Institut für Angewandte Informatik
Refine
Document Type
Has Fulltext
- no (3)
Reviewed
Keywords
- CV-Matching (1)
- E5-Instruct-Modell (1)
- Informationsretrieval (1)
- Künstliche Intelligenz (KI) (1)
- Matching (Rekrutierung) (1)
- Multilinguale Embeddings (1)
- Natural Language Processing (1)
- Nutzerumfrage (1)
- OTDR (1)
- POF (1)
Institute
Is part of the Bibliography
- yes (3)
We propose a meta-language-based approach enabling Large Language Models (LLMs) to reliably generate structured, machine-readable artifacts referred to as Meta-Language-defined Structures (MLDS) adapted to domain requirements, without adhering strictly to standard formats like JSON or XML. By embedding explicit schema instructions within prompts, we evaluated the method across diverse use cases, including automated Virtual Reality environment generation and automotive security modeling. Our experiments demonstrate that the meta-language approach significantly improves LLM-generated structure compliance, with an 88 % validation rate across 132 test scenarios. Compared to traditional methods using LangChain and Pydantic, our MLDS method reduces setup complexity by approximately 80 %, despite a marginally higher error rate. Furthermore, the MLDS artifacts produced were easily editable, enabling rapid iterative refinement. This flexibility greatly alleviates the “blank page syndrome” by providing structured initial artifacts suitable for immediate use or further human enhancement, making our approach highly practical for rapid prototyping and integration into complex industrial workflows.
Diese Arbeit beschäftigt sich mit der Entwicklung eines KI-gestützten Matching-Systems, das Lebensläufe und Stellenanzeigen durch semantische Textanalyse (NLP) verknüpft. Ziel ist es, die Schwächen herkömmlicher Suchsysteme auf Jobportalen zu überwinden und eine präzisere, nutzerorientierte Lösung bereitzustellen. Untersuchungen von bestehenden Lebensläufen und Stellenanzeigen sowie eine quantitative Erhebung zeigten, dass bestehende Suchsysteme oft unzureichend sind. Basierend auf diesen Erkenntnissen wurde eine maßgeschneiderte Datenvorverarbeitung entwickelt, um die Qualität der Eingabedaten zu verbessern. Die Modell- und Algorithmenauswahl ergab, dass das multilingual-e5-large-instruct-Modell die leistungsfähigste Matchingvariante darstellt. Der entwickelte Prototyp erwies sich als leistungsfähiger und präziser als viele bestehende Systeme.
Gleichzeitig verdeutlichte eine Regressionsanalyse, dass die Qualität der Ergebnisse stark von der Güte und Aktualität der zugrunde liegenden Daten abhängt.