Розробка AI-системи для HR та рекрутингу

Розробка AI-системи для HR та рекрутингу

HR - одна з галузей, де суб'єктивність прийняття рішень є максимальною. AI стандартизує оцінку кандидатів, скорочує time-to-hire та прогнозує утримання співробітників – не замінюючи HR, а прибираючи рутину та упередженість.

AI-рекрутинг

Автоматична обробка резюме (CV Parsing та Matching)

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

Structured Interview Automation:

AI-асистент для проведення структурованого інтерв'ю: - генерація питань з STAR-методології на основі вимог вакансії - транскрипція відеоінтерв'ю (Whisper) + NLP-аналіз відповідей - оцінка за заданими компетенціями (автоматичне rubric scoring)

Bias Mitigation:

Основна етична проблема AI в HR - закріплення історичних упередженостей: - Видалення демографічних ознак (ім'я, фото, вік, стать) з ознак моделі - Fairness metrics: демографічний паритет, рівність шансів між групами - Adversarial debiasing: навчання класифікатора + adversarialов network, Обов'язковий human-in-the-loop для фінальних рішень (ТК РФ забороняє автоматичні рішення про найм без участі людини)

Прогнозування утримання та відтоку

Early Warning для відтоку співробітників:

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

Під час P(attrition) > 0.6 → автоматичне повідомлення HR BP з рекомендаціями: розмова про кар'єру, перегляд компенсації, переведення в інший відділ.

Управління продуктивністю

Continuous Performance Management:

Заміна щорічного Performance Review на безперервний моніторинг: - OKR tracking: прогрес за цілями в реальному часі - Peer feedback aggregation: NLP-обробка зворотного зв'язку → тематичні інсайти - Recognition patterns: хто частіше отримує визнання → кореляція з результативністю

Прогноз високого потенціалу (High Potential Identification):

ML-модель на історичних даних: які ознаки характеризують майбутніх лідерів: - Крос-функціональна залученість, ініціативи - Темп зростання показників ефективності - Нетворкінг: центральність у корпоративній соціальній мережі (ONA - Organizational Network Analysis)

People Analytics

Workforce Planning:

• Прогноз потреби в персоналі з функцій на 1-3 роки. - Аналіз розриву компетенцій (Skills Gap): що вміє команда vs. що вимагатиме бізнес - Build / Buy / Borrow рішення: навчити всередині, найняти або взяти підрядника

Організаційна аналітика:

• Виявлення «перевантажених» співробітників (center nodes у ONA + overtime data) - Команди з високими комунікаційними бар'єрами - Time in meetings analysis: >60% часу у нарадах → alert для менеджера

Термін розробки: 4-7 місяців для HR AI платформи з CV matching, retention prediction та people analytics з інтеграцією в 1С: ЗУП, SAP HCM або BambooHR.