A Comparative Review of LLM Architectures in AI Resume Generators: LLaMA vs. Proprietary Models

In de moderne arbeidsmarkt is het curriculum vitae een cruciaal document geworden, een brug tussen iemands verleden en een toekomstige kans. Toch is het voor velen, vooral voor hen wier carrières niet-traditionele paden hebben bewandeld of die essentieel maar niet-gecrediteerd werk hebben verricht, een moeilijke taak om hun ervaring te vertalen naar de standaardtaal van de industrie. Om dit op te lossen, zijn ontwikkelaars begonnen met het bouwen van kunstmatige intelligentie-instrumenten die deze cv's automatisch kunnen schrijven. Deze instrumenten vertrouwen op grote taalmodellen, wat computersystemen zijn die getraind zijn op enorme hoeveelheden tekst om menselijke taal te begrijpen en te genereren. Denk bij deze modellen aan zeer geavanceerde motoren die een rommelig, persoonlijk verhaal kunnen lezen en het kunnen herschrijven naar een gepolijst, professioneel formaat. Er is echter een fundamentele splitsing in hoe deze motoren worden gebouwd en bediend. Sommige zijn open-source, wat betekent dat hun innerlijke werking publiek is en door de gebruiker op een eigen computer kan worden gedraaid, terwijl andere propriëtair zijn, wat betekent dat het gesloten systemen zijn die eigendom zijn van een bedrijf en alleen via het internet toegankelijk zijn. Dit onderscheid is van groot belang, omdat het bepaalt wie de controle heeft over de gegevens, hoeveel het kost om het instrument te draaien en hoe goed het kan worden afgestemd op specifieven behoeften.

Een onderzoeker aan de Universiteit van Wuppertal, Schmidt Albert, zette zich in om de reële implicaties van deze splitsing te begrijpen door de architecturale keuzes achter deze AI-cv-generatoren te onderzoeken. In plaats van een nieuw instrument te bouwen of er een direct te testen, voerde de onderzoeker een gestructureerde review uit van bestaande documentatie. De studie richtte zich op twee belangrijke voorbeelden: het RealCV-systeem, dat het open-source LLaMA-model gebruikt om academische curricula vitae om te zetten in industriële cv's, en de diverse propriëtaire systemen die vertrouwen op commerciële modellen zoals GPT. Het doel was om de afwegingen tussen deze twee benaderingen in kaart te brengen over vijf specifieke gebieden: waar de gegevens verblijven, hoe het instrument kan worden aangepast, de kosten van het gebruik, de transparantie van het systeem en het vermogen om ongewone of "onzichtbare" werkervaring te verwerken.

De review toonde aan dat de keuze tussen open-source en propriëtaire modellen geen eenvoudige kwestie is van één zijde die beter is dan de andere, maar eerder een keuze tussen verschillende soorten controle en gemak. Wat betreft de controle over gegevens biedt de open-source benadering een aanzienlijk voordeel voor de privacy. Omdat systemen zoals RealCV op een lokale server kunnen worden gedraaid, verlaat de gevoelige persoonlijke informatie in een cv de eigen computers van de organisatie nooit. In tegenstelling hiertoe vereisen propriëtaire modellen dat gegevens naar de servers van een extern bedrijf worden verzonden voor verwerking. Hoewel deze bedrijven privacybeleid hebben, reizen de gegevens nog steeds buiten de directe controle van de gebruiker, wat een barrière kan vormen voor organisaties met strikte beveiligingsregels.

Aanpassing vormt een ander duidelijk onderscheid. Open-source modellen kunnen worden gefinetuned, een proces waarbij het model extra training krijgt op specifieke gegevens om de exacte taal en behoeften van een bepaalde sector te leren. Dit maakt diepe, gespecialiseerde aanpassingen mogelijk. Propriëtaire modellen worden daarentegen over het algemeen aangepast via prompt engineering, waarbij de gebruiker gedetailleerde instructies aan het model geeft zonder de onderliggende code te wijzigen. Hoewel dit gemakkelijker te doen is en minder technische vaardigheden vereist, suggereert de studie dat het mogelijk niet hetzelfde niveau van diepe specialisatie bereikt als fine-tuning.

Kosten en schaalbaarheid trekken ook in tegengestelde richtingen. Het draaien van een open-source model vereist een investering vooraf in computerhardware en de expertise om het te onderhouden, maar zodra dat op orde is, zijn de kosten om duizenden cv's te verwerken zeer laag. Propriëtaire modellen hebben geen investering vooraf in hardware nodig; gebruikers betalen simpelweg een vergoeding voor elk verwerkt document. Dit maakt ze aantrekkelijk voor kleinschalig gebruik, maar de studie merkt op dat de kosten snel kunnen oplopen voor grote organisaties die een hoog volume aan sollicitaties verwerken.

Transparantie is misschien wel het meest scherpe verschil. Bij open-source modellen kunnen onderzoekers precies zien hoe het systeem werkt, inclusief de gegevens waarop het is getraind en de specifieke instellingen die zijn gebruikt. Dit maakt onafhankelijke verificatie mogelijk en schept vertrouwen. Propriëtaire modellen worden vaak beschreven als "black boxes", waarbij de interne details geheim worden gehouden door het bedrijf. Hoewel deze bedrijven beweren sterke veiligheidsmaatregelen te hebben, maakt het gebrek aan publieke documentatie het voor buitenstaanders onmogelijk om volledig te auditeren hoe het systeem zijn beslissingen neemt.

Ten slotte keek de studie naar hoe goed deze systemen omgaan met "onzichtbare ervaring"—het soort werk dat niet in een standaard functietitel past, zoals mentorschap, gemeenschapsorganisatie of mantelzorg. Het RealCV-systeem, gebouwd op het open-source LLaMA-model, is expliciet ontworpen om deze niet-traditionele ervaringen te herkennen en te vertalen naar waardevolle industriële vaardigheden. De documentatie van dit systeem is duidelijk over deze capaciteit. In tegenstelling hiertoe spreekt de documentatie voor propriëtaire modellen niet specifiek over deze taak, waardoor het onduidelijk blijft of zij dezelfde vertaling kunnen uitvoeren zonder verdere tests.

Het artikel concludeert dat geen van beide benaderingen universeel superieur is. De beste keuze hangt volledig af van de specifieke behoeften van de gebruiker. Als een organisatie prioriteit geeft aan gegevensprivacy, diepe aanpassing en de mogelijkheid om het systeem te auditeren, biedt het open-source pad de noodzakelijke instrumenten. Als de prioriteit ligt bij gebruiksgemak, lage initiële kosten en directe toegang tot krachtige taalvaardigheden zonder technisch onderhoud, is de propriëtaire route geschikter. De studie benadrukt dat het vakgebied nog volwassen wordt, met aanzienlijke hiaten in de documentatie van deze systemen, met name wat betreft de kosten van het draaien op schaal en de specifieke methoden die worden gebruikt om ze aan te passen. Door deze afwegingen helder uiteen te zetten, biedt het onderzoek een kader voor ontwikkelaars en organisaties om geïnformeerde beslissingen te nemen over welk architecturaal pad zij moeten volgen bij het bouwen van de volgende generatie carrièretools.