KR20200052412A

KR20200052412A - 인공지능 채용 시스템 및 상기 시스템의 채용 방법

Info

Publication number: KR20200052412A
Application number: KR1020180127712A
Authority: KR
Inventors: 김지원; 이종호
Original assignee: 롯데정보통신 주식회사
Priority date: 2018-10-24
Filing date: 2018-10-24
Publication date: 2020-05-15
Anticipated expiration: 2038-10-24
Also published as: KR102244938B1

Abstract

본 발명의 일 실시 예에 의한 인공지능 채용 시스템은, 데이터를 입력 받는 입력부; 와 상기 데이터를 정제하여 학습데이터 및 평가데이터를 생성하되, 상기 평가데이터는 적어도 하나의 평가 요소를 포함하는 처리부; 및 상기 학습데이터 및 상기 평가데이터에 기초하여 인공지능에 의한 학습을 수행하여 필요인재패턴을 생성하고, 구직자가 상기 필요인재패턴에 부합하는 정도에 대한 측정 결과와 상기 측정 결과에 영향을 미쳤다고 판단되는 상기 평가 요소를 선정하는 제어부를 포함한다.

Description

인공지능 채용 시스템 및 상기 시스템의 채용 방법{ARTIFICIAL INTELLIGENCE EMPLOYMENT SYSTEM AND EMPLOYING METHOD OF THEREOF}

본 발명은 인공지능 채용 시스템 및 상기 시스템의 채용 방법에 대한 것으로서, 보다 구체적으로 텍스트 데이터 분석 기반의 딥 러닝을 이용하여 구직자를 채용하는 인공지능 채용 시스템 및 상기 시스템의 채용 방법에 관한 것이다.

딥러닝(Deep Learning)이란 사물이나 데이터를 분류하거나 군집하는데 사용하는 기술을 말한다. 딥러닝은, 사람의 뇌가 사물을 구분하는 것처럼, 컴퓨터가 사물을 분류하도록 훈련시키는 기계학습의 일종이다.

딥러닝은 사전에 분석된 특별한 결과 없이도, 컴퓨터 스스로 데이터를 학습하는 과정을 통하여 데이터 속에 감춰진 패턴을 찾아내고 평가해내는 일련의 작업을 수행한다. 텍스트 딥러닝은 딥러닝의 여러 분야들 중에서 비정형 텍스트 데이터를 분석할 수 있는 대표적인 분야이다.

최근 다양한 분야에서 텍스트 딥러닝에 기반한 인공지능 기술의 활용이 시도되고 있으며, 구직자를 평가하기 위한 채용 과정에서 또한 지능화된 방법을 통하여 구인자의 노력 감소를 목적으로 다양한 방법들이 제안되고 있는 추세이다.

그러나, 기존의 방법들은 채용평가기준은 구인자가 제시하고, 구직자가 채용평가기준에 어느 정도로 부합되는지를 인공지능이 학습 및 평가하는 것에 불과하다. 이처럼, 기존의 채용 방법들은 인공지능을 방대한 양의 정보처리를 위한 목적으로만 사용하고 있다.

따라서, 구직자가 회사의 입사지원서 양식에 맞게 새로운 문서를 작성해야 하거나, 구인자가 구직자의 채용평가기준을 미리 선정해야만 하고, 이에 의해 채용을 위한 구인자 및 구직자의 추가적인 노력이 필요하다는 문제점이 있다.

본 발명은 구인자가 과거 구직자로부터 수집했던 서류 내 텍스트 데이터들을 수정 없이 활용하는 인공지능 채용 시스템 및 상기 시스템의 채용 방법을 제공하는 것을 목적으로 한다.

본 발명은 구인자가 채용기준을 설정하는 대신 인공지능에 의해 필요인재패턴을 생성하는 인공지능 채용 시스템 및 상기 시스템의 채용 방법을 제공하는 것을 목적으로 한다.

또한, 본 발명은 평가에 주요한 영향을 미친 텍스트를 선별 및 제공하여 결과의 신뢰도를 향상시키고 구인자가 채용 시 이를 활용할 수 있게 하는 인공지능 채용 시스템 및 상기 시스템의 채용 방법을 제공하는 것을 목적으로 한다.

나아가, 본 발명은 필요인재부합도와 직무적합도의 다각화된 구체적 방법에 기초하여 텍스트를 분할 및 조합하여 학습한 뒤 신규 구직자의 서류에 대한 평가를 수행하는 인공지능 채용 시스템 및 상기 시스템의 채용 방법을 제공하는 것을 목적으로 한다.

본 발명에서 이루고자 하는 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재에 의해 제안되는 실시 예들이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

본 발명의 다른 실시 예에 의한 인공지능 채용 시스템의 채용 방법은, 데이터를 입력 받는 단계; 와 상기 데이터를 정제하여 학습데이터 및 평가데이터를 생성하되, 상기 평가데이터는 적어도 하나의 평가 요소를 포함하는 단계; 와 상기 학습데이터 및 상기 평가데이터에 기초하여 인공지능에 의한 학습을 수행하여 필요인재패턴을 생성하는 단계; 및 구직자가 상기 필요인재패턴에 부합하는 정도에 대한 측정 결과와 상기 측정 결과에 영향을 미쳤다고 판단되는 상기 평가 요소를 선정하는 단계를 포함한다.

본 발명에 따른 실시 예들에 의하면, 구인자가 과거 구직자로부터 수집했던 서류 내 텍스트 데이터들을 수정 없이 활용하므로, 채용 절차에서 요구되는 구인자의 노력을 감소시킬 수 있다.

본 발명에 따른 실시 예들에 의하면, 구인자가 채용기준을 설정하는 대신 인공지능에 의해 필요인재패턴을 생성함으로써, 채용 절차에서 요구되는 구인자의 노력을 최소화시킬 수 있다.

또한, 본 발명에 따른 실시 예들에 의하면, 평가에 주요한 영향을 미친 텍스트를 선별 및 제공하여 결과의 신뢰도를 향상시킴으로써 구인자가 채용 시 이를 활용하게 하고 사용자 경험을 효과적으로 개선시킬 수 있다.

나아가, 본 발명에 따른 실시 예들에 의하면, 필요인재부합도와 직무적합도의 다각화된 구체적 방법을 바탕으로 텍스트를 분할 및 조합하여 학습한 뒤 신규 구직자의 서류에 대한 평가를 수행함으로써, 더욱 의미 있는 구직자에 대한 분석 및 평가 결과를 제공할 수 있다.

도 1은 본 발명의 일 실시 예에 의한 인공지능 채용 시스템의 구성을 도시한 블록도이다.
도 2는 본 발명의 일 실시 예에 의한 인공지능 채용 시스템에 포함되는 제어부의 상세 구성을 도시한 블록도이다.
도 3은 본 발명의 일 실시 예에 의한 인공지능 채용 시스템에 포함되는 처리부의 상세 구성을 도시한 블록도이다.
도 4는 본 발명의 일 실시 예에 의한 인공지능 채용 시스템에 포함되는 필요 인재 부합도 측정부의 상세 구성을 도시한 블록도이다.
도 5는 본 발명의 일 실시 예에 의한 인공지능 채용 시스템에 포함되는 CNN 학습 모듈의 상세 구성을 도시한 도면이다.
도 6은 본 발명의 일 실시 예에 의한 인공지능 채용 시스템에 포함되는 RNN 학습 모듈의 상세 구성을 도시한 도면이다.
도 7은 본 발명의 일 실시 예에 의한 인공지능 채용 시스템에 포함되는 직무 적합성 분석부의 상세 구성을 도시한 도면이다.
도 8은 본 발명의 일 실시 예에 의한 인공지능 채용 시스템에 포함되는 상관관계 분석 모듈의 상세 구성을 도시한 도면이다.
도 9는 본 발명의 일 실시 예에 의한 인공지능 채용 시스템의 동작 과정을 도시한 도면이다.

이하에서는 본 발명의 구체적인 실시예를 도면을 참조하여 상세히 설명한다. 그러나 본 발명의 기술적 사상이 이하에서 기술되는 실시예들에 의하여 제한되는 것은 아니며, 또 다른 구성요소의 추가, 변경 및 삭제 등에 의해서 퇴보적인 다른 발명이나 본 발명의 기술적 사상의 범위 내에 포함되는 다른 실시예들을 용이하게 제안할 수 있다.

본 발명에서 사용되는 용어는 가능한 한 현재 해당 기술과 관련하여 널리 사용되는 일반적인 용어를 선택하였으나, 특별한 경우에는 출원인이 임의로 선정한 용어도 있으며 이 경우 해당되는 발명의 설명 부분에서 그 의미를 상세히 기재하였다. 그러므로, 단순한 용어의 명칭이 아닌 용어가 가지는 의미로서 본 발명을 파악하여야 함을 미리 밝혀둔다. 이하에서 기술하는 설명에 있어서, 단어 '포함하는'은 열거된 것과 다른 구성요소들 또는 단계들의 존재를 배제하지 않는다.

도 1은 본 발명의 일 실시 예에 의한 인공지능 채용 시스템의 구성을 도시한 블록도이다.

본 발명의 일 실시 예에 의한 인공지능 채용 시스템(100)은, 텍스트 데이터 분석 기반 딥러닝을 이용하여 구직자 채용에 대한 구인자의 의사 결정을 지원할 수 있다. 이 경우, 인공지능 채용 시스템(100)은 인공지능을 이용하여 채용을 수행하는 엔진으로서, 구인자 측에 구비되는 서버나 장치 형태로 구현될 수 있다. 여기서, 구직자는 일자리를 구하는 사람이고, 구인자는 일할 사람을 구하는 사람으로 정의될 수 있다.

구체적으로, 인공지능 채용 시스템(100)은 비정형 텍스트 데이터를 딥러닝 분석모델을 통하여 학습하고 평가할 수 있다. 여기서, 비정형 텍스트 데이터는 특별한 정제 과정이나 가공을 거치치 않은 원본 텍스트 데이터로 정의될 수 있다. 예를 들어, 구인자가 보유한 구직자 서류 내의 자기소개서 항목일 수 있다.

본 발명의 일 실시 예에 의한 인공지능 채용 시스템(100)은 입력부(110)와 처리부(120) 및 제어부(130)를 포함할 수 있다.

입력부(110)는 데이터를 입력 받을 수 있다.

구체적으로, 데이터는 채용과 관련된 것일 수 있다. 이 경우, 데이터의 형태는 텍스트, 문서, 이미지, 영상, 음성 등 모든 형태를 포함할 수 있다.

일 실시 예에 의하면, 데이터는 비정형 텍스트 데이터일 수 있다. 예를 들어, 텍스트는 구직자가 제출한 이력서 및 자기소개서 등으로서 가공 및 정제 과정을 거치치 않은 원본 데이터일 수 있다.

입력부(110)는 인공지능 채용 시스템(100)의 데이터베이스에 저장된 데이터를 불러오거나, 사용자로부터 직접 데이터를 입력 받거나, 또는 인공지능 채용 시스템(100)에 유무선으로 연결되는 외부 디바이스로부터 데이터를 수신할 수 있다.

처리부(120)는 데이터 전처리를 수행할 수 있다.

여기서, 데이터 전처리는 데이터를 인공지능에 의한 학습을 수행할 수 있는 상태로 미리 변환하는 작업일 수 있다. 예를 들어, 처리부(120)는 이력서에서 사진이나 선 등의 영상 및 도형을 제거하여 텍스트 만을 추출할 수 있다.

일 실시 예에 의하면, 처리부(120)는 인공지능에 의한 학습에 최적화되도록 데이터 전처리를 수행할 수 있다. 예를 들어, 처리부(120)는 입사지원서에서 텍스트 만을 추출하여 단어 단위로 분할한 후, 채용 여부 판단을 위한 학습 및 평가에 필요한 단어들을 선택할 수 있다.

처리부(120)는 데이터를 정제하여 학습데이터 및 평가데이터를 생성할 수 있다. 여기서, 평가데이터는 적어도 하나의 평가 요소를 포함할 수 있다.

구체적으로, 처리부(120)는 데이터로부터 추출된 텍스트 데이터에 기초하여 학습데이터 및 평가데이터를 생성할 수 있다. 처리부(120)는 텍스트 데이터로부터 단어를 추출하여 추출된 단어목록을 단어-문장-문서 순서로 조합하는 상향식 결합과정을 수행하고, 데이터 내 문서와 문장에 대한 정보를 포함하는 단어 집합인 코퍼스를 구성한 후, 코퍼스에 대하여 단어 벡터 및 문장 벡터를 생성할 수 있다. 이 경우, 처리부(120)는 수치화된 단어 벡터 및 문장 벡터와 코퍼스를 입력값으로 사용하여 학습데이터를 생성할 수 있다.

한편, 본 발명에서 신규 구직자에 대한 평가는 평가데이터를 기준으로 수행될 수 있다. 평가 데이터는 채용평가에 기준이 되는 펙터(factor)일 수 있다. 학습데이터와 평가데이터의 생성 방법에 대해서는, 도 3에 대한 설명에서 상세하게 후술한다.

제어부(130)는 인공지능에 의한 학습을 수행하여 구직자를 채용할 수 있다.

일 실시 예에 의하면, 제어부(130)는 학습데이터 및 평가데이터에 기초하여 인공지능에 의한 학습을 수행하여 필요인재패턴을 생성하고, 구직자가 필요인재패턴에 부합하는 정도에 대한 측정 결과와 측정 결과에 영향을 미쳤다고 판단되는 평가 요소를 선정할 수 있다.

제어부(130)는 딥러닝에 의해 학습을 수행하여 필요인재패턴을 생성할 수 있다.

또한, 제어부(130)는 딥러닝에 의해 구직자가 필요인재에 부합하는지 여부 및 구직자가 채용직무에 적합한지 여부를 학습할 수 있다. 이 경우, 제어부(130)는 CNN 학습 모델 및 RNN 학습 모델을 통하여 상기 딥러닝에 의한 학습을 수행할 수 있다.

도 2는 본 발명의 일 실시 예에 의한 인공지능 채용 시스템에 포함되는 제어부의 상세 구성을 도시한 블록도이다.

앞서, 도 1에서 설명한 제어부(130)는 인공지능에 의한 학습 및 평가를 수행하여 구직자의 채용 여부를 판단하며, 이를 위해 필요 인재 부합도 측정부(210)와 직무 적합성 분석부(220)를 포함하여 구성될 수 있다.

필요 인재 부합도 측정부(210)는 구직자가 구인자가 원하는 채용조건에 부합되는지 여부를 판단할 수 있다. 예를 들어, 구인자가 원하는 채용조건은 구직자의 전공, 업무 경력, 자격증, 성별 및 학력 중 적어도 하나를 포함할 수 있다.

구체적으로, 필요 인재 부합도 측정부(210)는 처리부(120)에 의해 생성된 평가데이터에 기초하여, 인공지능에 의한 학습을 수행하여 구직자가 구인자가 원하는 채용조건에 부합하는지 여부를 판단할 수 있다.

직무 적합성 분석부(220)는 구직자가 채용분야의 직무에 적합한지 여부를 판단할 수 있다. 예를 들어, 채용분야의 직무는, 연구개발, 기술지원, 제조, 공정, 회계, 법률, 영업 및 마케팅 중 적어도 하나를 포함할 수 있다.

구체적으로, 직무 적합성 분석부(220)는 처리부(120)에 의해 생성된 평가데이터에 기초하여, 인공지능에 의한 학습을 수행하여 구직자가 채용분야의 직무에 적합한지 여부를 판단할 수 있다.

기존에는, 구인자가 채용평가에 대한 펙터(factor)를 미리 선정해야만 했다. 이에 의해, 구인자의 업무 부담과 경제비용 및 시간이 증가하는 문제점이 있었다.

본 발명에서는, 처리부(120)가 채용평가에 대한 펙터를 미리 선정하고, 이에 기초하여 필요 인재 부합도 측정부(210)가 구직자가 채용조건에 부합되는지 여부를 판단한다. 이 경우, 처리부(120)와 필요 인재 부합도 측정부(210)는 모두 인공지능에 의해 해당 작업을 수행하므로, 채용 과정에서의 구인자의 업무가 경감되고 비용 및 시간이 최소화되는 장점이 있다.

도 3은 본 발명의 일 실시 예에 의한 인공지능 채용 시스템에 포함되는 처리부의 상세 구성을 도시한 블록도이다.

처리부(120)는 데이터를 전처리할 수 있다. 구체적으로, 처리부(120)는 비정형 텍스트 데이터를 전처리할 수 있다.

이를 위해, 처리부(120)는 텍스트 정보 추출 모듈(310), 단어 요소 추출 모듈(320), Corpus 생성 모듈(330), 단어 임베딩 모듈(340), 문장 임베딩 모듈(350), 학습데이터 생성 모듈(360) 및 평가데이터 생성 모듈(370)을 포함할 수 있다.

텍스트 정보 추출 모듈(310)은 데이터로부터 텍스트 데이터를 추출할 수 있다. 여기서, 데이터는 비정형 텍스트 데이터로서, 가공이나 정제 과정을 거치치 않은 원본 데이터일 수 있다. 예를 들어, 텍스트 정보 추출 모듈(310)은 구직자가 제출한 입사지원서 등의 원본 서류로부터 외곽선이나 셀 등의 도형과 사진 등의 영상을 제거하고, 텍스트로 구성된 데이터만을 선별하여 추출할 수 있다.

한편, 텍스트 정보 추출 모듈(310)에 의해 추출된 텍스트 데이터는 그 자체로도 활용 가능하다. 그러나, 후술하는 단어 요소 추출 모듈(320)에 의해 추가적인 분석을 수행하는 경우, 인공지능 학습을 위한 데이터의 품질을 향상시킬 수 있다.

단어 요소 추출 모듈(320)은 형태소 분석을 통하여 텍스트 데이터로부터 필요한 문장 구성 요소를 추출할 수 있다. 형태소 분석이란 주어진 언어 문장의 구조를 파악하고, 문장 분할, 분석, 추출, 원형 복원을 거쳐 의미를 갖는 최소 단위인 형태소(morphemes)를 발굴해 내는 분석 과정으로 정의될 수 있다.

일 실시 예에 의하면, 문장 구성 요소는 단어일 수 있다. 이 경우, 단어 요소 추출 모듈(320)은 필요한 단어만을 추출하며, 불필요한 단어들은 품사에 상관없이 추출 대상에 포함시키지 않는다. 예를 들어, 단어 요소 추출 모듈(320)은 텍스트 데이터로부터, 조사(ex: ~가, ~이, ~는, ~을, ~를)나 정관사(ex: 그, 상기)는 제외하고, 명사(ex: 기술사, 연구, 엔지니어, 경력)나 형용사(ex: 우수한, 최선을 다하는, 책임감있는)만을 추출할 수 있다.

Corpus 생성 모듈(330)은 Corpus를 구성할 수 있다. 여기서, Corpus(코퍼스)는 텍스트를 컴퓨터가 읽을 수 있는 형태로 구성한 것으로서, 매체나 시간 및 공간, 주석 단계 등의 기준에 따라 다양한 형태나 종류로 구성될 수 있다.

구체적으로, Corpus 생성 모듈(330)은, 단어 요소 추출 모듈(320)에 의해 도출된 단어 목록을 단어-문장-문서 순서로 조합하는 상향식 결합과정을 수행하고, 그 결과로 전체 텍스트 데이터 내 문서와 문장에 대한 정보를 포함하는 단어 집합인 코퍼스를 구성할 수 있다.

이 경우, Corpus 생성 모듈(330)은 생성된 코퍼스를 단어 임베딩 모듈(340) 과 문장 임베딩 모듈(350) 각각에 출력할 수 있다.

단어 임베딩 모듈(340)은 코퍼스에 대하여 단어 벡터를 생성할 수 있다.

또한, 문장 임베딩 모듈(350)은 코퍼스에 대하여 문장 벡터를 생성할 수 있다.

여기서, 임베딩은 코퍼스를 분석하여 각 단어 또는 문장이 문서 및 문장내에서 활용되는 위치정보 및 빈도 등의 분포정보에 대한 학습을 수행함으로써, 텍스트를 특정 차원에서 표현 가능한 숫자 정보로 수치화하는 방법이다. 즉, 단어 임베딩 모듈(340)과 문장 임베딩 모듈(350)은 코퍼스의 인공신경망 학습에 기초하여 문맥내에서 사용되는 단어와 문장의 의미를 언어의 통계적 추론을 수행하며 패턴을 일반화한다.

학습데이터 생성 모듈(360)은 학습데이터를 생성할 수 있다. 이 경우, 학습데이터는 필요 인재 부합도 측정 및 직무 적합성 분석을 인공지능을 통하여 학습하기 위한 것일 수 있다. 일 실시 예에 의하면, 인공지능 학습은 딥 러닝일 수 있다.

구체적으로, 학습데이터 생성 모듈(360)은 수치화된 단어 벡터 및 문장 벡터와 코퍼스 데이터를 입력값으로 사용하여 학습데이터를 생성할 수 있다. 이 경우, 코퍼스내에 포함되어 있는 단어 데이터들이 단어 임베딩 및 문장 임베딩 결과에 기초하여 수치데이터로 치환되며, 이후 제어부(130)에서 사용하는 인공지능 분석모델이 활용 가능한 학습데이터가 도출될 수 있다.

평가데이터 생성 모듈(370)은 평가데이터를 생성할 수 있다.

여기서, 평가데이터는 학습된 인공지능 분석 모델에서 결과를 도출하기 위하여 참고 기준을 제시할 수 있다.

도 4는 본 발명의 일 실시 예에 의한 인공지능 채용 시스템에 포함되는 필요 인재 부합도 측정부의 상세 구성을 도시한 블록도이다.

필요 인재 부합도 측정부(210)는 제어부(130)에 포함되며, 인공지능을 이용한 학습 및 평가 과정을 통해, 구직자가 구인자가 원하는 채용조건에 부합되는지 여부를 판단할 수 있다. 이를 위해, 필요 인재 부합도 측정부(210)는, 데이터 입력 모듈(410), CNN 학습 모듈(420a), RNN 학습 모듈(420b), 분석 결과 통합 모듈(430), 주요 텍스트 선별 모듈(440) 및 필요 인재 부합도 평가 모듈(450)을 포함할 수 있다.

데이터 입력 모듈(410)은 처리부(120)로부터 학습데이터 및 평가데이터를 입력 받을 수 있다.

CNN 학습 모듈(420a)과 RNN 학습 모듈(420b)은 입력된 데이터에 대하여 필요 인재 부합도를 추론하기 위한 인공지능 분석 모델의 학습 과정을 수행할 수 있다. 이 경우, 상기 학습 과정은 반복적으로 수행될 수 있다.

구체적으로, CNN(Convolutional Neural Network) 학습 모듈(420a)은 데이터 분석 목적에 따라 입력된 단어의 분할 및 조합 분석을 수행하여 입력된 데이터의 패턴을 파악할 수 있다. 또한, RNN(Recurrent Neural Network) 학습 모듈(420b)은 단어의 구성과 순서를 파악하며 데이터를 분석할 수 있다.

이 경우, CNN 학습 모듈(420a)과 RNN 학습 모듈(420b)은 학습된 인공지능 분석 모델에 평가데이터를 적용하여, 구직자별 필요 인재 부합도 계산을 위한 수치 결과를 도출할 수 있다. 이후, 상기 수치 결과는 분석 결과 통합 모듈(430)로 입력되어 필요 인재 부합 여부 판단에 사용될 수 있다.

한편, 도 4에서는 필요 인재 부합도 측정부(210)가 2개의 학습 모듈(420a, 420b)을 사용하는 경우를 도시하고 있으나, 본 발명이 이에 한정되는 것은 아니다. 필요 인재 부합도 측정부(210)가 사용하는 학습 모듈의 개수는 실시 예에 따라 다양하게 설정될 수 있다.

분석 결과 통합 모듈(430)은 입력된 수치 결과에 기초하여, 구직자별 필요 인재 부합도에 대한 측정 결과를 도출하고, 이로부터 필요 인재 부합도에 대한 결과를 생성할 수 있다.

주요 텍스트 선별 모듈(440)은 인공지능 분석 모델에 의한 학습 과정에서 주요하게 활용된 텍스트 요소를 선정할 수 있다.

구체적으로, 주요 텍스트 선별 모듈(440)은, 학습데이터에 기초하여 인공지능 분석 모델의 학습 과정이 수행된 이후, 분석 모델에 저장되어 있는 필요 인재에 대한 패턴 정보를 참조하여 신규 구직자의 평가데이터가 입력되었을 시, 필요 인재 부합도 결과에 큰 영향을 발휘했다고 판단되는 텍스트를 주요 텍스트로 선정할 수 있다. 이 경우, 주요 텍스트 선별 모듈(440)은 인공지능을 활용하여 주요 텍스트 선정을 수행할 수 있다.

필요 인재 부합도 평가 모듈(450)은 필요 인재 부합도에 대한 측정 결과와 선별된 주요 텍스트 정보를 통합하여 구인자에게 전달할 수 있다. 예를 들어, 구인자가 소지한 이동 단말(미도시)이나 구인자 측에 구비된 디스플레이 장치(ex: 모니터 등)에 상기 정보를 출력할 수 있다. 여기서, 선별된 주요 텍스트는 구인자로 하여금 인공지능 분석 모델이 어떤 단어 요소들을 기준으로 필요 인재 부합도를 도출했는지를 판단하는데 도움을 줄 수 있다. 이 경우, 구인자는 구직자의 필요 인재 부합도 수치 정보와 인공지능의 판별 기준 요소인 선별된 주요 텍스트 정보에 기초하여, 채용과정에서 구직자에 대한 평가를 수행할 수 있다.

이하, 필요 인재 부합도 측정부(210)에 포함되는 CNN 학습 모듈(420a) 및 RNN 학습 모듈(420b)에 대해 도 5 및 도 6을 참조하여 보다 상세하게 설명한다.

도 5는 본 발명의 일 실시 예에 의한 인공지능 채용 시스템에 포함되는 CNN 학습 모듈의 상세 구성을 도시한 도면이다.

CNN 학습 모듈(420a)은 입력된 데이터에 대하여 필요 인재 부합도를 추론하기 위한 인공지능 분석 모델의 학습 과정을 수행할 수 있다. 구체적으로, CNN 학습 모듈(420a)은 데이터 분석 목적에 따라 입력된 단어의 분할 및 조합 분석을 수행하여 입력된 데이터의 패턴을 파악할 수 있다. 여기서, 데이터 분석 목적은 필요 인재 채용이나 구직자 채용을 포함할 수 있다.

도 5를 참조하면, Input Layer는 인공지능 분석 모델의 하나인 CNN 모델로부터 단어 벡터 및 문장 벡터에 기초하여 생성된 학습데이터를 입력 받고, 이를 텍스트 분할 분석부의 Convolutional Layer에 전달할 수 있다.

Convolutional Layer는 학습데이터를 특정한 연속된 단어의 수로 분할 및 조합하면서 데이터를 분석한다. 이 경우, Convolutional Layer가 도출한 결과는 각기 다른 개수의 단어로 구성된 부분 단어 집합을 분석한 결과일 수 있다.

Dropout Layer는 분석 결과로부터 일부 정보를 탈락시킬 수 있다. 이러한 탈락 과정에 의해, 인공지능 분석 모델이 학습데이터에 과하게 조정되는 오버 피팅 현상을 방지하고, 현실에서 발생 가능한 비정형 텍스트의 임의성을 추가함으로써, 분석 결과의 품질이 향상될 수 있다.

이후, 데이터는 Hidden Layer와 Output Layer에 의해 데이터가 순차적으로 처리되고, Output Layer를 통하여 필요 인재 부합도 구성을 위한 하나의 수치 정보가 도출된다. 이 경우, 학습데이터에 주어진 결과값을 비교하여, 오차의 정도를 분석 모델에 반영하는 반복적인 학습 과정이 수행될 수 있다. 전체 학습 과정이 수행되는 동안, CNN 학습 모듈(420a)은 학습데이터를 기반으로 분석 모델 내부의 가중치 값을 조정하면서 필요 인재의 텍스트 패턴에 대하여 반복적인 학습을 수행할 수 있다.

도 6은 본 발명의 일 실시 예에 의한 인공지능 채용 시스템에 포함되는 RNN 학습 모듈의 상세 구성을 도시한 도면이다.

RNN 학습 모듈(420b)은 입력된 데이터에 대하여 필요 인재 부합도를 추론하기 위한 인공지능 분석 모델의 학습 과정을 수행할 수 있다. 구체적으로, RNN 학습 모듈(420b)은 단어의 구성과 순서를 파악하며 데이터를 분석할 수 있다.

RNN 학습 모듈(420b)은 인공지능 분석 모델을 통하여 수치화된 텍스트 데이터를 처리할 수 있다. CNN 학습 모듈(420a)은 각 단어의 의미와 그 조합을 학습에 활용하는 반면, RNN 학습 모듈(420b)은 텍스트 데이터의 구조적 관점에서 선행 단어와 후행 단어의 연관성에 초점을 맞춰 학습을 수행한다.

RNN 학습 모듈(420b)은 단어의 구성과 순서를 파악하며, 필요 인재의 패턴을 반복 학습하는 과정에서 분석 결과를 도출하기 위한 인공지능 분석 모델 내부의 가중치 값을 변경할 수 있다.

Input Layer는 학습데이터를 입력 받을 수 있다. Input Layer는 입력된 데이터를 텍스트 구조 분석부와 Attention Layer 각각에 전달할 수 있다.

텍스트 구조 분석부는 텍스트를 분석한다. 이 경우, 텍스트 구조 분석부는 효과적인 텍스트 분석을 위하여 LSTM(Long Short-Term Memory) 구조를 이용할 수 있다.

Attention Layer는 입력된 학습데이터를 텍스트 구조 분석부의 분석 결과와 함께 통합 분석함으로써, 분석 결과의 품질을 향상시킬 수 있다.

이후, Dropout Layer 및 Output Layer를 거치며 필요 인재 부합도 구성을 위한 추가적인 수치 정보를 획득하고, CNN 학습 모듈(420a)에서의 수행 과정과 동일하게, 학습 데이터에 표현되는 실제 결과값과 비교하는 과정을 통하여 오차를 최소화시키는 반복적인 분석 모델 학습 과정이 진행된다.

나아가, 상기 두 모델 모두 학습데이터를 활용해 인공지능 분석 모델의 정보를 수정하며, 분석 결과의 품질을 향상시키기 위한 반복 학습 과정에서 각 레이어(Layer)의 분석 결과에 비선형성 확보를 위하여 활성화 함수(ex: ReLU)를 활용할 수 있다. 따라서, 인공지능 분석 모델은 단순한 선형적 정보뿐 아니라 비선형적 정보에 대한 학습 또한 가능하게 된다. 학습데이터에 의한 분석 모델 학습 과정이 종료된 뒤, 평가데이터를 이용한 신규 구직자 데이터 분석 과정에서는 학습이 더 이상 일어나지 않으며, 오로지 분석 모델 수행을 통한 필요 인재 부합도 결과 도출만이 수행된다.

도 7은 본 발명의 일 실시 예에 의한 인공지능 채용 시스템에 포함되는 직무 적합성 분석부의 상세 구성을 도시한 도면이다.

직무 적합성 분석부(220)는 제어부(130)에 포함되어, 정제 데이터를 입력 받고 이에 기초하여 직무적합도에 대한 학습 및 평가를 수행하여, 구직자 별 직무적합도를 평가할 수 있다. 이를 위해, 직무 적합성 분석부(220)는, 데이터 입력 모듈(710), Cosine Similarity 측정 모듈(720), 상관관계 분석 모듈(730) 및 직무적합도 평가 모듈(740)을 포함하여 구성될 수 있다.

데이터 입력 모듈(710)은 처리부(120)로부터 학습데이터 및 평가데이터를 입력 받을 수 있다.

Cosine Similarity 측정 모듈(720)은 입력된 데이터를 활용하여 단어 및 문장 간의 유사도 판단을 수행한다. 이 경우, 도 3에서 설명한 단어 임베딩 모듈(340) 및 문장 임베딩 모듈(350)에 의해 각각 생성된 단어 벡터와 문장 벡터에 기초하여, 수치화된 단어 또는 문장 간의 유사도를 계산할 수 있다.

상관관계 분석 모듈(730)은 측정된 유사도 결과에 기반하여 상관 관계를 분석하고, 유사 문장 판단을 수행할 수 있다. 이에 대해서는 도 8에 대한 설명에서 보다 상세하게 설명한다.

직무적합도 평가 모듈(740)은 유사 문장 판단 결과에 기초하여, 직무 적합도에 대한 평가를 수행한다.

도 8은 본 발명의 일 실시 예에 의한 인공지능 채용 시스템에 포함되는 상관관계 분석 모듈의 상세 구성을 도시한 도면이다.

상관관계 분석 모듈(730)은 문장 상관 분석을 수행할 수 있다.

구체적으로, 도 8을 참조하면, 상관관계 분석 모듈(730)는 n개의 단어(W₁₁, W₁₂, ... W_1n)로 구성되는 문장 Sentence₁과 m개의 단어(W₂₁, W₂₂, ... W_2m)로 구성되는 문장 Sentence₂의 유사도를 분석할 수 있다.

이 경우, 문장 상관 분석부는 문장 Sentence₁과 문장 Sentence₂를 입력 받고, 문장 내 포함된 단어들 간의 유사도를 판단한다. 이후, 상관관계 분석 모듈(730)은 단어 간 분석된 유사도 정보를 통합함으로써, 두 문장 간의 상관관계 분석 결과를 도출하게 된다.

상기와 같은 상관관계 분석 모듈(730)의 분석 결과에 기초하여, 앞서 도 7에 도시된 직무적합도 평가 모듈(740)은 구직자별 평가 데이터를 분석하여 직무적합도 결과를 도출할 수 있다. 따라서, 구인자는 구직자의 서류와 직무 분야 간의 유사한 정도를 판단하고, 이를 채용 평가에 활용할 수 있다.

도 9는 본 발명의 일 실시 예에 의한 인공지능 채용 시스템의 동작 과정을 도시한 도면이다.

본 발명의 일 실시 예에 의한 인공지능 채용 시스템(100)은 인공지능 분석 모델을 통하여 구직자의 패턴을 학습하고 평가할 수 있다.

구직자 서류 내 텍스트 데이터를 정제한다(S901).

인공지능 채용 시스템(100)의 처리부(120)는 원본 데이터를 가공 및 정제하여 전처리할 수 있다. 구체적으로, 처리부(120)는 비정형 텍스트 데이터인 원본 데이터로부터 텍스트 데이터를 추출하고, 추출된 텍스트 데이터로부터 단어를 추출할 수 있다. 이 경우, 처리부(120)는 추출된 단어 목록을 단어-문장-문서 순서로 조합하는 상향식 결합과정을 수행하고, 전체 텍스트 데이터 내 문서와 문장에 대한 정보를 포함하는 단어 집합인 코퍼스를 구성할 수 있다. 이후, 처리부(120)는 코퍼스에 대하여 단어 벡터 및 문장 벡터를 생성할 수 있다.

학습데이터를 생성한다(S902).

인공지능 채용 시스템(100)의 처리부(120)는 학습데이터를 생성할 수 있다. 여기서, 학습데이터는 필요 인재 부합도 측정 및 직무 적합성 분석을 인공지능을 통하여 학습하기 위한 것일 수 있다.

구체적으로, 처리부(120)의 학습데이터 생성 모듈(360)은 수치화된 단어 벡터 및 문장 벡터와 코퍼스 데이터를 입력값으로 사용하여 학습데이터를 생성할 수 있다. 이 경우, 코퍼스내에 포함되어 있는 단어 데이터들이 단어 임베딩 및 문장 임베딩 결과에 기초하여 수치데이터로 치환되며, 이후 제어부(130)에서 사용하는 인공지능 분석모델이 활용 가능한 학습데이터가 도출될 수 있다.

딥러닝 모델 학습을 수행한다(S903).

일 실시 예에 의하면, 인공지능 채용 시스템(100)의 제어부(130)는 입력된 데이터에 대하여 필요 인재 부합도를 추론하기 위한 딥러닝 분석 모델의 학습 과정을 수행할 수 있다.

구체적으로, 제어부(130)의 필요 인재 부합도 측정부(210)는 CNN 학습 모델 및 RNN 학습 모델의 학습 과정을 수행할 수 있다. 이 경우, 필요 인재 부합도 측정부(210)의 CNN 학습 모듈(420a)은 데이터 분석 목적에 따라 입력된 단어의 분할 및 조합 분석을 수행하여 입력된 데이터의 패턴을 파악할 수 있다. 여기서, 데이터 분석 목적은 필요 인재 채용이나 구직자 채용을 포함할 수 있다. 또한, 필요 인재 부합도 측정부(210)의 RNN 학습 모듈(420b)은 단어의 구성과 순서를 파악하며, 필요 인재의 패턴을 반복 학습하는 과정에서 분석 결과를 도출하기 위한 인공지능 분석 모델 내부의 가중치 값을 변경할 수 있다.

CNN 학습 모듈(420a)은 각 단어의 의미와 그 조합을 학습에 활용하는 반면, RNN 학습 모듈(420b)은 텍스트 데이터의 구조적 관점에서 선행 단어와 후행 단어의 연관성에 초점을 맞춰 학습을 수행한다.

평가데이터를 생성한다(S904).

인공지능 채용 시스템(100)의 처리부(120)는 평가데이터를 생성할 수 있다. 구체적으로, 처리부(120)의 평가데이터 생성 모듈(370)은 평가데이터를 생성할 수 있다. 여기서, 평가데이터는 학습된 인공지능 분석 모델에서 결과를 도출하기 위하여 참고 기준을 제시할 수 있다.

구직자별 평가 결과를 도출한다(S905).

인공지능 채용 시스템(100)의 제어부(130)는 딥러닝 분석 모델의 학습 과정에 의해 도출된 수치 결과에 기초하여, 구직자별 필요 인재 부합도에 대한 측정 결과를 도출할 수 있다. 제어부(130)는 분석 모델에 저장되어 있는 필요 인재에 대한 패턴 정보를 참조하여 신규 구직자의 평가데이터가 입력되었을 시, 필요 인재 부합도 결과에 큰 영향을 발휘했다고 판단되는 텍스트를 주요 텍스트로 선정할 수 있다. 이 경우, 제어부(130)는 필요 인재 부합도에 대한 측정 결과와 선별된 주요 텍스트 정보를 통합하여 구인자에게 전달할 수 있다.

이 경우, 구인자는 구직자의 필요 인재 부합도 수치 정보와 인공지능의 판별 기준 요소인 선별된 주요 텍스트 정보에 기초하여, 채용과정에서 구직자에 대한 평가를 수행할 수 있다.

한편, 본 명세서에서는 설명상의 편의를 위해 인공지능 기법 중 하나인 딥러닝을 사용하여 구직자에 대한 평가 및 학습을 수행하는 경우를 예로 들어 설명하지만, 본 발명이 이에 한정되는 것은 아니다. 본 발명에서 수행하는 구직자에 대한 평가 및 학습은 다양한 인공지능 기법에 의해 수행될 수 있다.

한편, 전술한 방법은 컴퓨터에서 실행될 수 있는 프로그램으로 작성 가능하고, 컴퓨터 판독 가능 매체를 이용하여 상기 프로그램을 동작시키는 범용 디지털 컴퓨터에서 구현될 수 있다. 또한, 상술한 방법에서 사용된 데이터의 구조는 컴퓨터 판독 가능 매체에 여러 수단을 통하여 기록될 수 있다. 본 발명의 다양한 방법들을 수행하기 위한 실행 가능한 컴퓨터 프로그램이나 코드를 기록하는 기록 매체는, 반송파(carrier waves)나 신호들과 같이 일시적인 대상들은 포함하지 않는 것으로 이해되어야 한다. 상기 컴퓨터 판독 가능 매체는 마그네틱 저장매체(예를 들면, 롬, 플로피 디스크, 하드 디스크 등), 광학적 판독 매체(예를 들면, 시디 롬, DVD 등)와 같은 저장 매체를 포함할 수 있다.

이상에서 실시예를 중심으로 설명하였으나 이는 단지 예시일 뿐 본 발명을 한정하는 것이 아니며, 본 발명이 속하는 분야의 통상의 지식을 가진 자라면 본 실시예의 본질적인 특성을 벗어나지 않는 범위 내에서 이상에 예시되지 않은 여러 가지의 변형과 응용이 가능함을 알 수 있을 것이다. 예를 들어, 실시예에 구체적으로 나타난 각 구성 요소는 변형하여 실시할 수 있다. 그리고 이러한 변형과 응용에 관계된 차이점들은 첨부된 청구 범위에서 규정하는 본 발명의 범위에 포함되는 것으로 해석되어야 할 것이다.

100: 인공지능 채용 시스템 110: 입력부
120: 처리부 130: 제어부
210: 필요 인재 부합도 측정부 220: 직무 적합성 분석부
310: 텍스트 정보 추출 모듈 320: 단어 요소 추출 모듈
330: Corpus 생성 모듈 340: 단어 임베딩 모듈
350: 문장 임베딩 모듈 360: 학습데이터 생성 모듈
370: 평가데이터 생성 모듈 410: 데이터 입력 모듈
420a: CNN 학습 모듈 420b: RNN 학습 모듈
430: 분석 결과 통합 모듈 440: 주요 텍스트 선별 모듈
450: 필요 인재 부합도 평가 모듈 710: 데이터 입력 모듈
720: Cosine Similarity 측정 모듈 730: 상관관계 분석 모듈
740: 직무적합도 평가 모듈

Claims

인공지능 채용 시스템에 있어서,
데이터를 입력 받는 입력부;
상기 데이터를 정제하여 학습데이터 및 평가데이터를 생성하되, 상기 평가데이터는 적어도 하나의 평가 요소를 포함하는 처리부; 및
상기 학습데이터 및 상기 평가데이터에 기초하여 인공지능에 의한 학습을 수행하여 필요인재패턴을 생성하고, 구직자가 상기 필요인재패턴에 부합하는 정도에 대한 측정 결과와 상기 측정 결과에 영향을 미쳤다고 판단되는 상기 평가 요소를 선정하는 제어부를 포함하는 인공지능 채용 시스템.
제1항에 있어서,
상기 데이터는,
정제 과정을 수행하기 전의 원본 데이터인 비정형 텍스트 데이터인 인공지능 채용 시스템.
제1항에 있어서,
상기 처리부는,
상기 데이터로부터 단어를 추출하여 추출된 단어목록을 단어-문장-문서 순서로 조합하는 상향식 결합과정을 수행하고, 상기 데이터 내 상기 문서와 상기 문장에 대한 정보를 포함하는 단어 집합인 코퍼스를 구성한 후, 상기 코퍼스에 대하여 단어 벡터 및 문장 벡터를 생성하는 인공지능 채용 시스템.
제3항에 있어서,
상기 처리부는,
수치화된 상기 단어 벡터 및 상기 문장 벡터와 상기 코퍼스를 입력값으로 사용하여 상기 학습데이터를 생성하는 인공지능 채용 시스템.
제1항에 있어서,
상기 제어부는,
딥러닝에 의해 상기 학습을 수행하여 상기 필요인재패턴을 생성하는 인공지능 채용 시스템.
제1항에 있어서,
상기 제어부는,
딥러닝에 의해 상기 구직자가 필요인재에 부합하는지 여부를 학습하는 인공지능 채용 시스템.
제6항에 있어서,
상기 제어부는,
CNN 학습 모델 및 RNN 학습 모델을 통하여 상기 딥러닝에 의한 학습을 수행하는 인공지능 채용 시스템.
제1항에 있어서,
상기 제어부는,
딥러닝에 의해 상기 구직자가 채용직무에 적합한지 여부를 학습하는 인공지능 채용 시스템.
인공지능 채용 시스템의 채용 방법에 있어서,
데이터를 입력 받는 단계;
상기 데이터를 정제하여 학습데이터 및 평가데이터를 생성하되, 상기 평가데이터는 적어도 하나의 평가 요소를 포함하는 단계;
상기 학습데이터 및 상기 평가데이터에 기초하여 인공지능에 의한 학습을 수행하여 필요인재패턴을 생성하는 단계; 및
구직자가 상기 필요인재패턴에 부합하는 정도에 대한 측정 결과와 상기 측정 결과에 영향을 미쳤다고 판단되는 상기 평가 요소를 선정하는 단계를 포함하는 인공지능 채용 시스템의 채용 방법.
제9항에 있어서,
상기 데이터는,
정제 과정을 수행하기 전의 원본 데이터인 비정형 텍스트 데이터인 인공지능 채용 시스템의 채용 방법.
제9항에 있어서,
상기 데이터로부터 단어를 추출하여 추출된 단어목록을 단어-문장-문서 순서로 조합하는 상향식 결합과정을 수행하고, 상기 데이터 내 상기 문서와 상기 문장에 대한 정보를 포함하는 단어 집합인 코퍼스를 구성한 후, 상기 코퍼스에 대하여 단어 벡터 및 문장 벡터를 생성하는 인공지능 채용 시스템의 채용 방법.
제11항에 있어서,
수치화된 상기 단어 벡터 및 상기 문장 벡터와 상기 코퍼스를 입력값으로 사용하여 상기 학습데이터를 생성하는 인공지능 채용 시스템의 채용 방법.
제9항에 있어서,
딥러닝에 의해 상기 학습을 수행하여 상기 필요인재패턴을 생성하는 인공지능 채용 시스템의 채용 방법.
제9항에 있어서,
딥러닝에 의해 상기 구직자가 필요인재에 부합하는지 여부를 학습하는 인공지능 채용 시스템의 채용 방법.
제14항에 있어서,
CNN 학습 모델 및 RNN 학습 모델을 통하여 상기 딥러닝에 의한 학습을 수행하는 인공지능 채용 시스템의 채용 방법.
제9항에 있어서,
딥러닝에 의해 상기 구직자가 채용직무에 적합한지 여부를 학습하는 인공지능 채용 시스템의 채용 방법.
제9항 내지 제16항 중 어느 한 항의 방법을 구현하기 위한 프로그램이 기록된 컴퓨터로 판독 가능한 기록 매체.