英國 Methods Analytics（ALTEN集團旗下公司）開發出一款整合檢索增強生成技術（Retrieval Augmented Generation, RAG）的對話式 AI 助手。該助手可透過高效查詢與分析履歷與專案案例，更快速、精準地識別合適人選，同時提升招標流程中的決策品質。
在商業競爭中，找到合適人才與採用先進技術同等重要。當兩者結合，其產生的綜效更為顯著。然而，傳統履歷與專案需求的配對流程耗時且易受主觀判斷影響。Methods Analytics 作為一家具備端對端數據服務能力的公司，專注服務醫療、政府及國防領域，透過 AI 技術優化人才篩選流程，為客戶帶來更高效的解決方案。
挑戰：如何在履歷與專案案例資料庫中高效篩選匹配的人才資源？
解決方案：Methods Analytics 打造專屬的 AI 對話助手，透過客製化系統協助企業節省時間成本，並減少人為偏見的影響。
專案亮點：
- 與現有系統無縫整合
- 高可訪問性與使用便利性
- 具備彈性與高度適應性
- 自動化流程顯著降低時間成本
- 系統可持續更新與優化
- 精簡化整體招標流程
績效指標提升：
- 將履歷生成器整合進技能矩陣系統，人力成本降低約 30%
- 專案案例撰寫時間由 2 天縮短至 1 小時，效率提升達 16 倍
提供最佳解決方案：
作為領先的顧問公司，Methods Analytics 深知高效尋找合適人才對維持競爭優勢至關重要。為此，他們運用生成式 AI 結合 RAG 技術，開發出一款對話式 AI 助手，可即時從企業內部資料庫中查詢符合專案需求的履歷與案例資料。系統採用客製化檢索架構以優化文檔相關性，並設計易於操作的使用介面，同時與 Microsoft Teams 完整整合，方便團隊成員使用。
技術與工具：
該系統運用了 RAG 技術與提示工程來優化檢索流程與提示模版設計，確保產出簡潔且準確的回應內容。自動更新的雲端 RAG 索引可即時同步履歷與專案資料，提升資料即時性與準確度。
系統核心功能以 Python 開發，並結合多項 Azure 雲端服務（包括 Azure Functions、Cognitive Search、Blob Storage、Logic Apps、Container Registry 等）以實現雲端自動化。GitHub 用於版本控管與團隊協作，Flask 則支援建構 Web 應用模組。
系統具備高度可擴展性與靈活性，可自動因應新增資料與業務需求。此外，命名實體識別（NER）與光學字元辨識（OCR）功能進一步強化文檔分析與搜尋能力。對話介面以 OpenAI GPT-3.5 與 Streamlit 打造，操作直覺簡便，而 Azure Bot Framework 則負責處理對話機器人功能。
提高速度、效率與準確性：
新系統將篩選合適人選的時間從 24 小時縮短至不到 5 分鐘。由於匹配精準度提升，系統能更快速地對應技能與案例需求，降低因延遲導致的錯失風險。迅速取得相關案例與員工資料，有助於更有效地準備投標文件，節省團隊時間與精力。與 Microsoft Teams 的整合也確保了解決方案的廣泛可用性與必要的權限控管。