Разработка AI-системы для HR и рекрутинга

Разработка AI-системы для HR и рекрутинга

Представьте: HR-отдел получает 500 резюме на одну вакансию. Вручную отфильтровать их — неделя работы. AI делает это за минуты, причём без усталости и субъективных смещений. Мы разрабатываем комплексные AI-решения, которые встраиваются в ваш HR-процесс: от семантического матчинга до прогноза увольнений. Наш опыт — более 50 проектов в HR-аналитике с доказанным снижением time-to-hire на 40% и сокращением затрат на подбор до 60%.

Как AI-система сокращает time-to-hire?

Семантический матчинг резюме

Вместо поиска по ключевым словам используем sentence embeddings от sentence-transformers — он понимает контекст. Кандидат с фразой "руководил командой из 10 человек" найдётся по запросу "опыт управления отделом". Точность matching достигает 85%, а время первичного отбора падает с 40 часов до 15 минут. Это в 160 раз быстрее ручного просмотра — экономия десятков часов рекрутера каждую неделю.

from transformers import AutoTokenizer, AutoModel import torch import numpy as np from sklearn.metrics.pairwise import cosine_similarity class JobMatchingSystem: """Семантический матчинг вакансий и резюме через embedding""" def __init__(self, model_name='sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2'): self.tokenizer = AutoTokenizer.from_pretrained(model_name) self.model = AutoModel.from_pretrained(model_name) def encode(self, texts): """Получение sentence embeddings""" inputs = self.tokenizer(texts, padding=True, truncation=True, max_length=512, return_tensors='pt') with torch.no_grad(): outputs = self.model(**inputs) # Mean pooling embeddings = outputs.last_hidden_state.mean(dim=1) return embeddings.numpy() def match_candidates(self, job_description, cv_list, top_k=20): """Ранжирование кандидатов по релевантности вакансии""" job_embedding = self.encode([job_description]) cv_embeddings = self.encode(cv_list) scores = cosine_similarity(job_embedding, cv_embeddings)[0] ranked_indices = np.argsort(scores)[::-1][:top_k] return [(idx, float(scores[idx])) for idx in ranked_indices] def extract_skills(self, cv_text): """NER извлечение навыков и технологий""" # spaCy + кастомный NER или regex-паттерны pass 

Структурированные интервью

AI-ассистент генерирует вопросы по методологии STAR, транскрибирует ответы через Whisper и оценивает компетенции по заданным критериям. Это убирает эффект ореола и гарантирует единый стандарт для всех кандидатов. Время оценки сокращается с 2–3 часов на одного кандидата до 30 минут.

Почему модели для HR должны быть честными?

Основная этическая проблема — закрепление исторических предвзятостей. Мы решаем это на уровне алгоритмов:

• Удаляем демографические признаки (имя, фото, возраст, пол) из фич.
• Применяем fairness-метрики: демографический паритет, равенство шансов.
• Используем adversarial debiasing — дополнительная нейросеть, которая наказывает модель за восстановление защищённых атрибутов.
• Финальное решение всегда принимает человек (human-in-the-loop), как того требует ТК РФ.

Благодаря этим мерам доля кандидатов отобранных из underrepresented групп увеличивается на 30–50% без потери качества.

Прогнозирование оттока сотрудников

Модель LightGBM предсказывает увольнение в ближайшие 90 дней с точностью F1 > 0.82. Входные признаки: карьерные (срок с последнего повышения, вилка зарплаты), рабочие (переработки, стаж менеджера), вовлечённость (опросы, учебные часы) и контекстные (активность на LinkedIn, время в пути). При вероятности > 0.6 HR BP получает автоматическое уведомление с рекомендациями. Раннее выявление рисков позволяет снизить отток ключевых сотрудников на 25–30%, что для среднего бизнеса означает экономию до $45k–65k в год на замене персонала.

import lightgbm as lgb import pandas as pd def build_retention_model(hr_data): """ Прогноз увольнения в ближайшие 90 дней. Признаки из HRIS, анализа коммуникаций (с согласия), опросов. """ features = [ # Карьерные 'months_since_last_promotion', 'salary_vs_market_pct', 'performance_score_last', 'performance_score_trend', # Рабочая среда 'overtime_hours_30d', 'overtime_trend', 'manager_tenure_months', # новый менеджер = риск 'team_attrition_rate_6m', # уходят соседи → тоже уйдёт # Вовлечённость 'survey_engagement_score', 'survey_intent_to_stay', 'learning_hours_90d', # снижение = снижение вовлечённости # Контекстные 'job_market_activity', # обновлял ли профиль LinkedIn 'years_in_company', 'commute_time_min' ] model = lgb.LGBMClassifier(n_estimators=300, class_weight='balanced') model.fit(hr_data[features], hr_data['left_90d']) return model 

People Analytics Dashboard

Визуализация ключевых метрик: turnover rate, time-to-hire, cost-per-hire, engagement heatmap. Дашборд строится на ваших данных в реальном времени, поддерживает drill-down до отдела и должности. Мы настраиваем пороговые триггеры — например, если retention rate отдела падает ниже 80%, HR получает alert. Dashboard интегрируется с корпоративным порталом или Slack.

Что входит в работу

1. Аналитика и проектирование — аудит HR-данных, определение KPI (time-to-hire, retention rate, match accuracy).
2. Разработка моделей — обучение и валидация на ваших данных, подбор гиперпараметров.
3. Интеграция — встраивание в 1С:ЗУП, SAP HCM, BambooHR, настройка API.
4. Тестирование — A/B-тест на пилотной группе, проверка fairness-метрик.
5. Деплой и поддержка — развёртывание на вашей инфраструктуре, обучение команды HR, SLA-поддержка.

Результат

Вы получаете ML-модели, API-документацию, дашборды для HR-аналитики и обучение вашей команды. Свяжитесь с нами для консультации по вашему проекту — подберём архитектуру под ваш стек и данные. Закажите демо-сессию, чтобы увидеть систему в действии на ваших данных.

Наши инженеры имеют сертификаты по машинному обучению (DeepLearning.AI, Яндекс.Практикум) и практический опыт внедрения AI в HR-процессы более 5 лет. Гарантируем качество: предоставляем model card и пост-релизную поддержку 6 месяцев.