Заявки на отпуск и справки: мобильный HR-бот

Отсутствие автоматизации HR-процессов оборачивается хаосом: заявки на отпуск теряются в почте, остатки дней никто не знает, больничные оформляются задним числом. Мы реализовали мобильного HR-бота, который подключается к существующей HR-системе (1С:ЗУП, SAP HCM, HiBob, Workday) и берёт на себя всю рутину по обработке заявок.

Бот работает как диалоговый интерфейс внутри корпоративного мобильного приложения. Сотрудник пишет «хочу отпуск с 15 марта на 14 дней» — и система автоматически проверяет остатки, пересечения с коллегами, создаёт заявку и отправляет на согласование руководителю. Весь процесс занимает 2 минуты вместо 2 часов при ручной обработке.

Наш опыт в автоматизации HR

Наша команда разработала HR-боты для 15+ компаний с численностью от 100 до 5000 сотрудников. Среднее время внедрения — 3 недели, окупаемость — 3 месяца. Экономия времени HR-отдела — до 40 часов в неделю на каждые 1000 сотрудников, что соответствует 1,2 млн рублей годовой экономии для компании на 500 сотрудников.

Интеграция с HR-системами

Интеграция с HR-системами — ключевая техническая задача. 1С:ЗУП публикует REST-интерфейс через HTTP-сервисы; SAP HCM использует RFC/BAPI или OData; современные облачные системы вроде HiBob и Workday предоставляют REST API с OAuth 2.0. Для систем без готового API мы строим промежуточный сервис на Node.js или Kotlin, который читает данные через ODBC или напрямую из базы с readonly-правами.

Как устроена интеграция с 1С:ЗУП?

Для 1С:ЗУП мы используем HTTP-сервисы (REST-интерфейс, опубликованный на сервере 1С). Альтернативный вариант — 1С:Шина. В любом случае, требуется настроить права доступа: бот должен читать остатки отпусков, создавать заявки, но не изменять зарплатные данные. Для тестирования выделяется отдельный стенд.

Сравнение HR-систем по API

Пошаговая инструкция по настройке интеграции с 1С:ЗУП

1. Подготовьте отдельный тестовый стенд 1С.
2. Создайте учётную запись бота с минимальными правами (чтение остатков, создание заявок).
3. Настройте HTTP-сервис или 1С:Шину для публикации REST-интерфейса.
4. Проверьте доступность API через защищённое HTTPS-соединение.
5. Разверните интеграционный слой (микросервис) на Node.js или Kotlin.
6. Настройте сопоставление полей и тестовые сценарии.

Процесс обработки заявки

Жизненный цикл заявки на отпуск состоит из этапов: пользователь подаёт запрос, бот проверяет остатки и пересечения, затем запрашивает подтверждение, создаёт заявку в HR-системе, уведомляет руководителя и ожидает согласования. Каждый этап обрабатывается с учётом исключений: нехватка дней, пересечение с другими отпусками, отсутствие ответа руководителя более 2 дней.

Бот обрабатывает заявку в 20 раз быстрее, чем ручной ввод через почту. На каждом шаге — обработка исключений.

// Android ViewModel для управления состоянием заявки
sealed class LeaveRequestState {
    object Idle : LeaveRequestState()
    data class CollectingDates(val startDate: LocalDate?, val endDate: LocalDate?) : LeaveRequestState()
    data class AwaitingConfirmation(val request: LeaveRequestDraft) : LeaveRequestState()
    data class Submitted(val requestId: String) : LeaveRequestState()
    data class Error(val message: String) : LeaveRequestState()
}

Какие типы заявок поддерживает HR-бот?

Помимо отпусков — полный перечень типовых обращений:

• Остаток отпускных дней и отгулов
• Справка о зарплате / справка 2-НДФЛ (генерация документа или ссылка)
• Заявка на больничный (уведомление + ввод данных листа нетрудоспособности)
• График работы и сменное расписание
• Данные о начислениях и вычетах
• Заявка на командировку
• Корпоративные контакты и оргструктура

Для каждого типа запроса — отдельный сценарий с соответствующими полями.

Безопасность, уведомления и наш подход

Почему важна авторизация через корпоративный IdP?

HR-данные содержат персональную информацию (зарплата, больничные). Мобильное приложение должно аутентифицироваться через Azure AD / Entra ID, Okta, Keycloak или другой корпоративный провайдер. Используем OpenID Connect или SAML 2.0. После входа бот видит данные только текущего сотрудника, исключение — руководители, которые видят свою команду в рамках прав HR-системы.

Согласно App Store Review Guidelines Section 5.1 App Store Review Guidelines Section 5.1, сбор персональных данных требует согласия пользователя. Наше приложение запрашивает явное разрешение на доступ к push-уведомлениям и камере только при необходимости.

Уведомления руководителю

Отметим: когда сотрудник подаёт заявку, руководитель получает push-уведомление с deeplink в приложение. В приложении — краткий preview заявки, кнопки «Согласовать» / «Отклонить» прямо из notification (на iOS через UNNotificationAction, на Android через Notification Action). Не нужно открывать приложение для простого решения.

Что входит в работу

• Аудит текущей HR-системы: описание API, тестовый стенд, права доступа.
• Проектирование сценариев для каждого типа заявки (отпуск, больничный, справка, командировка).
• Разработка интеграционного слоя: клиент для HR-системы на Kotlin/Swift или микросервис.
• Мобильный интерфейс: диалоговый UI с поддержкой голосового ввода, карточки заявок, статусы.
• Интеграция с корпоративным IdP (Azure AD, Keycloak).
• Деплой на production и обучение HR-специалистов.
• Полная документация API и инструкция для сотрудников.

Ориентиры по срокам и стоимости

Базовый HR-бот для отпусков и справок с одной HR-системой внедряется за 2–3 недели. Полный набор сценариев с несколькими типами заявок и функциями руководителя — 1,5–2 месяца. Стоимость рассчитывается индивидуально в зависимости от сложности интеграции и количества сценариев.

Реализуем бота под ключ. Получите консультацию по автоматизации ваших HR-процессов — оценим ваш проект бесплатно. Свяжитесь с нами для деталей.

AI и ML в мобильных приложениях: CoreML, TFLite и on-device модели

Мы различаем два принципиально разных подхода: приложение с on-device AI и приложение, которое просто вызывает облачное API. Первое работает без интернета, не отправляет данные пользователя на сторонние серверы и отвечает за 50 миллисекунд. Второе зависит от задержки сети и тарифного плана. Выбор архитектуры — ключевой этап, который напрямую влияет на стоимость, приватность и пользовательский опыт. Наш опыт показывает: в 70% проектов on-device инференс оказывается дешевле в долгосрочной перспективе за счёт исключения серверных затрат.

Как выбрать между CoreML и TFLite для on-device инференса?

CoreML — нативный фреймворк Apple для запуска ML-моделей на устройстве. Поддерживает Neural Engine (начиная с A11 Bionic), GPU и CPU как fallback. Модели конвертируются в формат .mlmodel через coremltools из PyTorch, ONNX или TensorFlow. Конвертация — не всегда тривиальна: кастомные слои требуют реализации MLCustomLayer, а квантизация до INT8 иногда заметно роняет точность на специфических данных. Мы гарантируем, что итоговая модель проходит валидацию на реальных данных до и после конвертации.

TensorFlow Lite — кросс-платформенная альтернатива для Android и Flutter. На Android использует NNAPI (Neural Networks API) для хардварного ускорения — с Android 10 NNAPI стабильнее, до этого лучше явно использовать GPU delegate через GpuDelegate. Типичная ошибка: модель обучена на нормализованных данных в диапазоне [0,1], а в приложении на вход подаётся [0,255] — инференс работает, но с бессмысленными результатами без ошибки. Мы включаем модуль автоматической валидации входных данных в SDK.

Для задач классификации изображений, детекции объектов и сегментации доступны готовые оптимизированные модели. YOLOv8 в CoreML формате запускает детекцию кадра 640×640 за 15–20 мс на iPhone 14 Neural Engine. MobileNetV3 на TFLite с GPU delegate — около 8 мс на Pixel 7 при классификации.

Что делать, если нужна генерация текста на устройстве?

Запуск небольших языковых моделей на устройстве стал реальностью в последние несколько лет. Apple Intelligence использует собственные модели через Private Cloud Compute, но для сторонних разработчиков доступны другие пути.

llama.cpp с Metal backend на iOS — работающий подход для phi-3-mini (3.8B параметров, 4-bit квантизация, ~2.3 ГБ). Инференс: 15–25 токенов/секунду на iPhone 15 Pro. Для интеграции в Swift используем Swift Package llama.swift или обёртку через C-интерфейс llama.h. Бинарник к приложению не прикладываем — модель скачивается при первом запуске и хранится в Application Support. Наши сертифицированные разработчики настраивают инкрементальную загрузку, чтобы не блокировать первый запуск.

На Android аналог — Google AI Edge (бывший MediaPipe LLM Inference API) с поддержкой Gemma-2B. Работает через GPU delegate, на Tensor G3 чипе Pixel 8 Pro — около 20 токенов/секунду.

Ограничения реальны: модели больше 4B параметров на мобильных устройствах по-прежнему медленны. Для сложных задач рассуждения on-device LLM уступает GPT-4o в качестве. Гибридный подход — on-device для коротких задач и приватных данных, облако для сложных запросов — часто оптимален. Оценим ваш кейс и предложим баланс производительности и приватности — пишите.

Интеграция OpenAI API и других облачных моделей

Для сценариев, где cloud inference допустим, интеграция OpenAI, Anthropic или Google Gemini — это HTTP клиент + streaming SSE. В Swift удобно через AsyncThrowingStream для стриминговых ответов. В Kotlin — через Flow.

Критически важно: API-ключи никогда не хранятся в бандле приложения. Даже обфусцированный ключ извлекается из IPA за 10 минут через strings или frida. Правильная архитектура: мобильное приложение → собственный backend → OpenAI API. Backend контролирует rate limiting, логирует запросы, защищает ключ.

Что входит в работу (deliverables)

• Обученная и квантизированная модель под целевое устройство (документация по метрикам)
• SDK для интеграции (Swift/Kotlin/Flutter) с примерами вызова
• Тесты производительности на 3–5 реальных устройствах
• Инструкция по обновлению модели OTA
• Поддержка при прохождении модерации App Store / Google Play (проверка соответствия Guidelines 4.2, 5.1)
• 2 недели технической поддержки после релиза

Типичный пайплайн проекта

1. Анализ задачи — замеряем latency, privacy, size, поддерживаемые устройства.
2. Прототипирование модели — в Python, оценка accuracy на целевых данных.
3. Конвертация и квантизация — под CoreML/TFLite с валидацией.
4. Интеграция в приложение — модель оборачивается в сервисный слой (легко подменять CoreML → TFLite → облако).
5. Тестирование — на реальных девайсах, замер FPS, RAM, батареи.
6. Деплой — через TestFlight / Firebase App Distribution, мониторинг метрик.

Сроки: интеграция готовой CoreML/TFLite модели — 1–2 недели, разработка кастомной модели с мобильной оптимизацией — от 6 недель, on-device LLM чат с персонализацией — 4–8 недель.

Почему мы беремся за сложные кейсы?

10+ лет опыта в мобильной разработке, 50+ внедрённых AI/ML решений, гарантия совместимости с актуальными версиями iOS и Android. Все проекты проходят code review и нагрузочное тестирование. В стоимость уже входит подготовка документации для модерации и обучение вашей команды.

Свяжитесь с нами — мы поможем выбрать архитектуру и внедрить ML в ваше приложение под ключ. Закажите аудит существующего решения — бесплатно оценим потенциал экономии серверных затрат (в некоторых проектах экономия достигает $10k в месяц).