Son yıllarda deneyim ve niteliklerim artmasına rağmen, iş başvurularımdan mülakat çağrısı alma oranımın düştüğünü fark ettim. Bu sorunu yaşayan tek kişi ben değilim. Büyük Dil Modelleri Prompt Mühendisliği ile (LLM’ler) RAG , özgeçmiş hazırlama ve düzenleme konusunda çığır açıcı bir çözüm sunuyor.
İdeal olan, başvurduğunuz her iş için özel bir özgeçmiş oluşturmaktır. İş deneyiminizi, belirli ilanın ifadeleri ve şirketin özelliklerine göre uyarlamalısınız. Kariyer ortası veya üstü seviyedeyseniz, muhtemelen bir özgeçmişe sığmayacak kadar deneyime sahipsinizdir ve neyi dahil etmeyeceğinize karar vermeniz gerekir.
LLM’ler üç kritik alanda yardımcı olabilir:
- İş deneyimini özetleme
- İfadeleri yeniden düzenleme
- Belirli iş ilanına en uygun deneyimleri seçme
RAG ve Prompt Mühendisliği Araştırmanın Kapsamı ve Metodolojisi
Bu makalede, Azure platformunda prompt mühendisliği ve Retrieval-Augmented Generation (RAG) tekniklerini kullanarak özgeçmiş yazımını inceleyeceğiz. LLM’ler RAG olmadan da özgeçmiş yazabilir, ancak RAG kullanımı bize deneme yapma ve daha kaliteli sonuçlar elde etme olanağı sağlıyor.
Değerlendirme Metrikleri
Microsoft’un önerdiği şu metrikleri kullanacağız:
1. Temellenme (Groundedness) Model yanıtlarının girdi kaynağındaki bilgilerle ne kadar uyumlu olduğunu değerlendirir. LLM’ler sağlanan verilere dayalı yanıtlar vermelidir. Özgeçmiş yazarken, modelin iş başarılarını uydurması kesinlikle istenmeyen bir durumdur.
2. Alaka Düzeyi (Relevance) Model yanıtlarının verilen sorulara ne kadar uygun olduğunu ölçer. LLM, verilen iş tanımıyla ilgili özgeçmiş içeriği sağlamalıdır.
3. Tutarlılık (Coherence) Sağlanan dilin açık, özlü ve uygun olup olmadığını değerlendirir. Özgeçmişlerde kısalık ve netlik hayati önem taşır.
4. Akıcılık (Fluency) LLM’nin İngilizce dilbilgisi kurallarına ne kadar uyduğunu ölçer. Özgeçmiş içeriği doğru gramer ve imla kurallarına sahip olmalıdır.
Test Senaryoları
Üç farklı senaryoda özgeçmiş oluşturmayı değerlendireceğiz:
- Yalnızca prompt mühendisliği
- RAG destekli özgeçmiş
- Farklı temel model ile RAG destekli özgeçmiş
Her senaryo, yukarıdaki metriklere göre niteliksel olarak değerlendirilecek ve “yetersiz”, “marjinal” veya “tatmin edici” olarak puanlanacaktır.
Prompt Mühendisliği Nedir?
Prompt mühendisliği, LLM’lerin daha yararlı yanıtlar vermesini sağlayan bir rehberlik yöntemidir. LLM’ler çok geniş veri setleri (internet gibi) üzerinde eğitilir, bu da onlara insan dili ve kalıpları hakkında maksimum içgörü kazandırır. Ancak bu, spesifik ve yararlı yanıtlar vermek için bağlam gereksinimini beraberinde getirir.
Prompt Mühendisliği ile Özgeçmiş Yazımı
Özgeçmiş yazmaya yardımcı olmak için:
- Bağlamı sağlarız (LLM’nin özgeçmiş konusunda yardım edeceği)
- İş deneyimini veririz
- İş ilanını paylaşırız
- Özgeçmiş yazımında LLM’ye rehberlik ederiz
Dikkat: Uzun iş geçmişi durumunda token limitleriyle karşılaşabiliriz. Bu durumda deneyimleri kısaltmak veya token limitlerini artırmak (maliyeti artırarak) gerekebilir.
Azure’da Kod İçermeyen Uygulama Adımları
Başlangıç Kurulumu
Azure üzerinden kod yazmadan bu deneyi gerçekleştireceğiz. Chat-gpt-4o temel modelini kullanarak prompt mühendisliğiyle başlayacağız.
Kurulum Adımları:
- Azure tutorial’ındaki “Create Foundry hub” ve “Deploy Models” bölümlerini takip edin
- Yalnızca prompt mühendisliği için, RAG bölümlerini atlayın
- “Test the Index in the Playground” bölümüne gidin
- Chat-gpt-4o temel modelini deploy edin
Sistem Mesajı Oluşturma
Azure playground’daki “give the model instructions and context” kutusuna şu sistem mesajını yazıyoruz:
Profesyonel bir özgeçmiş yazarı olarak hareket edeceksiniz. Bilgileri özlü bir şekilde sunma ve fazlalık ile klişe terimlerden kaçınırken, alana özgü dil kullanma konusunda yeteneklisiniz. Göreviniz, deneyimimi hedef iş ilanı için bir çözüm olarak konumlandırmak, özellikle işin temel gereksinimlerini karşılayabileceğimi açıkça gösterecek şekilde uyarlamaktır. Sahip olmadığım başarıları uydurmayın. Yalnızca mevcut deneyimi yeniden ifade edin ve yeniden düzenleyin.Bu sistem mesajı:
- LLM’ye temel görevi sağlar (özgeçmiş yazma)
- Temellenme (başarıları uydurmama)
- Alaka düzeyi (hedef iş ilanına göre konumlandırma)
- Tutarlılık (fazlalık ve klişelerden kaçınma) konularında genel yönergeler verir
Prompt Dizisi ve Özgeçmiş Oluşturma
1. Adım – İş Deneyimini Sağlama:
İlk olarak iş başarılarımın bir listesini vereceğim. Özgeçmiş maddelerinizi ve özetlerinizi yalnızca verdiğim bilgilerden oluşturun. Aşağıda kullanmanız gereken iş deneyimim bulunuyor. Anladınız mı?2. Adım – Şirket Bilgisi:
İşe alım yapan şirket hakkında bazı ayrıntılar veriyorum, böylece yanıtları şirketin ihtiyaçlarına daha etkili şekilde uyarlayabilirsiniz. Anladınız mı?3. Adım – İş İlanı Analizi:
Ardından size iş tanımını vereceğim. İş tanımını kullanarak, sahip olduğum her rol için özet ifadeler ve 3-5 özet madde içeren bir özgeçmiş oluşturacağız, adım adım. İş tanımını anladınız mı ve lütfen başvurduğum rolün adını söyleyin. [İş tanımını buraya yapıştırın]4. Adım – Teknik Beceri Analizi:
İş için gereken en önemli teknik beceriler nelerdir? Hangi teknik beceriler bu rolde bana avantaj sağlar?[Rol] için en yaygın uzmanlık alanları nelerdir?Özgeçmiş İçeriği Üretimi
Özet Paragraf Oluşturma:
Deneyimimi kullanarak, 10+ yıllık deneyimimi gösteren, yalnızca rolle ilgili olanları içeren 4-6 cümlelik bir özet yazın. Deneyimimin [X şirketinin] ihtiyaçlarını nasıl karşılayabileceğini gösterin. Bir özgeçmişe uygun şekilde, pasif üçüncü şahıs kullanarak yazın.İş Maddeleri Oluşturma:
X şirketindeki deneyimimden, rol için gereksinimlerine nasıl uyduğumu en iyi gösteren 3-5 kısa madde yazın. Daha önce tartışılan teknik gereksinimleri ve en yaygın deneyimleri göz önünde bulundurun. Her maddeyi bir eylem fiiliyle başlatın, ardından görevi ekleyin ve sonuçla bitirin. Bilgi mevcut olduğunda, sayılar, yüzdeler ve dolar miktarları vb. kullanarak her ifadeyi nicelleştirin. Madde noktaları, 10 punto yazı tipi kullanarak dar marjlarda 2 satırı geçmemelidir.Bu prompt’u her iş için tekrarlayın, “Önceki maddelerle fazlalıktan kaçının” ifadesini ekleyin.
Teknik Beceri Özeti:
Rolle ilgili sahip olduğum temel sertifikaları ve teknik becerileri özetleyen en fazla 5 özlü madde sağlayın. Yalnızca belirli bir ilgili sertifikaya veya teknik beceriye sahipsem özet madde sağlayın.Bu sorulardan gelen yanıtlar, minimal düzenleme gerektiren bir özgeçmiş için başlangıç noktası sağlar. Çoğunlukla format düzenleme ve yanlış olabilecek içeriği eleme veya özgeçmişin tek sayfaya sığmasını sağlama işlemleri gerekir.
RAG (Retrieval-Augmented Generation) Nedir?
RAG, kullanıcıların LLM’lerin yararlanabileceği bir bilgi tabanı olarak hizmet edecek kendi kütüphanelerini oluşturmasına olanak tanır. Bu durumda, doküman kütüphanesi daha önce oluşturulmuş özgeçmişlerden oluşuyor.
RAG ‘ın Avantajları
- Erken kariyer deneyimleri: Eski özgeçmişler, ilk kariyer başarıları hakkında daha fazla ayrıntı sağlar
- Çeşitli deneyim yelpazesi: Birkaç özgeçmiş oluşturduktan sonra, RAG tüm deneyim spektrumunuzu kapsar
- Odaklanma: LLM’yi özel eğitilmiş veya ayarlanmış bir modele ihtiyaç duymadan kendi deneyim tabanınıza odaklandırır
- Genişletilmiş bağlam: LLM’nin çekebileceği daha fazla deneyim sağlamayı kolaylaştırır
Maliyet ve Gereklilik: RAG özgeçmiş yazmak için gerekli değildir ve hesaplama maliyeti getirecektir, ancak yalnızca prompt mühendisliğiyle karşılaştırıldığında sonuçları iyileştirebilir.
Azure’da RAG Kurulumu
- Azure tutorial’ındaki “Add data to your project” ve “Create an index for your data” bölümlerini tamamlayın
- Tutorial’da sağlanan veri yerine, LLM’nin çekmesini istediğiniz tüm özgeçmişleri içeren bir klasör oluşturun ve yükleyin
- Dizin oluşturma tamamlandıktan sonra, “Test in the index in the playground” adım dört’ü takip edin
- Veriyi modelin bağlamına ekleyin
- İlk iş geçmişi prompt’unu çıkararak, daha önce kullanılan prompt’ları tekrarlayın
Küçük Dil Modeli ile RAG Testi
Farklı bir temel modelle özgeçmiş oluşturmayı değerlendirmek için, projeye yeni bir model deploy ediyoruz: chat-gpt-4o-mini.
LLM vs Küçük Dil Modeli
- LLM’ler: Trilyonlarca parametre içerir, kurumsal düzey barındırma gerektirir
- Küçük Dil Modelleri: LLM yeteneklerinin çoğunu daha kompakt bir formda sunar
- chat-gpt-4o-mini: 8 milyar parametre
- chat-gpt-4o: 1.8 trilyon parametre
Küçük Modellerin Avantajları
- Yerel dağıtım desteği
- Veri güvenliği ve gizliliği için kritik
- Dahili LLM barındıramayan küçük şirketler için ideal
- Maliyet etkinliği
Model deploy edildikten sonra, playground’a dönün, sistem mesajını ve RAG verilerini ekleyin ve önceki prompt’ları tekrarlayın.
Karşılaştırmalı Performans Analizi
| Senaryo | Temellenme | Alaka Düzeyi | Tutarlılık | Akıcılık |
|---|---|---|---|---|
| Prompt Mühendisliği | Yetersiz | Marjinal | Tatmin Edici | Tatmin Edici |
| RAG | Tatmin Edici | Marjinal | Tatmin Edici | Tatmin Edici |
| RAG-mini | Tatmin Edici | Marjinal | Tatmin Edici | Tatmin Edici |
Prompt Mühendisliği Detaylı Değerlendirme
Prompt Mühendisliği:
- Ciddi temellenme sorunları vardı
- Sahip olmadığım sertifikalar uydurdu
- Yapmadığım iyileştirmeler için dolar miktarları ekledi
- Kullanılabilir değil
RAG Destekli Modeller:
- Daha iyi temellenme
- Hala bazı hatalar içeriyor
- Chat-gpt-4o biraz daha temelliydi, ancak mini modelin yapmadığı bazı hatalar yaptı
- LLM halüsinasyonları göz önüne alındığında, tüm ifadeleri doğrulamalıyız
Alaka Düzeyi:
- Her üç model de marjinal performans gösterdi
- İş ilanından önemli ifadeleri dahil etmediler
- Kabul edilebilir maddeler oluşturabildiler
- Manuel düzenlemeyle iyileştirilebilir
- RAG özgeçmişleri, özellikle tam modelde, biraz daha alakalıydı
Tutarlılık:
- Tüm modeller kabul edilebilir düzeydeydi
- RAG maddeleri daha öz ve özeldi
- Tam modeldeki RAG maddeleri en iyisiydi
Akıcılık:
- Tüm modeller kabul edilebilir İngilizce sağladı
Sonuç ve Öneriler
RAG Kullanmalı mıyız?
Geniş bir özgeçmiş portföyünüz varsa, özgeçmiş oluşturmak istiyorsanız RAG kullanmaya değer. En azından halüsinasyon olasılığını azaltmak için faydalıdır (tabii dürüst olmak istiyorsanız – LLM’nin bana atfettiği bazı başarılar oldukça etkileyiciydi!).
LLM ile Özgeçmiş Oluşturmanın Artıları
- Başlangıç noktası sağlar: Yeni fikirler veya ifadeler bulmakta zorlanıyorsanız veya özgeçmişe yeni baştan başlamak istiyorsanız ideal
- Düzenleme kolaylığı: İlk taslak özgeçmişi düzenlemek, yenisini oluşturmaktan daha kolay
- Zaman tasarrufu: İş başvurularında zaman ve çaba azaltır
Önemli Uyarılar ve Sınırlamalar
1. Var Olan İçerik Gereksinimi LLM’nin çekebileceği mevcut özgeçmiş maddeleri ve iş deneyimine ihtiyaç duydum. Bu, özgeçmiş maddelerini nasıl yazacağımı bilmem gerektiği anlamına gelir.
2. Beceri Erozyonu Riski Madde yazımı kolay unutulan bir beceridir. Tüm özgeçmişlerinizi yazmak için LLM’lere güvenmemenizi öneriyorum, özellikle yeni iş deneyimi kazandıkça.
3. Manuel Müdahale Gerekli Maddeleri daha da azaltmam ve LLM’nin sağladıklarından hangilerini tutacağımı seçmem gerekti. LLM’den adım adım ilerlemek yerine tek sayfalık özgeçmiş yazmasını isteyerek bundan kaçınabilirdim, ancak bu yanıtların kalitesini (özellikle alaka düzeyini) düşürebilirdi.
4. İteratif İyileştirme Canlı etkileşim kullanarak LLM’nin yanıtlarını düzenlemesine ve iyileştirmesine yardımcı olarak yanıtları geliştirebilirdim. Ancak, durumları olabildiğince kontrollü tutmak ve senaryolar arasında karşılaştırmayı iyileştirmek istedim.
Yapay Zeka da Prompt Mühendisliği ile Silahlanma Yarışında Stratejik Yaklaşım
LLM’leri kullanmak, her bireysel özgeçmiş için zaman ve çabayı azaltmada yararlı olabilir, ancak becerilerinizi keskin tutmayı unutmayın. Başka bir şeyin sizin için düşünmesine ne kadar izin verirseniz, o kadar az yetenekli olursunuz.
En İyi Uygulamalar
✅ Yapın:
- Özgeçmişleri düzenlemeye yardımcı olmak için LLM’leri kullanın
- Yeni ifade fikirleri için LLM’lerden yararlanın
- Her iş başvurusu için özelleştirme yapın
❌ Yapmayın:
- İş ilanlarını başvurularla doldurmak için LLM kullanmayın
- Tüm düşünme sürecini LLM’lere bırakmayın
- Kendi yazma becerilerinizi ihmal etmeyin
En Önemli Tavsiye: İnsan Bağlantıları Kurun
İnsan ağı ve bir şirketteki bağlantılar, özgeçmişinizin bir İK botu tarafından elenmesi yerine, işe alım yöneticisinin insan gözleriyle incelenmesinin en iyi yoludur.
Teknik Notlar ve Kod Doğrulaması
Makalede paylaşılan prompt’lar ve Azure yapılandırma adımları doğrulanmıştır. Ancak, Azure arayüzü düzenli olarak güncellendiğinden, bazı menü konumları değişebilir. Temel işlevsellik ve API kullanımı standartlaştırılmıştır
