Progettazione e sviluppo di un framework basato sull’intelligenza artificiale per l’orientamento professionale, attraverso l’estrazione e l’analisi di interessi e competenze, basato sulla classificazione ESCO.

Abstract

La complessità e la diversità del mercato del lavoro di oggi, combinate con le sfide che i giovani possono incontrare quando cercano un'occupazione per la prima volta, richiedono un'esplorazione più approfondita sull'uso dell'intelligenza artificiale per l'orientamento professionale automatizzato. Questo documento presenta lo sviluppo di un framework ad agenti al fine del suggerimento di occupazioni, fondato sull'uso di dati reperiti da una ontologia che definisce ciò che costituisce un'occupazione, sfruttando il dataset ESCO come riferimento per competenze, occupazioni e relazioni. Il framework integra Large Language Models (LLM) in un server che implementa moduli per la conversione automatizzata dei CV in strutture dati predefinite, estrazione di competenze, valutazione iniziale e un'architettura ad agenti per una continua stima delle conoscenze degli utenti attraverso una conversazione interattiva. Ciò consente un orientamento professionale che sfrutta l'affinità verso una occupazione, calcolata su conoscenze esistenti e stimate durante la conversazione. La progettazione basata su agenti evidenzia la potenza dell'intelligenza artificiale per compiti complessi come l'inferenza delle competenze, l'abbinamento delle occupazioni, la valutazione e il dialogo indirizzabile verso un obiettivo specifico, pur rimanendo vincolati su dati fondati da ESCO. Il documento fornisce informazioni generali sulle tecnologie utilizzate, descrive in dettaglio la progettazione e l'implementazione dei moduli del sistema sperimentale e si conclude con valutazioni qualitative della conversione CV, della stima delle competenze e del comportamento interattivo degli agenti. I risultati indicano che la combinazione di LLM con ontologie strutturate e flussi di esecuzione degli agenti, offre un approccio promettente per lo sviluppo di sistemi al fine del suggerimento occupazionale in modo spiegabile ed adattabile.

The complexity and diversity of today's job market, combined with the challenges young people may face when seeking an occupation for the first time, warrant deeper exploration into artificial intelligence for automated career guidance. This paper presents the development of an AI-driven framework for occupation suggestion, grounded in the use of ontology data that precisely defines what constitutes an occupation. Leveraging the ESCO dataset as a reference for skills, occupations, and relationships for Retrieval Augmented Generation (RAG). The framework integrates Large Language Models (LLM) into an application server that implements modules for automated CV conversion to predefined schemas, skill extraction, initial assessment, and an agent architecture for interactive skill discovery through conversational prompts. This enables personalised career guidance leveraging occupation affinity computed on existing and self-reported knowledge. The agent-based design highlights the power of distributed reasoning components for complex tasks such as skill inference, occupation matching, evaluation and steerable dialogue towards a specific goal, while remaining factually grounded on ESCO data. The paper provides background on technologies used, details the design and implementation of the experimental system modules, and concludes with qualitative evaluations of CV conversion, evaluation and the interactive behaviour of the agent framework. Results indicate that combining LLMs with structured ontologies and agent workflows, offers a promising approach to explainable and adaptable occupation-suggestion systems.