AI रिज्यूमे स्क्रीनिंग कैसे काम करती है और कहाँ चूकती है

AI रिज्यूमे स्क्रीनिंग वह प्रक्रिया है जिसमें एक software किसी vacancy पर आए रिज्यूमे पढ़ता है, structured data (experience, skills, education, languages) निकालता है और job description के साथ मिलान का एक score देता है। recruiter को दर्जनों या सैकड़ों रिज्यूमे ख़ुद पढ़ने के बजाय एक ranked list मिल जाती है, और वह तय करता है कि अगले चरण में कौन जाएगा।

कंपनी और उम्मीदवार दोनों के लिए असल सवाल यह नहीं है कि "क्या यह काम करती है?" यह काम करती है, और भारत के लगभग हर मध्यम से बड़े HR-tech सिस्टम में production में चल रही है। असल सवाल है, क्या यह उस तरह की vacancy के लिए काम करती है जो आप खोल रहे हैं? कुछ के लिए हाँ। पर scale पर technical roles में यहीं इसकी सीमाएँ अनुमानित रूप से सामने आती हैं।

एक वाक्य में

AI स्क्रीनिंग volume को व्यवस्थित करने में अच्छी है और technical skill का अनुमान लगाने में कमज़ोर। यह "300 रिज्यूमे" को "20 संभावित रिज्यूमे" में बदल देती है, पर उन 20 के भीतर असल performance से इसका correlation उतना ही रहता है जितना किसी इंसान के पढ़ने पर होता है, यानी कम।

अगर आप उस पहली छँटाई को समझ-बूझ से करने का step-by-step ढूँढ रहे हैं, तो अच्छे उम्मीदवारों को खोए बिना रिज्यूमे कैसे छाँटें देखें, और उसी पहली पढ़ाई से पहचान का bias हटाने के लिए blind रिज्यूमे स्क्रीनिंग। यह लेख इस बारे में है कि नीचे automation असल में क्या करती है और कहाँ चूकती है।

AI एक रिज्यूमे को कैसे पढ़ती है

आम pipeline में चार चरण होते हैं।

1. Parsing: रिज्यूमे (PDF, DOCX, scan) को text में बदला जाता है और blocks में बाँटा जाता है (header, summary, experience, education, skills, languages)। आधुनिक models अलग-अलग layouts को ठीक से संभाल लेते हैं।

2. Entity extraction: किन कंपनियों में काम किया, कौन-से पद, कितने साल, कौन-सी technologies, कौन-से certifications। यह हिस्सा अच्छे formatted रिज्यूमे में सटीक है और creative रिज्यूमे (graphics, icons, columns वाले) में कमज़ोर।

3. Job description से मिलान: सिस्टम रिज्यूमे के semantic vector की तुलना job description (JD) के vector से करता है। अनिवार्य skill, अनुभव के साल, location और salary range के हिसाब से weights बदले जा सकते हैं।

4. Ranking: एक अंतिम score (अक्सर 0 से 100) तय करता है कि recruiter उम्मीदवारों को किस क्रम में देखेगा।

पुराने platforms केवल keyword match पर चलते हैं। आधुनिक platforms embeddings (text का vector रूप) का उपयोग करते हैं, जो समझते हैं कि "software engineer" और "backend developer" एक जैसे नहीं, पर semantic space में पास-पास हैं।

AI स्क्रीनिंग किसमें अच्छी है

• घोषित मिलान: अगर उम्मीदवार ने "React 5 साल" लिखा है और vacancy को React 3 साल चाहिए, तो सिस्टम इसे लगभग पूरी तरह पकड़ लेता है।
• औपचारिक pre-requisites: degree, कोई ख़ास certification, घोषित स्तर वाली भाषा, location।
• Volume: 1,000 रिज्यूमे कुछ सेकंड में ranked list बन जाते हैं।
• करियर की निरंतरता: लंबा gap, बहुत बार नौकरी बदलना, seniority का बढ़ना।
• बुनियादी compliance: सख़्त requirements वाली vacancies (जैसे CA, ICAI registration, statutory licence) सटीक मिलान से छँटती हैं।

AI स्क्रीनिंग किसमें चूकती है

• असल skill, घोषित नहीं। "React 5 साल" लिखने वाला 4 साल tutorials देखकर और एक ही screen production में बनाकर भी ऐसा लिख सकता है। रिज्यूमे self-declaration दर्ज करता है, क्षमता नहीं।
• अनदेखी समस्या हल करने की क्षमता। यही तो एक औसत engineer को एक बेहतरीन engineer से अलग करती है।
• टीम में व्यवहार। ज़रूरी soft skills (communication, conflict, ownership) extractable text के रूप में नहीं दिखते।
• Technical culture। quality बनाम speed में किसे प्राथमिकता? कौन documentation करता है? कौन सावधानी से code review करता है? रिज्यूमे चुप रहता है।
• मौजूदा motivation। कौन सक्रिय रूप से खोज रहा है बनाम कौन सिर्फ़ profile update कर रहा है।

मूल रूप से AI स्क्रीनिंग उसी रिज्यूमे को तेज़ी से पढ़ना है, कोई अलग माप नहीं।

Technical vacancies में स्क्रीनिंग कहाँ फेल होती है

तीन आम चूक।

1. Keyword पर हद से ज़्यादा निर्भरता

मज़बूत "Vue" अनुभव वाला उम्मीदवार किसी "React" vacancy से बाहर हो जाता है, क्योंकि सिस्टम यह नहीं समझता कि किसी senior के लिए frontend frameworks के बीच migration आसान है। recruiter ने React अनिवार्य रखा; AI आदेश का पालन करती है।

2. Optimized रिज्यूमे से false positives

ATS के लिए optimized रिज्यूमे की एक अनौपचारिक इंडस्ट्री है। जो 30 keywords बारीकी से बिखेरना सीख जाता है, वह स्क्रीनिंग पार कर जाता है; जो संक्षिप्त और सीधा रिज्यूमे लिखता है, वह कभी-कभी नीचे रह जाता है।

3. Model में ऐतिहासिक bias

पुराने hiring data पर train किए गए models कंपनी के पुराने पैटर्न दोहराते हैं, उन पैटर्न समेत जिन्हें कंपनी दोहराना नहीं चाहती। ख़ास colleges, ख़ास कंपनियाँ, उम्र, नाम का pattern। भारत में Bengaluru और Hyderabad के बड़े hiring funnels में जहाँ रोज़ हज़ारों रिज्यूमे आते हैं, यह bias चुपचाप scale पर दोहराया जाता है। कई बाज़ार अब कंपनियों को इसका audit करने पर बाध्य कर रहे हैं। भारत में Digital Personal Data Protection Act, 2023 का आधिकारिक पाठ automated decision-making पर अलग से चुप है, पर इसका असर भर्ती पर पड़ता है, जिसे नीचे विस्तार से देखेंगे।

AI स्क्रीनिंग बनाम test-आधारित मूल्यांकन

व्यावहारिक अंतर यह है कि filter का काम कहाँ होता है।

दोनों models साथ रहते हैं। AI स्क्रीनिंग चौड़े funnel को छाँटती है; test skill की गहराई को छाँटता है। technical roles में आधुनिक platforms test को संपर्क से पहले ले जा रहे हैं, ताकि recruiter को केवल वही उम्मीदवार मिलें जिनके पास execution का प्रमाण हो।

DPDP Act 2023 automated स्क्रीनिंग के बारे में क्या कहता है

जो भी AI से उम्मीदवारों की स्क्रीनिंग करता है, वह संवेदनशील personal data process करता है। भारत में इसका कानूनी ढाँचा Digital Personal Data Protection Act, 2023 (DPDP Act) है, GDPR नहीं।

DPDP Act के तहत उम्मीदवार का रिज्यूमे और test data "digital personal data" है। आपको एक वैध आधार चाहिए, स्पष्ट purpose limitation (data सिर्फ़ उसी काम के लिए जिसके लिए लिया गया), data minimization (केवल ज़रूरी data) और तय retention अवधि। यह भी ज़रूरी है कि उम्मीदवार को साफ़ बताया जाए कि कौन-सा data इकट्ठा हो रहा है और कैसे process होगा, और उसकी सहमति (consent) ली जाए। Keka, Darwinbox और GreytHR जैसे भारतीय HR सिस्टम और Naukri जैसे sourcing database इस्तेमाल करने वाली कंपनियों को यह compliance अपने vendor agreements में भी देखनी चाहिए।

एक अहम बारीकी, यूरोप के GDPR के Article 22 जैसा कोई स्पष्ट प्रावधान DPDP Act में नहीं है जो पूरी तरह automated फ़ैसलों पर इंसानी समीक्षा का अधिकार दे। यानी automated ranking पर भारत में कानून फ़िलहाल चुप है। व्यवहार में अधिकांश कंपनियाँ ranked list पर एक इंसान को रखती हैं, और structured, documentable तरीक़े DPDP Act के purpose limitation और transparency तकाज़ों के साथ किसी subjective फ़ैसले से ज़्यादा आसानी से justify होते हैं, जिसकी logic कोई दोबारा नहीं बना सकता।

Nort यहाँ कैसे फ़िट होती है

ज़रूरी है यह साफ़ रखना कि Nort एक ATS नहीं है। Nort reverse-recruiting और मूल्यांकन का platform है, और किसी मौजूदा ATS की पूरक है। तर्क उलट जाता है: vacancy खुलने पर AI रिज्यूमे पढ़ने के बजाय, उम्मीदवार एक बार एक portable मूल्यांकन करता है, technical tests, Big Five personality test, languages और experience validation। इसका नतीजा एक Career Score बनता है, और कंपनी इस pre-qualified pool को objective मापदंडों पर छाँटती है।

recruiter के लिए इसका मतलब है:

• शुरुआती स्क्रीनिंग नहीं होती, pool पहले से pre-evaluated है
• skill पर filter सीधा होता है, proxy (रिज्यूमे के keyword) पर नहीं
• औसत hiring समय घटता है क्योंकि "300 रिज्यूमे पढ़ने" वाला चरण ग़ायब हो जाता है

उम्मीदवार के लिए इसका मतलब है, एक बार मेहनत करो और नतीजा कई अवसरों में portable रहे, हर apply की गई vacancy पर tests दोबारा देने के बजाय।

कब AI स्क्रीनिंग ही बेहतर विकल्प रहती है

बात "या तो यह या वह" की नहीं है। कुछ vacancies में AI स्क्रीनिंग काफ़ी अच्छी है।

• Administrative और operational vacancies: जहाँ घोषित मिलान का हक़ीक़त से correlation ऊँचा है
• बहुत बड़े volume वाली vacancies (किसी trainee programme के लिए 50,000 applications), जहाँ automated स्क्रीनिंग के बिना process scale ही नहीं करता
• non-negotiable औपचारिक pre-requisites वाली vacancies (professional registration, अनिवार्य certification)
• Inbound applications का pipeline: ऐसी कंपनी जिसके website पर बहुत spontaneous applications आते हैं

अक्सर पूछे जाने वाले प्रश्न

क्या AI स्क्रीनिंग उम्मीदवारों के साथ निष्पक्ष है?

तकनीकी रूप से यह सबके लिए एक ही मापदंड लगाती है। व्यवहार में यह पुराने dataset और job description में recruiter की लिखावट से bias विरासत में पाती है। यह तभी निष्पक्ष है जब इसका audit हो, और भारत में अधिकांश कंपनियाँ अभी audit नहीं करतीं।

क्या AI पार करने के लिए मुझे अपना रिज्यूमे optimize करना होगा?

पारंपरिक ATS से छँटने वाली vacancies के लिए, आज हाँ। job description के keywords इस्तेमाल करें, layout साफ़ रखें (decorative icons नहीं), और non-scanned PDF में save करें। Nort जैसे platforms के लिए यह बेमानी है, वहाँ filter मापे गए skill पर है, text पर नहीं।

क्या AI किसी "बढ़ा-चढ़ाकर लिखे" रिज्यूमे को पहचान लेती है?

कुछ हद तक। आधुनिक models inconsistencies पर निशान लगाते हैं (अजीब technologies, बिना समझाया gap, संदेहास्पद तेज़ growth), पर वे नीयत नहीं पढ़ सकते। अच्छा लिखा रिज्यूमे, भले ही अतिशयोक्ति वाला हो, आम तौर पर पार कर जाता है।

क्या DPDP Act automated स्क्रीनिंग को सीमित करता है?

DPDP Act consent, purpose limitation, data minimization और retention की माँग करता है, पर GDPR की तरह पूरी तरह automated फ़ैसले पर इंसानी समीक्षा का स्पष्ट अधिकार नहीं देता। व्यवहार में अधिकांश कंपनियों में एक इंसान ranked list देखता है, और यह transparency consent notice और privacy policy में दर्ज करना चाहिए।

क्या generative AI (LLM) भी स्क्रीनिंग करती है?

हाँ। ChatGPT, Claude, Gemini और open-source models पहले से छोटी और मध्यम कंपनियों के custom flows में इस्तेमाल हो रहे हैं, रिज्यूमे और JD model को दिए जाते हैं और analysis माँगा जाता है। explainability ("यह उम्मीदवार क्यों?") में फ़ायदा है, पर cost और latency अब भी ऊँचे volume के लिए सीमा हैं।

TL;DR

• AI स्क्रीनिंग volume और घोषित pre-requisites में कारगर है; असल technical skill का अनुमान लगाने में कमज़ोर
• administrative और operational vacancies के लिए यह काफ़ी अच्छी है
• technical vacancies के लिए filter को "रिज्यूमे पढ़ने" से "skill मापने" की ओर ले जाना ज़्यादा समझदारी है
• दोनों models साथ चलते हैं, AI स्क्रीनिंग और test-आधारित मूल्यांकन क्रम में किसी अकेले से बेहतर काम करते हैं
• Nort ने portable मूल्यांकन का रास्ता चुना, एक बार किया गया, कई अवसरों पर लागू

क्या आप "संपर्क से पहले" वाला चरण एक बार ठीक से तैयार करके फिर तुरंत filter करना चाहते हैं? मुफ़्त Nort खाता बनाएँ और अपनी अगली technical hiring में pre-qualified pool को आज़माएँ।