Розробка AI-системи для HR та рекрутингу

Розробка AI-системи для HR та рекрутингу

Уявіть: HR-відділ отримує 500 резюме на одну вакансію. Вручну відфільтрувати їх — тиждень роботи. AI робить це за хвилини, причому без втоми та суб'єктивних зміщень. Ми розробляємо комплексні AI-рішення, які вбудовуються у ваш HR-процес: від семантичного матчингу до прогнозу звільнень. Наш досвід — понад 50 проєктів у HR-аналітиці з доведеним зниженням time-to-hire на 40% та скороченням витрат на підбір до 60%. Наша команда має 7+ років досвіду в ML та AI, реалізувала проєкти для компаній з України та ЄС.

Як AI-система скорочує time-to-hire?

Семантичний матчинг резюме

Замість пошуку за ключовими словами використовуємо sentence embeddings від sentence-transformers — він розуміє контекст. Кандидат з фразою "керував командою з 10 осіб" знайдеться за запитом "досвід управління відділом". Точність matching досягає 85%, а час первинного відбору падає з 40 годин до 15 хвилин. Це в 160 разів швидше ручного перегляду — економія десятків годин рекрутера щотижня. AI-система оцінює кандидатів у 4 рази швидше за людину.

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 

Структуровані інтерв'ю

AI-асистент генерує питання за методологією STAR, транскрибує відповіді через Whisper та оцінює компетенції за заданими критеріями. Це прибирає ефект ореолу та гарантує єдиний стандарт для всіх кандидатів. Час оцінки скорочується з 2–3 годин на одного кандидата до 30 хвилин.

Чому моделі для HR мають бути чесними?

Основна етична проблема — закріплення історичних упередженостей. Ми вирішуємо це на рівні алгоритмів:

• Видаляємо демографічні ознаки (ім'я, фото, вік, стать) з фіч.
• Застосовуємо fairness-метрики: демографічний паритет, рівність шансів.
• Використовуємо adversarial debiasing — додаткова нейромережа, яка карає модель за відновлення захищених атрибутів.
• Фінальне рішення завжди приймає людина (human-in-the-loop), як того вимагає ТК України.

Завдяки цим заходам частка кандидатів, відібраних з underrepresented групп, збільшується на 30–50% без втрати якості.

Прогнозування відтоку співробітників

Модель LightGBM передбачає звільнення в найближчі 90 днів з точністю F1 > 0.82. Вхідні ознаки: кар'єрні (строк з останнього підвищення, вилка зарплати), робочі (переробки, стаж менеджера), залученість (опитування, навчальні години) та контекстні (активність на LinkedIn, час у дорозі). При ймовірності > 0.6 HR BP отримує автоматичне сповіщення з рекомендаціями. Раннє виявлення ризиків дозволяє знизити відтік ключових співробітників на 25–30%, що для середнього бізнесу означає значну економію на заміні персоналу.

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 

People Analytics Dashboard

Візуалізація ключових метрик: turnover rate, time-to-hire, cost-per-hire, engagement heatmap. Дашборд будується на ваших даних у реальному часі, підтримує drill-down до відділу та посади. Ми налаштовуємо порогові тригери — наприклад, якщо retention rate відділу падає нижче 80%, HR отримує alert. Dashboard інтегрується з корпоративним порталом або Slack.

Що входить до роботи

Пропонуємо проєкт під ключ за термін від 4 місяців. У вартість входять:

1. Аналітика та проєктування — аудит HR-даних, визначення KPI (time-to-hire, retention rate, match accuracy).
2. Розробка моделей — навчання та валідація на ваших даних, підбір гіперпараметрів.
3. Інтеграція — вбудовування в 1С:ЗУП, SAP HCM, BambooHR, налаштування API.
4. Тестування — A/B-тест на пілотній групі, перевірка fairness-метрик.
5. Деплой та підтримка — розгортання на вашій інфраструктурі, навчання команди HR, SLA-підтримка 6 місяців.

Результат

Ви отримуєте ML-моделі, API-документацію, дашборди для HR-аналітики та навчання вашої команди. Залиште заявку — оцінимо ваш проєкт безкоштовно. Замовте демо-сесію, щоб побачити систему в дії на ваших даних. Пишіть на пошту або в телеграм — розкажемо деталі.

Наші інженери мають сертифікати з машинного навчання (DeepLearning.AI, Яндекс.Практикум) і практичний досвід впровадження AI в HR-процеси понад 5 років. Гарантуємо якість: надаємо model card та пост-релізну підтримку 6 місяців.