AI-система ранжування кандидатів

AI-система ранжування кандидатів

Ми розробляємо AI-систему ранжування кандидатів, яка вирішує задачу багатокритеріального відбору: технічні навички, релевантний досвід, культурна відповідність, кар'єрна траєкторія. Традиційні методи на кшталт пошуку за ключовими словами дають точність ~50% на реальних даних. Ми використовуємо multi-vector scoring з окремими компонентами під кожен критерій і зваженою агрегацією, яка налаштовується під конкретну роль. Це дозволяє не тільки підвищити точність, а й дати пояснення кожному скору.

Типова ситуація в рекрутингу: 400 резюме на позицію, HR-менеджер встигає прочитати 30. Інші відсіюються за поверхневими ознаками — заголовком посади, назвою університету, наявністю ключових слів. Це не відбір найкращих — це відбір перших-ліпших. Наша AI-система ранжування дає зважений скор кожному кандидату щодо конкретної вакансії, пояснює цей скор у термінах, зрозумілих HR-у, і не втрачає сильні профілі з нестандартним бекграундом. Це і є справжній AI рекрутинг та автоматизація рекрутингу.

Де ламається наївний підхід?

Найпростіший варіант — keyword matching або TF-IDF між описом вакансії та резюме — дає precision 0.45–0.55 на реальних даних. Кандидат із 10-річним досвідом у «розробці програмного забезпечення» програє тому, хто написав точну фразу з JD. Семантика втрачається.

Наступний крок — embedding similarity через sentence-transformers. Тут проблема інша: моделі загального призначення (all-MiniLM-L6-v2, text-embedding-3-small) погано працюють з HR-специфічною семантикою. «Python» у JD і «Python» у резюме дата-аналітика та backend-розробника — різні контексти, але embedding не розрізняє. Семантичне зіставлення резюме без урахування контексту неефективне.

Ще складніше — імпліцитні вимоги. JD вимагає «досвід управління командою», кандидат написав «керував групою з 5 аналітиків» — semantic match спрацює, але нечіткий поріг за cosine similarity (< 0.72) зріже. Наш підхід із cross-encoder долає це обмеження.

Як працює багатовимірний scoring?

Не один скор, а вектор оцінок за ключовими вимірами:

• Hard skills match — семантичний збіг технічних навичок. Використовуємо bi-encoder для первинного відбору (FAISS, топ-100), потім cross-encoder для точного скорингу (ms-marco-MiniLM-L-12-v2 або fine-tuned на HR-даних MS MARCO).
• Experience level — вилучаємо з резюме кількість років релевантного досвіду через NER + regex. Зіставляємо з вимогою з JD.
• Career trajectory — аналізуємо прогресію: зростання відповідальності, релевантність попередніх позицій. LLM-виклик із structured output.
• Education & certifications — rule-based вилучення + нормалізація назв вишів і сертифікатів.

Фінальний ранг — зважена сума з вагами під конкретну роль. Для junior-розробника education важить більше, для senior — experience trajectory.

Fine-tuning моделей на історичних даних

Якщо є історичні дані з найму (хто був найнятий, хто пройшов співбесіду, хто провалився) — це gold для навчання. Будуємо ranking model: на вході (вакансія, резюме), на виході — ймовірність успішного найму. LambdaRank або ListNet поверх embedding-ознак.

Обережно з bias: якщо історичні дані містять упередженість (наприклад, 90% найнятих — чоловіки на технічних позиціях), модель її відтворить. Обов'язковий крок — fairness audit до деплою. Ми проводимо fairness audit із використанням бібліотеки AIF360.

Пояснюваний AI для HR

Скор без пояснення — чорний ящик, який HR ігнорує. Для кожного кандидата генеруємо:

• Топ-3 збіги з вимогами вакансії (з цитатою з резюме)
• Топ-2 розбіжності (що потрібно, чого немає)
• Одну рекомендацію щодо додаткової перевірки на співбесіді

Це робить ранжування інструментом, а не заміною судження. Пояснюваний AI — ключова перевага нашої системи.

Практичний кейс: як ми скоротили час відбору в 3 рази

Наш клієнт — аутсорсингова IT-компанія, 200+ відкритих позицій одночасно. Існуючий процес: ручний перегляд в ATS (Huntflow). Час обробки воронки: 8–12 днів до першого дзвінка.

Побудували систему: парсинг резюме (PDF/DOCX → структурований JSON через LLM extraction + regex) → bi-encoder індексація в Qdrant → cross-encoder реранкінг топ-50 per vacancy → LLM-генерація пояснень → інтеграція через Huntflow API, скори відображаються прямо в картці кандидата.

Результат після 3 місяців: середній час до першого дзвінка скоротився з 9.4 до 3.1 дня (в 3 рази швидше порівняно з ручним відбором). HR-менеджери стали переглядати в середньому топ-15 замість топ-30 (менше нерелевантних). Оффер-рейт по найнятих через систему: +22% порівняно з історичним baseline. Зв'яжіться з нами, щоб обговорити схожий проєкт.

Технічний стек

Порівняння методів ранжування (precision@10 на наших даних):

Наш підхід на 34% точніший за embedding similarity і дає повну пояснюваність. Це рішення для HR Tech та ML для HR.

Що входить у роботу

• Аудит поточного процесу рекрутингу та якості даних
• Розробка прототипу за 2 тижні: bi-encoder + скалярне ранжування
• Калібрування ваг спільно з HR-відділом
• Fairness audit і деблаінг моделі
• Інтеграція з ATS (Huntflow, Lever, Greenhouse, Workday)
• Документація та навчання команди
• Підтримка 3 місяці після запуску

Етапи роботи

1. Аудит даних — якість резюме в базі, наявність історичних даних найму, структура JD. Це визначає підхід.
2. Прототип за 2 тижні — bi-encoder + просте скалярне ранжування, демо на 50 вакансіях.
3. Ітерації з HR — калібрування ваг, валідація на кейсах «добре відомих» кандидатів. Без участі рекрутерів якість не налаштувати.
4. Fairness audit — обов'язково перед деплоєм, особливо якщо використовуються історичні дані.
5. Інтеграція в ATS — через API Huntflow, Lever, Greenhouse або Workday. Або standalone інтерфейс.

Терміни: MVP за 4–6 тижнів, повноцінна система з fine-tuning та ATS-інтеграцією — 3–4 місяці.

Отримати консультацію щодо впровадження AI-ранжування можна, зв'язавшись з нашою командою. Ми маємо 5+ років досвіду в AI та понад 50 успішних проєктів у галузі NLP та рекрутингу. Замовте демо, щоб побачити систему в дії.

Пояснюваність ML: SHAP, LIME, Integrated Gradients та вимоги EU AI Act

Уявіть: модель кредитного скорингу відхилила заявку. Клієнт вимагає пояснення, комплаєнс-офіцер — розгорнуту документацію. Без вбудованих методів пояснюваності (XAI) відповідність сучасним регуляторним вимогам неможлива. Наш досвід — понад 50 проєктів із впровадження SHAP, LIME, Integrated Gradients у продакшн. Ми гарантуємо, що ваше AI-рішення стане прозорим, інтерпретованим і пройде аудит з першого разу. Середній термін впровадження базового пояснення — 2–4 тижні, повне комплаєнс-рішення — від 6 до 14 тижнів. Замовте консультацію для попередньої оцінки вашого проєкту.

Чому пояснюваність AI критична для бізнесу та комплаєнсу

Пояснюваність — не одне завдання, а три різні вимоги.

Global explainability показує, як модель працює в цілому: які ознаки важливі, як вони впливають на прогноз у середньому. Інструменти — SHAP summary plots, partial dependence plots (PDP), permutation importance.

Local explainability пояснює конкретний прогноз: чому цей кредит відхилено, які пікселі призвели до класифікації «кіт». Інструменти — SHAP waterfall, LIME, Integrated Gradients.

Contrastive/counterfactual відповідає на питання, що потрібно змінити для іншого результату: «Якби дохід був на $10k вищим, чи схвалили б кредит?» Інструменти — DiCE (Diverse Counterfactual Explanations), alibi.

Як SHAP допомагає пояснювати табличні моделі

SHAP (SHapley Additive exPlanations) — стандарт для табличних даних. Заснований на теорії кооперативних ігор: кожній ознаці присвоюється внесок у відхилення прогнозу від середнього по датасету. Математично коректний — виконує властивості efficiency, symmetry, dummy, additivity.

import shap

explainer = shap.TreeExplainer(lgbm_model)
shap_values = explainer.shap_values(X_test)

# Waterfall plot для одного прогнозу
shap.plots.waterfall(explainer(X_test)[0])

# Summary для всієї вибірки
shap.summary_plot(shap_values, X_test, feature_names=feature_names)

TreeExplainer — швидкий точний алгоритм для tree-based моделей (LightGBM, XGBoost, Random Forest, CatBoost). Обчислює точні SHAP значення за O(TLD²), де T — дерева, L — листя, D — глибина. На моделі з 1000 дерев глибини 6 — мілісекунди на пояснення. LinearExplainer — для лінійних моделей (логістична регресія, Ridge) — аналітичне рішення миттєво. KernelExplainer — model-agnostic, працює з будь-якою моделлю, але повільніше: O(2^M) семплів для M ознак. На практиці використовуємо nsamples=1000–5000 як наближення. Для нейромереж — DeepExplainer або GradientExplainer.

Типова помилка: SHAP значення для корельованих ознак розподіляються рівномірно між ними — це математично коректно, але візуально заплутує. Ознаки income та income_log мають схожий SHAP, хоча використовується лише одна. Рішення — прибрати дублі ознак до навчання.

SHAP TreeExplainer в 100 разів швидший за KernelExplainer для моделей на деревах, тому при роботі з великими датасетами (10M+ рядків) ми використовуємо саме його.

Коли LIME незамінний

LIME (Local Interpretable Model-Agnostic Explanations) будує локальну лінійну апроксимацію навколо пояснюваного прикладу. Швидший за SHAP для складних нейромереж, але нестабільний: два запуски на одному прикладі можуть дати різні пояснення. Сильна сторона LIME — пояснення для тексту. LimeTextExplainer показує, які слова вплинули на класифікацію. Для швидкого дебаггінгу класифікатора тексту — зручний інструмент.

from lime.lime_text import LimeTextExplainer
explainer = LimeTextExplainer(class_names=['neg', 'pos'])
exp = explainer.explain_instance(text, classifier.predict_proba, num_features=10)
exp.show_in_notebook()

Що дає Integrated Gradients для нейромереж

Для deep learning моделей (CNN, Transformer) ні SHAP KernelExplainer, ні LIME не дають задовільного пояснення: обидва надто повільні або неточні. Integrated Gradients (IG) — gradient-based метод, теоретично обґрунтований (axioms completeness, sensitivity, implementation invariance). IG обчислює інтеграл градієнтів вздовж прямої лінії від базового вводу (baseline, зазвичай нулі або середні значення) до реального вводу. Результат — attribution map, що показує внесок кожного пікселя/токена.

from captum.attr import IntegratedGradients

ig = IntegratedGradients(model)
attributions = ig.attribute(
    inputs=input_tensor,
    baselines=baseline_tensor,
    target=predicted_class,
    n_steps=300,
)

Бібліотека captum від Meta — стандарт для PyTorch. Включає IG, GradCAM, SHAP DeepLift, LayerConductance. GradCAM — простіший, швидший, гірший теоретично. Візуалізує, на які області зображення дивиться CNN. Достатній для дебаггінгу CV-моделей, недостатній для комплаєнс-документації.

Integrated Gradients забезпечує стабільність, якої не може дати LIME, тому саме його ми рекомендуємо для production-систем, що підпадають під регуляторні вимоги.

Як обрати метод XAI для вашої моделі

Вибір методу залежить від типу даних, вимог до швидкості та точності. Для табличних моделей найкращий SHAP TreeExplainer. Для текстових даних — LIME для швидкого прототипування або Integrated Gradients для нейромереж. Для зображень — GradCAM для швидкого візуального аналізу або Integrated Gradients для детальної атрибуції. Якщо потрібна стабільність та регуляторна відповідність, обирайте SHAP або Integrated Gradients.

EU AI Act: що потрібно на практиці

Введений в дію EU AI Act (впроваджується поетапно) вимагає для high-risk систем (кредитний скоринг, медичні AI, системи підбору персоналу, правоохоронні):

• технічну документацію моделі, логування всіх рішень з можливістю аудиту;
• пояснення кожного індивідуального рішення на запит користувача;
• оцінку ризиків та заходи щодо їх зниження, людський нагляд (human oversight).

Технічно це означає: кожен прогноз повинен зберігатися з input features, output, timestamp, model version та pre-computed поясненням. SHAP значення обчислюються при інференсі та зберігаються разом з прогнозом.

Для LLM-систем вимоги складніші: немає стандартного методу пояснення, attention weights не є надійними атрибуціями. Поточна практика — логування повного контексту, retrieved chunks в RAG, chain-of-thought reasoning як проксі-пояснення. Ми допомагаємо визначити, чи підпадає система під high-risk категорію за Annex III EU AI Act, розробляємо технічний паспорт моделі (архітектура, дані навчання, метрики якості, обмеження), налаштовуємо систему логування рішень з retention period (мінімум 10 років для деяких категорій), інтегруємо механізм пояснень у production pipeline, впроваджуємо процедуру оскарження рішень користувачами.

Як ми впроваджуємо пояснюваність: покроковий процес

Процес складається з семи етапів, кожен з яких має фіксований термін та конкретний результат.

Результат роботи та типові помилки при впровадженні XAI

Після завершення проєкту ви отримуєте:

• технічну документацію моделі (model card) із зазначенням intended use, evaluation results по subgroups, обмежень, ethical considerations;
• інтегрований у production pipeline механізм пояснень (SHAP/LIME/IG) з автоматичним збереженням при інференсі;
• UI для перегляду пояснень (веб-інтерфейс або API) з можливістю експорту;
• систему логування з retention полем, налаштовану під вимоги EU AI Act;
• інструкцію з оскарження рішень користувачами (для клієнтського порталу);
• навчання команди замовника (2-3 воркшопи) та документацію для підтримки.

Типові помилки, які ми виявили за 10+ років практики:

• Використання KernelExplainer на великих датасетах без зменшення вибірки. Рішення: TreeExplainer для дерев, Feature Perturbation для моделей з малою кількістю фіч.
• Ігнорування кореляції ознак. SHAP розподіляє внесок рівномірно — видаліть дублі до навчання.
• Відсутність baseline в Integrated Gradients. Нульовий baseline не завжди коректний для зображень — використовуйте середній або зашумлений.
• LIME без перевірки стабільності. Запускайте 5-10 разів на одному прикладі та оцінюйте розкид.
• Неврахування latency: обчислення SHAP на кожен запит може збільшити p99 на 50–200 мс. Використовуйте асинхронні пайплайни або передобчислення для batch.
• Відсутність model versioning в логах пояснень. Без версії неможливо ретроспективно перевірити, яка модель дала пояснення.

Подальші кроки

Якщо вам потрібно впровадити пояснюваність під EU AI Act, отримати сертифіковане рішення або просто оцінити поточний рівень прозорості вашої моделі — замовте консультацію. Ми готові запропонувати індивідуальний план впровадження з урахуванням вашого стеку (PyTorch, TensorFlow, XGBoost, LLM) та регуляторних вимог. Отримайте безкоштовний аудит XAI — зв'яжіться з нами для детальної оцінки вартості та термінів вашого проєкту.