AI-система поиска экспертов внутри компании — Expertise Locator

Разработка AI-системы поиска экспертизы внутри компании

Представьте: в компании 5000 сотрудников, и вам срочно нужен специалист по Kubernetes. Вы спрашиваете коллег, листаете оргструктуру, пишете в общий чат — теряете часы. В крупных корпорациях поиск узкого эксперта отнимает до 8 часов в неделю у каждого менеджера, а 40% сотрудников обладают скрытой экспертизой, не отражённой в HR-системе. Экономия бюджета на поиск экспертов составляет до $4.5k–6.5k в год для компаний от 500 сотрудников. А ответ уже есть в данных: кто-то писал статьи во внутренней wiki, коммитил Helm-чарты на GitHub и отвечал на вопросы в Slack. Мы научили AI собирать эти сигналы в единый профиль экспертизы.

Expertise Locator — система поиска экспертов, которая строит карту компетенций из неструктурированных данных. Она работает быстрее и точнее ручного поиска в 10 раз. В основе — комбинация эмбеддингов, векторных БД и графовых алгоритмов. Ниже разберём, как мы это делаем.

Почему обычный поиск сотрудников неэффективен?

Традиционные методы — HR-базы, внутренние соцсети — полагаются на самооценку или ручное заполнение. Реальная экспертиза часто скрыта: разработчик не указывает знание PyTorch, хотя 2 года обучает модели. Мы анализируем фактические артефакты: код, документы, обсуждения. Вот сравнение подходов:

Как идентифицируется неявная экспертиза?

Мы подключаем три группы источников, каждая даёт разные типы сигналов:

Каждый сигнал получает вес: популярная статья с 1000 просмотров — больший вклад, чем единичный ответ в Slack. Агрегируем через взвешенную сумму и строим эмбеддинг профиля (1024+ мерности).

Пример кода сборки профиля

class ExpertiseProfileBuilder: def build_profile(self, employee_id: str) -> ExpertiseProfile: signals = [] # Confluence: анализ написанных страниц wiki_pages = self.confluence.get_authored_pages(employee_id) for page in wiki_pages: topics = self.topic_extractor.extract(page.content) signals.extend([ExpertiseSignal( source="wiki", topic=t.topic, strength=t.score * page.views / 100, # популярные страницы = больший вес evidence_url=page.url ) for t in topics]) # GitHub: коммиты по типам файлов и библиотекам commits = self.github.get_commits(employee_id) tech_usage = analyze_tech_stack(commits) signals.extend([ExpertiseSignal(source="github", topic=tech, strength=freq) for tech, freq in tech_usage.items()]) # Slack: темы обсуждений, на которые отвечает сотрудник slack_answers = self.slack.get_answers_given(employee_id) answer_topics = self.topic_extractor.extract_batch([a.text for a in slack_answers]) signals.extend(answer_topics) # Агрегация: взвешенная сумма по источникам expertise_map = aggregate_signals(signals) return ExpertiseProfile( employee_id=employee_id, expertise=expertise_map, top_skills=sorted(expertise_map.items(), key=lambda x: x[1], reverse=True)[:20], last_updated=datetime.utcnow() ) 

Поиск эксперта по запросу

def find_experts( query: str, filters: ExpertFilters = None, top_k: int = 5 ) -> list[ExpertMatch]: # Семантическое сопоставление запроса с профилями экспертизы query_embedding = encoder.encode(query) expert_embeddings = load_expert_embeddings() similarities = cosine_similarity(query_embedding, expert_embeddings) top_indices = np.argsort(similarities)[-top_k:][::-1] results = [] for idx in top_indices: expert = experts[idx] # Применение фильтров: отдел, локация, доступность if filters and not filters.matches(expert): continue results.append(ExpertMatch( employee=expert, relevance_score=similarities[idx], matching_skills=extract_matching_skills(query, expert.expertise), availability=check_calendar_availability(expert.employee_id), evidence=[s for s in expert.signals if s.relevance_to(query) > 0.6] )) return results 

Что входит в работу

Мы поставляем:

• Документацию: архитектура, API, инструкции по интеграции.
• Доступы: к системе через веб-интерфейс и REST API.
• Обучение: 2–3 воркшопа для команды и администраторов.
• Поддержку: 3 месяца после запуска (режим 8/5).

Процесс внедрения

1. Аналитика: аудит доступных источников, оценка объёма данных, определение приоритетных сигналов.
2. Проектирование: выбор архитектуры (векторная БД, модель эмбеддингов), настройка пайплайна.
3. Реализация: написание интеграций, обучение модели, разработка UI поиска.
4. Тестирование: проверка на пилотных запросах, A/B-тест с ручным поиском.
5. Деплой: развёртывание на инфраструктуре заказчика (on-premise или cloud).

Ориентировочные сроки

От 4 недель — для базовой версии (2 источника, 500+ сотрудников). Комплексное внедрение с графом знаний и интеграцией 5+ источников — до 3 месяцев. Стоимость рассчитывается индивидуально после аудита.

Граф знаний компании: антихрупкость

Помимо поиска людей, система строит граф знаний. Он показывает:

• Какие технологии покрыты хорошо, а где зияют пробелы.
• Single point of failure: один эксперт в критичной области — риск ухода.
• Ключевых коннекторов между командами (людей, через которых проходят кросс-командные связи).

Для HR и топ-менеджмента — это основа для решений о найме, развитии и ротации.

Как система строит граф знаний?

Анализируя связи между профилями экспертизы, система выявляет кластеры компетенций и автоматически строит граф. Каждый узел — сотрудник, каждое ребро — общая тема с весом, пропорциональным силе пересечения. Это позволяет визуализировать покрытие технологий и находить скрытые связи между отделами.

Почему выбирают нас

Мы внедрили Expertise Locator для 30+ компаний (от 200 до 10 000 сотрудников). Наш опыт в NLP и графовых базах — 5+ лет. Система работает на данных, а не на догадках. Хотите такую же? Свяжитесь с нами — оценим ваши данные за 2 дня и предложим план.

Система использует косинусную близость эмбеддингов — метод cosine similarity, широко применяемый в семантическом поиске.

Получите консультацию: мы проведём аудит ваших данных и покажем, как Expertise Locator сократит время поиска экспертов на 80%.