Corso di Studio in Artificial intelligence [LM-DM270], Documento ad accesso riservato.
Documenti full-text disponibili:
[img] Documento PDF (Thesis)
Full-text accessibile solo agli utenti istituzionali dell'Ateneo
Disponibile con Licenza: Salvo eventuali più ampie autorizzazioni dell'autore, la tesi può essere liberamente consultata e può essere effettuato il salvataggio e la stampa di una copia per fini strettamente personali di studio, di ricerca e di insegnamento, con espresso divieto di qualunque utilizzo direttamente o indirettamente commerciale. Ogni altro diritto sul materiale è riservato

Download (3MB) | Contatta l'autore

Abstract

The true wealth of a company lies in the inclusivity and diversity among individuals. Addressing potential biases in resume screening is crucial to enhancing social and workplace well-being. We propose a solution called INTEGRA: Inclusive Technology for Enhanced Gradation and Review of Applicants. INTEGRA employs a Retrieval Augmented Generation (RAG) Fusion architecture to process resumes, effectively mitigating biases, via text summarization, before storing data. It includes a bias filter for queries to prevent their introduced by users, intentional or unintentional. Utilizing open-weight large language models (LLMs), INTEGRA ensures compliance with the AI Act and General Data Protection and Regulation (GDPR) law in EU , while maintaining data privacy within the organization, ensuring transparency and regulatory adherence. This approach aims to establish fairer HR practices, enhancing inclusivity and diversity within organizations. The thesis was developed in collaboration with the Innovation Labs at SACMI company and was presented at the Coling 2025 Conference.

Abstract
Tipologia del documento
Tesi di laurea (Laurea magistrale)
Autore della tesi
Pivi, Francesco
Relatore della tesi
Correlatore della tesi
Scuola
Corso di studio
Ordinamento Cds
DM270
Parole chiave
NLP,Deep Learning,Machine Learning,RAG
Data di discussione della Tesi
8 Ottobre 2024
URI

Altri metadati

Statistica sui download

Gestione del documento: Visualizza il documento

^