Sebuah proyek eksperimental yang memadukan dunia Pokémon dengan analisis resume kerja menggunakan kecerdasan buatan telah muncul dari komunitas pengembang internasional. Tulisan yang dikirimkan dalam ajang Weekend Challenge: Passion Edition di platform DEV ini berawal dari keisengan tim penulis yang menggunakan Claude Code bersama tinjauan kinerja tahunan untuk menemukan Pokémon apa yang mereka wakilkan.
Ide tersebut mungkin terdengar lucu, namun di balik humor tersebut terdapat eksplorasi serius mengenai pembelajaran mesin di sisi perangkat atau on-premise. Sang pengembang berupaya mengotomatisasi pencocokan resume ke Pokémon hanya dengan sumber daya lokal: sebuah laptop sederhana berspesifikasi Intel Core i5, memori 8 GB, dan tanpa GPU. Yang terpenting, seluruh alur kerja mengandalkan perangkat lunak murni sumber terbuka, membuktikan bahwa pemrosesan bahasa alami tingkat lanjut tidak lagi eksklusif milik perusahaan cloud raksasa.
Tahap pertama dalam prototipe ini adalah pengumpulan data dari PokéAPI, antarmuka publik yang menyediakan informasi lengkap tentang Pokémon. Melalui skrip Python build_dataset.py, seluruh spesies diambil beserta nama, tipe, statistik dasar, sprite, genus, dan teks flavor Pokédex berbahasa Inggris. Dataset tersebut dibundel sekali saja dan disimpan secara lokal sehingga aplikasi tidak melakukan panggilan API sama sekali saat berjalan, sebuah pilihan desain yang meningkatkan privasi dan kegunaan luring.
Untuk menjembatani biologi monster dan profil karier, setiap Pokémon diberi arketaip profesional yang diturunkan dari tipe dan sebaran statistiknya. Misalnya, Pokémon tipe Baja ditafsirkan sebagai “seorang insinyur sistem terstruktur yang disiplin, presisi, dan tangguh”. Terjemahan kreatif ini menciptakan kosakata bersama di mana resume pekerjaan dan biologi makhluk bertemu dalam ruang semantik yang sama.
Selanjutnya, deskripsi dan profil Pokémon tersebut di-embed menggunakan model BAAI/bge-m3, model embedding multibahasa dengan performa penarian yang kuat. Vektor hasilnya disimpan sebagai berkas JSON dan NumPy. Di sisi pengguna, bagian resume yang membawa sinyal semantik—seperti ringkasan, keterampilan, riwayat kerja, sukarela, proyek, dan minat—diekstrak menjadi frasa pendek lalu di-embed dengan model sama. Bagian administratif seperti pendidikan atau sertifikat bahasa sengaja diabaikan untuk mengurangi kebisingan.
Sistem melakukan penarian daftar pendek Pokémon terdekat melalui kesamaan kosinus antara embedding resume dan Pokémon. Karena skor kosinus mentah sering bergerombol, sebuah model cross-encoder (BAAI/bge-reranker-v2-m3) digunakan untuk menilai ulang pasangan secara joint. Pendekatan dua tahap ini meningkatkan presisi secara tajam, memungkinkan alat memberikan penjelasan dengan mengutip frasa resume yang cocok bersama profil dan entri Pokédex Pokémon.
Dalam penentuan peringkat, prototipe melaporkan apa yang disebut kecocokan relatif. Skor rerank distandardisasi di seluruh shortlist dan dilewatkan melalui fungsi sigmoid sehingga kecocokan teratas menonjol mendekati 100 persen sementara ekor menurun. Statistik dasar Pokémon dilibatkan dalam peringkat, dan dua tipe paling cocok diambil dari shortlist yang sama, menjamin konsistensi antara makhluk yang diranking dan tipenya.
Untuk kalibrasi kepercayaan, alat menghitung z-score yang menunjukkan seberapa jauh kecocokan teratas menonjol dari kumpulan kandidat. Ini memflag apakah profil bersifat tegas atau menyebar pada banyak tipe. Kalibrasi seperti itu mencerminkan praktik terbaik dalam penerapan ML, di mana interpretabilitas sama pentingnya dengan akurasi.
Proyek yang tersedia sebagai Hugging Face Space (rastadidi/resume-to-pokemon) ini lebih dari sekadar kebaruan. Ini mengilustrasikan bagaimana model embedding dan reranking ringan dapat berjalan di perangkat keras konsumen, membuka pintu bagi pengembang dan startup Indonesia untuk membangun aplikasi AI lokal tanpa ketergantungan cloud mahal. Di negara di mana bandwidth dan akses GPU bisa terbatas, pendekatan on-prem mendukung kedaulatan data dan efisiensi biaya.
Meski konsep menemukan Pokémon yang menyamai diri Anda terasa menghibur, rekayasa di baliknya menegaskan ekosistem AI sumber terbuka yang makin matang. Dengan menggabungkan API publik, format resume standar, dan transformer efisien, komunitas terus menurunkan hambatan bagi pembelajaran mesin yang kreatif dan menjaga privasi—tren yang relevan dengan talenta teknologi Indonesia yang terus bertumbuh.