AI দিয়ে সিভি স্ক্রিনিং: কীভাবে কাজ করে, কোথায় ব্যর্থ হয়

AI দিয়ে সিভি স্ক্রিনিং হলো এমন একটি প্রক্রিয়া যেখানে একটি সফটওয়্যার পদের জন্য জমা পড়া সিভিগুলো পড়ে, কাঠামোবদ্ধ তথ্য বের করে আনে (অভিজ্ঞতা, স্কিল, শিক্ষা, ভাষা) এবং পদের বিবরণের সঙ্গে মিলিয়ে একটি মানানসই স্কোর বসিয়ে দেয়। রিক্রুটার শত শত সিভি হাতে পড়ার বদলে একটি সাজানো তালিকা পান এবং ঠিক করেন কে পরের ধাপে যাবেন।

কোম্পানি ও প্রার্থী, দুজনের জন্যই আসল প্রশ্নটা "এটা কি কাজ করে?" নয়। কাজ করে, এবং বাংলাদেশের প্রায় প্রতিটি মাঝারি-বড় নিয়োগ ব্যবস্থায় এটি এখন স্বাভাবিক। আসল প্রশ্ন হলো, আপনি যে ধরনের পদ খুলছেন, তার জন্য কি এটা কাজ করে? কিছু পদের জন্য হ্যাঁ। কিন্তু বড় পরিসরে টেকনিক্যাল পদের ক্ষেত্রে এই মডেল কিছু অনুমেয় সীমায় গিয়ে আটকে যায়।

এক বাক্যে

AI স্ক্রিনিং ভলিউম সামলাতে ভালো, টেকনিক্যাল স্কিল ভবিষ্যদ্বাণীতে দুর্বল। এটি "৩০০ সিভি"-কে "সম্ভাবনাময় ২০ সিভি"-তে নামিয়ে আনে, কিন্তু সেই ২০ জনের ভেতরে আসল পারফরম্যান্সের সঙ্গে সম্পর্ক একজন মানুষের পড়া সিভির মতোই, দুর্বল।

AI একটি সিভি কীভাবে পড়ে

সাধারণ পাইপলাইনে চারটি ধাপ থাকে।

১. পার্সিং। সিভিটি (PDF, DOCX বা স্ক্যান) টেক্সটে রূপান্তরিত হয় এবং অংশে ভাগ হয় (হেডার, সারাংশ, অভিজ্ঞতা, শিক্ষা, স্কিল, ভাষা)। আধুনিক মডেল নানা লেআউট ভালোভাবেই সামলায়।

২. এনটিটি এক্সট্রাকশন। কোথায় কাজ করেছেন, কী পদে, কত বছর, কোন প্রযুক্তি, কোন সার্টিফিকেট, এসব বের করা হয়। পরিপাটি সিভিতে এটি নির্ভুল, আর আইকন বা কলামভরা ডিজাইন করা সিভিতে দুর্বল।

৩. পদের বিবরণের সঙ্গে মিলকরণ। সিস্টেম সিভির অর্থগত ভেক্টরকে পদের বিবরণের (JD) ভেক্টরের সঙ্গে তুলনা করে। বাধ্যতামূলক স্কিল, অভিজ্ঞতার বছর, অবস্থান, বেতন রেঞ্জ ধরে ওজন সাজানো যায়।

৪. র‍্যাঙ্কিং। একটি চূড়ান্ত নম্বর (সাধারণত ০ থেকে ১০০) ঠিক করে রিক্রুটার কোন ক্রমে প্রার্থীদের দেখবেন।

পুরোনো প্ল্যাটফর্ম শুধু কিওয়ার্ড মিল ব্যবহার করে। আধুনিক প্ল্যাটফর্ম ব্যবহার করে এমবেডিং (টেক্সটের ভেক্টর উপস্থাপন), যা বোঝে "সফটওয়্যার ইঞ্জিনিয়ার" আর "ব্যাকএন্ড ডেভেলপার" এক নয় কিন্তু অর্থগত জায়গায় কাছাকাছি।

AI স্ক্রিনিং কোন জিনিস ভালো মাপে

• ঘোষিত মিল। কেউ যদি লেখেন "React ৫ বছর" আর পদে চাওয়া হয় React ৩ বছর, সিস্টেম এটা প্রায় নিখুঁতভাবে ধরে।
• আনুষ্ঠানিক পূর্বশর্ত। ডিগ্রি, নির্দিষ্ট সার্টিফিকেট, ঘোষিত স্তরসহ ভাষা, অবস্থান।
• ভলিউম। হাজার সিভি সেকেন্ডেই সাজানো তালিকায় পরিণত হয়।
• ক্যারিয়ারের ধারাবাহিকতা। দীর্ঘ গ্যাপ, খুব ঘন ঘন চাকরি বদল, সিনিয়রিটির বিবর্তন।
• মৌলিক কমপ্লায়েন্স। কঠোর পূর্বশর্তওয়ালা পদ (নির্দিষ্ট পেশাগত নিবন্ধন, বাধ্যতামূলক লাইসেন্স) নিখুঁত মিল ধরে বাছাই হয়।

AI স্ক্রিনিং কোন জিনিস মাপে না

• আসল স্কিল, ঘোষিত নয়। যিনি লেখেন "React ৫ বছর", তিনি হয়তো ৪ বছর টিউটোরিয়াল করেছেন আর প্রোডাকশনে মাত্র একটি স্ক্রিন বানিয়েছেন। সিভি স্বঘোষণা রেকর্ড করে, সক্ষমতা নয়।
• নতুন সমস্যা সমাধানের ক্ষমতা। ঠিক এটাই একজন গড়পড়তা ইঞ্জিনিয়ারকে একজন দারুণ ইঞ্জিনিয়ার থেকে আলাদা করে।
• টিমে আচরণ। যোগাযোগ, দ্বন্দ্ব সামলানো, মালিকানাবোধ, এসব সফট স্কিল বের করার মতো টেক্সট হয়ে সিভিতে আসে না।
• টেকনিক্যাল সংস্কৃতি। কে গুণমানকে আগে রাখেন, কে গতিকে? কে ডকুমেন্ট লেখেন? কে যত্ন নিয়ে কোড রিভিউ করেন? সিভি এ ব্যাপারে নীরব।
• এখনকার আগ্রহ। কে সক্রিয়ভাবে খুঁজছেন, কে শুধু খোলা মনে আছেন, আর কে কেবল প্রোফাইল হালনাগাদ করছেন।

মূলত AI স্ক্রিনিং হলো একই সিভির আরও দ্রুত পড়া, ভিন্ন কোনো পরিমাপ নয়।

টেকনিক্যাল পদে স্ক্রিনিং কোথায় ব্যর্থ হয়

তিনটি সাধারণ ব্যর্থতা।

১. কিওয়ার্ডের অতিরিক্ত পক্ষপাত

"Vue"-তে শক্ত অভিজ্ঞতাওয়ালা একজন প্রার্থী "React" পদ থেকে বাদ পড়ে যান, কারণ সিস্টেম বোঝে না যে একজন সিনিয়রের জন্য ফ্রন্টএন্ড ফ্রেমওয়ার্ক বদল করা সহজ। রিক্রুটার React-কে বাধ্যতামূলক করেছেন; AI সেই আদেশই পালন করে।

২. অপটিমাইজ করা সিভিতে ফলস পজিটিভ

ATS-এর জন্য সিভি অপটিমাইজ করার একটি অনানুষ্ঠানিক চর্চা গড়ে উঠেছে। বাংলাদেশেও ইউটিউব ও ফেসবুকে "AI দিয়ে এক ক্লিকে CV" বা "কিওয়ার্ড বসিয়ে স্ক্রিনিং পাস" শেখানোর কনটেন্টের অভাব নেই। যিনি ৩০টি কিওয়ার্ড সূক্ষ্মভাবে ছড়িয়ে দিতে শেখেন, তিনি স্ক্রিনিং পার হন; আর যিনি সংক্ষিপ্ত, সরাসরি সিভি লেখেন, তিনি মাঝে মাঝে নিচে পড়ে থাকেন।

৩. মডেলে ঐতিহাসিক পক্ষপাত

অতীতের নিয়োগ ডেটায় প্রশিক্ষিত মডেল কোম্পানির পুরোনো ধরন পুনরুৎপাদন করে, এমনকি যেগুলো পুনরুৎপাদন না করাই উচিত। নির্দিষ্ট বিশ্ববিদ্যালয়, নির্দিষ্ট কোম্পানি, বয়স রেঞ্জ, নামের ধরন। অনেক বাজারে নিয়ন্ত্রক প্রতিষ্ঠান এখন এই পক্ষপাত নিরীক্ষার বাধ্যবাধকতা দিচ্ছে। বাংলাদেশে এখনও স্বয়ংক্রিয় সিদ্ধান্ত নিয়ে পূর্ণাঙ্গ আইন কার্যকর নেই, খসড়া পর্যায়ে থাকা ব্যক্তিগত ডেটা সুরক্ষা অধ্যাদেশ এ বিষয়ে নীতি দিতে পারে, কিন্তু আপাতত এটি ধূসর এলাকা।

AI স্ক্রিনিং বনাম টেস্টভিত্তিক মূল্যায়ন

ব্যবহারিক পার্থক্য হলো, ফিল্টারের কাজটা ঠিক কোথায় হচ্ছে।

দুটি মডেল পাশাপাশি টেকে। AI স্ক্রিনিং চওড়া ফানেল ছাঁকে; টেস্ট স্কিলের গভীরতা ছাঁকে। টেকনিক্যাল পদে আধুনিক প্ল্যাটফর্মগুলো টেস্টকে যোগাযোগের আগে সরিয়ে নিচ্ছে, যাতে রিক্রুটার শুধু সেইসব প্রার্থী পান যাঁদের প্রয়োগের প্রমাণ আছে।

NORT-এর পদ্ধতি কেমন

NORT কোনো ATS নয়। এটি একটি রিভার্স রিক্রুটিং ও মূল্যায়ন প্ল্যাটফর্ম, যা যুক্তির ক্রমটাই উল্টে দেয়। পদের প্রবেশমুখে AI সিভি পড়ার বদলে এখানে প্রার্থী একবার একটি পোর্টেবল মূল্যায়ন করেন, টেকনিক্যাল টেস্ট, Big Five, ভাষা ও যাচাইকৃত অভিজ্ঞতা। ফলাফল একটি Career Score-এ রূপ নেয়, আর কোম্পানি এই পূর্ব-যোগ্য পুলকে বস্তুনিষ্ঠ মানদণ্ড ধরে ছাঁকে।

রিক্রুটারের জন্য এর অর্থ:

• শুরুর স্ক্রিনিং নেই, পুলটা আগেই পূর্ব-মূল্যায়িত
• স্কিল ধরে ফিল্টার সরাসরি, প্রক্সি (সিভির কিওয়ার্ড) ধরে নয়
• গড় নিয়োগ-সময় কমে, কারণ "৩০০ সিভি পড়া" ধাপটাই মুছে যায়

প্রার্থীর জন্য এর অর্থ, একবার পরিশ্রম করে ফলাফলটি পোর্টেবল রাখা এবং একাধিক সুযোগে কাজে লাগানো, প্রতিটি আবেদনে নতুন করে টেস্ট না দেওয়া।

এটি ATS-এর বিকল্প নয়, পরিপূরক। ইনবাউন্ড আবেদনের ফানেল ATS সামলায়, আর সক্রিয় সোর্সিংয়ের গভীরতা সামলায় রিভার্স রিক্রুটিং।

AI স্ক্রিনিং কখন এখনও সেরা পছন্দ

এটা "এটা নয়তো ওটা" নয়। এমন পদ আছে যেখানে AI স্ক্রিনিং যথেষ্ট ভালো।

• প্রশাসনিক ও অপারেশনাল পদ, যেখানে ঘোষিত মিল বাস্তবতার সঙ্গে বেশি সম্পর্কিত
• বিশাল ভলিউমের পদ (একটি ট্রেইনি প্রোগ্রামে হাজার হাজার আবেদন), স্বয়ংক্রিয় স্ক্রিনিং ছাড়া প্রক্রিয়াটা টেকে না
• আপসহীন আনুষ্ঠানিক পূর্বশর্তওয়ালা পদ (পেশাগত নিবন্ধন, বাধ্যতামূলক সার্টিফিকেট)
• ইনবাউন্ড আবেদনের পাইপলাইন। bdjobs-এর মতো বড় জব পোর্টালে একটি পদে স্বতঃস্ফূর্ত আবেদন প্রচুর জমে, সেখানে প্রথম ছাঁকনি হিসেবে এটি কাজে দেয়।

সচরাচর জিজ্ঞাসিত প্রশ্ন

AI স্ক্রিনিং কি প্রার্থীদের প্রতি ন্যায্য?

কারিগরিভাবে এটি সবার জন্য একই মানদণ্ড প্রয়োগ করে। বাস্তবে এটি ঐতিহাসিক ডেটাসেট ও পদের বিবরণে রিক্রুটারের লেখার পক্ষপাত উত্তরাধিকার সূত্রে নেয়। নিরীক্ষা হলে এটি ন্যায্য, আর বাংলাদেশে বেশিরভাগ কোম্পানি এখনও তা নিরীক্ষা করে না।

স্ক্রিনিং পার হতে কি আমার সিভি অপটিমাইজ করতে হবে?

প্রচলিত ATS দিয়ে ছাঁকা পদের জন্য আজ হ্যাঁ। পদের বিবরণের কিওয়ার্ড ব্যবহার করুন, লেআউট পরিষ্কার রাখুন (সাজসজ্জার আইকন ছাড়া), স্ক্যান নয় এমন PDF-এ সেভ করুন। NORT-এর মতো প্ল্যাটফর্মে এটি অপ্রাসঙ্গিক, কারণ সেখানে ফিল্টার হয় মাপা স্কিল ধরে, টেক্সট ধরে নয়।

AI কি "ফোলানো" সিভি ধরতে পারে?

আংশিকভাবে। আধুনিক মডেল অসঙ্গতির সংকেত দেয় (অদ্ভুত প্রযুক্তি, ব্যাখ্যাহীন গ্যাপ, সন্দেহজনকভাবে দ্রুত বিবর্তন), কিন্তু উদ্দেশ্য পড়তে পারে না। ভালোভাবে লেখা সিভি, এমনকি অতিরঞ্জিত হলেও, সাধারণত পার হয়ে যায়।

বাংলাদেশের আইন কি স্বয়ংক্রিয় স্ক্রিনিং সীমিত করে?

বাংলাদেশে এখনও পূর্ণাঙ্গ, কার্যকর ডেটা সুরক্ষা আইন নেই। তবে খসড়া পর্যায়ে থাকা ব্যক্তিগত ডেটা সুরক্ষা অধ্যাদেশ, ২০২৫-এ সম্মতি, উদ্দেশ্য-সীমাবদ্ধতা ও ডেটা সাবজেক্টের অধিকার নিয়ে নীতি আছে। আইন চূড়ান্ত হওয়ার আগেই এর সাধারণ নীতি মেনে চলা বিচক্ষণতা, স্পষ্ট সম্মতি নিন, কেন ডেটা নিচ্ছেন জানান, এবং সম্পূর্ণ স্বয়ংক্রিয় তালিকার ওপর একজন মানুষের তত্ত্বাবধান রাখুন।

জেনারেটিভ AI (LLM)-ও কি স্ক্রিনিং করে?

হ্যাঁ। ChatGPT, Claude, Gemini ও ওপেন-সোর্স মডেল ছোট-মাঝারি কোম্পানির কাস্টম ফ্লোতে ব্যবহৃত হচ্ছে, সিভি ও JD মডেলে দিয়ে বিশ্লেষণ চাওয়া হয়। ব্যাখ্যাযোগ্যতায় এর সুবিধা আছে ("কেন এই প্রার্থী?"), তবে খরচ ও লেটেন্সি এখনও বড় ভলিউমের জন্য সীমা টানে।

সংক্ষেপে

• AI স্ক্রিনিং ভলিউম ও ঘোষিত পূর্বশর্তে দক্ষ; আসল টেকনিক্যাল স্কিল ভবিষ্যদ্বাণীতে দুর্বল
• প্রশাসনিক ও অপারেশনাল পদে এটি যথেষ্ট ভালো
• টেকনিক্যাল পদে ফিল্টারটা "সিভি পড়া" থেকে "স্কিল মাপা"-য় সরানোই বেশি যুক্তিযুক্ত
• দুটি মডেল পাশাপাশি চলে, AI স্ক্রিনিং ও টেস্টভিত্তিক মূল্যায়ন ক্রমানুসারে যেকোনো একটির চেয়ে ভালো কাজ করে
• NORT বেছে নিয়েছে পোর্টেবল মূল্যায়নের পথ, একবার করুন, একাধিক সুযোগে কাজে লাগান

বাংলাদেশের নিয়োগে "সিভি পড়া" ধাপটা একবারে গুছিয়ে নিয়ে সঙ্গে সঙ্গে স্কিল ধরে ফিল্টার করতে চান? একটি ফ্রি NORT অ্যাকাউন্ট খুলুন এবং আপনার পরের নিয়োগে পোর্টেবল মূল্যায়ন যাচাই করে দেখুন।