ATS com Triagem de Currículos por AI

O problema

Time de recruiting recebe 200-800 currículos por vaga e gasta 8-15 horas só na primeira triagem. ATS tradicional filtra por keywords. o que descarta talento bom (que não soube colocar a palavra-chave certa) e mantém ruído (currículos otimizados pra ATS, sem fit real).

A solução

Um modelo de scoring 0-100 que combina:

• Embeddings semânticos do currículo (não keyword match)
• Modelo XGBoost treinado no histórico de contratações da empresa (quem foi contratado vs quem performou bem)
• Explicabilidade SHAP: para cada candidato, mostra os 4-5 atributos que pesaram mais
• Auditoria de viés: checagem automática se o score discrimina por gênero/etnia/idade

Como funciona

1. Currículo PDF/DOCX é parseado (extração estruturada de experiência, formação, skills)
2. LLM (GPT-4o) extrai sinais semânticos não-óbvios ("liderou time", "fez turnaround", "stack moderna")
3. XGBoost combina todos os sinais e gera score 0-100
4. SHAP gera explicação por candidato
5. Auditoria de fairness compara distribuição de scores por grupo demográfico

Métricas em produção

Cliente B2B SaaS (480 contratações nos últimos 12 meses):

• Tempo de triagem 1ª fase: 95% redução (de 8h para 24min por vaga)
• Conversão tela → entrevista: 22% → 41% (recrutador entrevista melhor pool)
• Taxa de aprovação no 3º mês: subiu 14 pontos (modelo prediz performance, não só fit técnico)
• Auditoria de viés: zero discrepância significativa por gênero/idade

O que vem incluso

• Parser de currículo (PDF, DOCX, LinkedIn export, imagem com OCR)
• API REST FastAPI com latência p95 < 800ms
• Modelo XGBoost treinado no histórico do cliente (mínimo 200 contratações)
• Painel de explicabilidade: para cada candidato, exibe top features + comparativo com contratações de sucesso
• Auditoria de fairness rodando semanalmente com relatório
• Integração ATS: webhook bidirecional com Gupy, Greenhouse, Lever

Stack

• Python 3.13 + FastAPI + XGBoost + SHAP
• OpenAI GPT-4o para extração semântica
• Storage de currículos em S3/Supabase Storage com criptografia at-rest
• Logs auditáveis em ClickHouse (LGPD-ready)

Compliance

• LGPD: PII (CPF, RG, endereço) é redacted nos logs de modelo
• Bias audit: relatório mensal de fairness gerado automaticamente
• Direito ao explainability: candidato pode solicitar relatório de por que foi ranqueado X

Tempo de implementação

3-4 semanas, com:

• Sprint 1: extração de histórico do cliente + análise de viabilidade (sinal disponível)
• Sprint 2: treino + validação + métricas baseline
• Sprint 3: API + painel + integração com ATS existente
• Sprint 4: rollout gradual (shadow mode antes de produção)