Представьте: рекрутер тратит 6–10 минут на первичный просмотр одного резюме. При 500 откликах на вакансию — это 50+ часов сплошного чтения. Мы автоматизируем этот этап: AI-система сканирует каждое резюме, извлекает ключевые данные, оценивает соответствие требованиям и выдаёт ранжированный список с обоснованием. Результат — вместо вороха файлов вы получаете готовую воронку кандидатов с пометками и вопросами для собеседования.
Скрининг резюме на основе LLM сокращает time-to-screen с часов до минут, а затраты на подбор — до 40%. AI-скрининг в 10 раз быстрее ручного и снижает количество пропущенных кандидатов с 30% до 5%. Средний кейс экономит от $3k–5k в месяц на каждом направлении.
Как работает AI-скрининг?
Система принимает резюме в любом формате — PDF, DOCX, прямой ввод, API hh.ru. После парсинга данные нормализуются: опыт пересчитывается в полные месяцы, навыки маппятся на единый словарь (например, «Python + Django» на знание веб-фреймворка). Затем LLM (GPT-4o, Claude 3.5 или Llama 3) сравнивает профиль с текстом вакансии по нескольким осям: техническое соответствие, релевантность опыта, образование.
class ResumeScreeningResult(BaseModel): candidate_name: str match_score: float # 0-1 technical_match: float # соответствие техническим требованиям experience_match: float # соответствие опыту education_match: float # соответствие образованию strengths: list[str] # сильные стороны кандидата gaps: list[str] # несоответствия требованиям highlight_skills: list[str] # ключевые навыки из резюме recommendation: Literal["strong_yes", "yes", "maybe", "no"] reasoning: str # 3-5 предложений обоснования suggested_interview_questions: list[str] def screen_resume(resume_text: str, job_description: str) -> ResumeScreeningResult: return llm.parse( build_screening_prompt(resume_text, job_description), response_format=ResumeScreeningResult ) Парсинг резюме
Резюме приходят в разных форматах: PDF, DOCX, hh.ru API. Извлечение структурированных данных:
- hh.ru API: резюме уже структурировано (JSON)
- PDF/DOCX: unstructured.io или кастомный парсер на основе компьютерного зрения
- LinkedIn: LinkedIn Talent Solutions API (платно)
Нормализация: даты опыта → месяцы работы, навыки → стандартный словарь.
Почему AI-скрининг превосходит ручной?
| Параметр | Ручной скрининг | AI-скрининг |
|---|---|---|
| Время на одно резюме | 6–10 мин | <1 мин |
| Пропуск кандидатов | 20–30% | <5% |
| Стоимость найма (на 10 вакансий) | от $4.5k–6.5k | экономия до 40% |
| Субъективность | высокая | низкая |
Сравнение моделей для скрининга
| Модель | Точность (F1) | Задержка p99 | Стоимость за 1K токенов |
|---|---|---|---|
| GPT-4o | 0.94 | 2.1 с | $5 |
| Claude 3.5 Sonnet | 0.92 | 1.8 с | $3 |
| Llama 3 70B (local) | 0.88 | 4.5 с | $0 (на own infra) |
Выбор модели зависит от требований к конфиденциальности и бюджета. Для чувствительных данных используем Llama 3 на on-premise GPU — экономия на инференсе может превышать $2000 в месяц.
Предотвращение дискриминации
AI может воспроизводить дискриминационные паттерны из исторических данных. Mitigation:
- Удаление демографических данных из резюме до оценки (имя, возраст, фото)
- Регулярный аудит: нет ли систематической предвзятости по полу, возрасту, ВУЗу
- Прозрачность: каждый отказ должен быть обоснован профессиональными критериями
По законодательству (64-ФЗ о занятости): недопустима дискриминация по признакам, не связанным с деловыми качествами работника.
Интеграции с ATS
- hh.ru для работодателей: API для массового скрининга откликов
- Huntflow: REST API для автоматизации воронки
- 1С:Зарплата и кадры: интеграция кандидатов в HR-систему
- Potok.io / Talantix: нативные интеграции через Webhook
Технические детали пайплайна
Система построена на микросервисах: парсер (Python + FastAPI), ранжировщик (vLLM + Triton), кеш (Redis). Все компоненты масштабируются горизонтально.
Метрики: time-to-screen (с нескольких часов до минут), quality-of-hire (% нанятых AI-рекомендованных через 6 месяцев всё ещё в компании), recruiter satisfaction score.
Процесс разработки
- Анализ — изучаем текущий процесс найма, объём резюме, требования к точности.
- Проектирование — выбираем модель (GPT-4o, LLaMA 3, Mistral), определяем векторное представление навыков.
- Реализация — пишем пайплайн парсинга, промпт для оценки, систему кеширования результатов.
- Тестирование — калибруем на исторических данных: точность, скорость, число ложных срабатываний.
- Деплой — развёртываем на вашей инфраструктуре (AWS, on-premise), подключаем ATS.
- Мониторинг — отслеживаем дрейф модели, обновляем промпты.
Что входит в работу
- Исследование вашего HR-процесса и подготовка спецификации
- Выбор и калибровка LLM под ваши критерии отбора
- Разработка парсеров для нестандартных форматов резюме
- Интеграция с ATS и HR-системами (API, Webhook)
- Документация и обучение команды рекрутеров
- Гарантийная поддержка 1 месяц после запуска
Мы выполнили более 30 проектов в области AI/ML, 5 лет автоматизируем подбор персонала для компаний от стартапов до enterprise. Наши системы обрабатывают до 10 000 резюме в день без потери качества. Свяжитесь с нами для оценки вашего кейса. Получите консультацию по внедрению — прототип за 2 недели.