英国Methods Analytics，欧立腾集团旗下的公司，开发了一款集成了检索增强生成技术（Retrieval Augmented Generation, RAG）的对话式AI助手。该助手通过高效查询、分析简历和项目案例，可更快速、更准确地识别合适的候选人，并提升招标过程中的决策质量。
在商业竞争中，找到合适的人才和使用先进的技术同样重要。当两者结合时，所产生的效果是显著的。然而，传统简历与项目需求匹配的过程，既费时又容易受到主观判断的影响。Methods Analytics，作为一家为医疗、政府和国防领域提供端到端数据服务的公司，通过运用AI技术优化人才筛选过程，为客户提供更高效的解决方案。
挑战：如何在简历与项目案例库中高效筛选匹配人才资源？
解决方案：Methods Analytics定制化的AI助手，通过定制化方案，帮助企业节省时间成本，消除人为偏见。
项目亮点：
- 与现有系统无缝集成
- 可访问性
- 灵活性和易适应性
- 通过自动化节省时间成本
- 系统持续改进与优化
- 精简项目招标流程
绩效指标优化：
- 将简历生成器嵌入技能矩阵，降低30%人力成本
- 项目案例内容创建时间从2天缩短至1小时，效率提升16倍
提供最佳解决方案：
作为领先的咨询公司，Methods Analytics深知高效寻找专业人才对于保持行业领先地位至关重要。为解决这一挑战，他们利用生成式AI与检索增强生成（RAG）技术集成，开发了一款对话式AI助手。该助手能够从公司数据库中快速查询并提供符合项目需求的简历和项目案例。系统使用定制的检索架构优化文档相关性，确保结果的准确性，并提供易于访问的界面。它还与Microsoft Teams无缝集成，便于团队成员轻松使用。
工具与技术：
该系统采用了包括RAG和提示工程在内的先进技术，优化了检索过程并改进了提示模板，确保能够生成简洁、准确的回答。定制的检索器架构提高了文档检索的相关性，自动化更新的云端RAG索引确保了简历和项目案例数据库的及时更新。
该系统核心功能采用Python开发，并利用Azure多项服务（如Azure Functions、Cognitive Search、Blob Storage, Logic Apps, and Container Registry等）实现了云端自动化，GitHub用于版本控制和团队协作，Flask用于构建Web应用组件。该系统具备高度可扩展性和灵活性，可自动适应新数据与需求。命名实体识别（NER）和光学字符识别（OCR）技术进一步增强了文档分析和检索能力。基于OpenAI GPT-3.5和Streamlit的对话界面使系统极其易用，Azure Bot Framework则负责处理聊天机器人功能。
提高速度、效率与准确性：
新系统将筛选合适人员所需的时间从24小时缩短至不到5分钟。得益于更高的准确性，系统能更高效地匹配相关技能和案例研究，最大程度减少因时效性等因素导致的偏差。快速获取相关案例和员工档案有助于更高效地准备投标方案，减少团队的时间和精力消耗。与Microsoft Teams的集成确保解决方案在广泛可用的同时，仍保持必要的访问控制。