💡 jrosum engineering
Intelligenter CV-Matching mit KI
✨ Smarte Kandidatensuche für Freelancer & ANÜ ✨
Semantisches Matching • Transparente Bewertungen • Kontinuierliches Lernen
🎯 Wie funktioniert's?
flowchart LR
subgraph Input["📁 CV-Quellen"]
A1[PDF]:::cv
A2[DOCX]:::cv
A3["TXT/HTML"]:::cv
end
Input --> P["🧩 CV-Parser
Extraktion & Normalisierung"]
P --> C["🧠 KI-Engine
Semantik & Matching"]
J["📄 Projektprofil"] --> C
C --> O["📊 Ergebnisse
Score • Erklärung"]
O --> H["👤 Recruiter-Feedback"]
H --> C
classDef cv fill:#E8F5E9,stroke:#66BB6A,color:#1B5E20;
Von unstrukturierten CVs zu passgenauen Kandidatenvorschlägen
📝 CV Parsing & Veredelung
flowchart TB
I["📄 CV Input"] --> T["🔍 Text Extraction"]
T --> N["🏷️ NLP Entities
(Name, Rollen, Skills, Zeiträume)"]
N --> U["✨ Unify & Normalize
Synonyme • Schreibweisen"]
U --> J["📦 JSON Profile
reproduzierbar"]
💡 Beispiel-JSON: {"name":"Thomas Becker","skills":["Angular","TypeScript","REST"],"experience":["Frontend","Automotive","5y"]}
🎯 Matching Engine
flowchart TB
subgraph Input["📥 Input Layer"]
JP["📋 Projektprofil"]
CVs["👥 CV-Pool"]
end
subgraph Store["💾 SurealMind Store"]
DB[("📦 JSON Profiles
🧬 Embeddings
🕸️ Skill-Graph")]
end
subgraph Cortex["🧠 SurealMind Cortex"]
Parse["🔍 Profil-Parser
NLP & Normalisierung"]
Emb["⚡ Embedding Generator
Vektorisierung"]
Semantic["🎨 Semantic Matcher
Skill-Relations"]
subgraph Scoring["⚖️ Multi-Faktor Scoring"]
S1["💻 Skill-Overlap
40%"]
S2["📊 Projekterfahrung
25%"]
S3["🏢 Branchenfit
20%"]
S4["🤝 Softskills
10%"]
S5["📅 Verfügbarkeit
5%"]
end
Rank["🏆 Ranking Engine
Erklärung generieren"]
end
JP --> Parse
CVs --> DB
DB --> Emb
Parse --> Emb
Emb --> Semantic
Semantic --> S1
Semantic --> S2
Semantic --> S3
Semantic --> S4
Semantic --> S5
S1 --> Rank
S2 --> Rank
S3 --> Rank
S4 --> Rank
S5 --> Rank
Rank --> Output["🎯 Top-Kandidaten
mit Begründung"]
Transparent • Erklärbar • Präzise
🧠 Semantische Intelligenz
graph LR
TS[TypeScript] --- JS[JavaScript]
JS --- RE[React]
RE --- NG[Angular]
PY[Python] --- DS[Data Science]
SAPFI[SAP FI] --- FIN[Finance]
FIN --- CO[Controlling]
class TS,JS,RE,NG fill:#E8F5E9,stroke:#66BB6A,color:#1B5E20
class SAPFI,FIN,CO fill:#E3F2FD,stroke:#42A5F5,color:#0D47A1
💡 Skill-Graph erkennt semantische Zusammenhänge zwischen Technologien und Fachbereichen
💼 Beispiel: Frontend-Projekt
flowchart LR
A["👤 Kandidat A
Angular • TypeScript
REST
✅ 96%"]:::good
B["👤 Kandidat B
React • JavaScript
GraphQL
🟡 88%"]:::mid
C["👤 Kandidat C
Java • Spring
🔴 20%"]:::bad
A --- B
B -.- C
classDef good fill:#E8F5E9,stroke:#66BB6A,color:#1B5E20
classDef mid fill:#FFF8E1,stroke:#FFA726,color:#8D6E63
classDef bad fill:#FFEBEE,stroke:#EF5350,color:#B71C1C
✨ SurealMind erkennt React ≈ Angular (semantisch verwandt) → hohe Passung trotz unterschiedlicher Begriffe
🔄 Matching-Workflow
sequenceDiagram
participant Recruiter as 👤 Recruiter
participant System as 🧠 SurealMind
participant Database as 💾 Store
Recruiter->>System: 📋 Projektprofil hochladen
System->>Database: 🔍 Kandidatensuche
Database-->>System: 📊 Trefferliste
System->>System: ⚖️ Scoring & Ranking
System-->>Recruiter: 🎯 Top-Kandidaten
📱 Recruiter Dashboard
flowchart TB
D["🔎 Suche/Filter"]
L["📋 Kandidatenliste
Score • Kernskills • Badges"]
E["💬 Erklärung
Warum passt X?"]
F["👍👎 Feedback-Buttons"]
D --> L --> E --> F
Intuitiv • Übersichtlich • Schnell
🔁 Human-in-the-Loop
flowchart LR
R["👤 Recruiter Bewertung
👍 passt / 👎 passt nicht"] --> F["📊 Feedback Analyzer"]
F --> L["🧠 Learning Layer
Adaptive Gewichtung"]
L --> C["⚡ SurealMind Cortex
Skill-Relations updaten"]
C --> S["💾 SurealMind Store
Refine Embeddings"]
S --> M["✨ Neue Matchings
verbesserter Kontext"]
M --> R
Das System lernt kontinuierlich aus Ihren Entscheidungen
📈 Feedback-Zyklus
sequenceDiagram
participant Recruiter as 👤 Recruiter
participant Cortex as 🧠 Cortex
participant Feedback as 📊 Learning Module
participant Store as 💾 Store
Recruiter->>Cortex: 👎 Kandidat ablehnen
Cortex->>Feedback: 📉 Score & Features
Feedback->>Feedback: ⚙️ Gewichte anpassen
Feedback->>Store: 🔄 Embeddings aktualisieren
Store-->>Cortex: ✨ Verfeinerte Ähnlichkeiten
Cortex-->>Recruiter: 🎯 Präzisere Vorschläge
🚀 Lernende Plattform
- ✅ Recruiter-Feedback wird in Gewichte & Skill-Relationen übersetzt
- 🔄 Deterministische Ausführung, aber adaptives Scoring
- 💡 Keine Blackbox – Erklärungen zu jedem Match
- 📈 Verbessert sich mit jeder Platzierung
⏱️ Wirkung: Shortlist-Zeit
%%{init: {'theme':'dark'}}%%
pie title Shortlist-Zeit
"Vorher 3h" : 180
"Mit SurealMind 10min" : 10
⚡ 94% Zeitersparnis bei der Kandidatenvorauswahl
🎯 Wirkung: Trefferqualität
%%{init: {'theme':'dark'}}%%
pie title Trefferqualität
"Vorher 60%" : 60
"Mit SurealMind 90%" : 90
📈 50% mehr qualifizierte Kandidaten in der Shortlist
✨ Zusammenfassung
SurealMind Cortex macht aus unstrukturierten Lebensläufen eine semantisch suchbare, automatisch matchende Datenbank – mit Human-in-the-Loop, die das System kontinuierlich schärft.
💡 Entwickelt von jrosum engineering
🚀 Fragen? Demo? – Los geht's!