1. 문제점

• 기존 시스템은 단순 키워드 매칭으로 인해 정확도가 낮고, 인재 추천 품질이 떨어짐
• 기술 스택 간 의미적 유사성이 고려되지 않아 적절한 후보자가 누락되거나 과다 추천 발생
• 수작업 정제와 수기 비교에 많은 리소스가 소모됨

2. 목표

• 의미 기반의 인재-직무 매칭 알고리즘 구현
• 대량의 이력서/직무 데이터를 신속하게 처리할 수 있는 배치 기반 파이프라인 설계
• 실시간 매칭 결과 제공 및 API 연동을 통한 채용 효율화

3. 주안점

• Apache Tika와 커스텀 파서를 활용한 이력서 및 JD 문서 정규화
• OpenAI text-embedding-3-large를 이용한 문서 임베딩 및 벡터 검색
• 기술 스택 유사도 기반의 맞춤형 매칭 점수 평가 알고리즘
• 실시간 피드백을 위한 캐싱 및 대시보드 연동

이 프로젝트는 매월 5,000~7,000개의 기술인력 이력서를 처리하는 IT 채용 플랫폼 운영사가 의뢰한 것으로, 기존 키워드 매칭 기반 시스템의 한계를 극복하고 의미론적 유사도 기반 매칭 시스템으로의 전환을 목표로 했습니다.

저희는 프로젝트 초반부터 고객사와 협업해 채용 데이터 구조를 파악하고, 기술용어 정규화 및 맞춤형 파서 개발, OpenAI 임베딩 모델을 활용한 고속 검색 파이프라인, 그리고 매칭 점수 계산 알고리즘을 구축했습니다.
Pinecone 기반의 벡터 검색과 Redis 기반 캐시 처리, 배치 처리 최적화까지 포함된 이 시스템은 성능과 정밀도 양면에서 고객사의 KPI를 뛰어넘는 결과를 달성했습니다.