AI-скринінг резюме: автоматизація відбору кандидатів

Уявіть: рекрутер витрачає 6–10 хвилин на первинний перегляд одного резюме. При 500 відгуках на вакансію — це 50+ годин суцільного читання. Ми автоматизуємо цей етап: AI-система сканує кожне резюме, вилучає ключові дані, оцінює відповідність вимогам і видає ранжований список з обґрунтуванням. Результат — замість купи файлів ви отримуєте готову воронку кандидатів з позначками та питаннями для співбесіди.

Скринінг резюме на основі LLM скорочує time-to-screen з годин до хвилин, а витрати на підбір — до 40%. AI-скринінг у 10 разів швидший за ручний і знижує кількість пропущених кандидатів з 30% до 5%. Середній кейс економить від 300 000 до 500 000 грн на місяць на кожному напрямку.

Як працює AI-скринінг?

Система приймає резюме в будь-якому форматі — PDF, DOCX, пряме введення, API hh.ru. Після парсингу дані нормалізуються: досвід перераховується в повні місяці, навички мапляться на єдиний словник (наприклад, «Python + Django» на знання веб-фреймворку). Потім LLM (GPT-4o, Claude 3.5 або Llama 3) порівнює профіль з текстом вакансії по кількох осях: технічна відповідність, релевантність досвіду, освіта.

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 надходять у різних форматах: PDF, DOCX, hh.ru API. Вилучення структурованих даних:

• hh.ru API: резюме вже структуровано (JSON)
• PDF/DOCX: unstructured.io або кастомний парсер на основі комп'ютерного зору
• LinkedIn: LinkedIn Talent Solutions API (платно)

Нормалізація: дати досвіду → місяці роботи, навички → стандартний словник.

Чому AI-скринінг перевершує ручний?

Порівняння моделей для скринінгу

Вибір моделі залежить від вимог до конфіденційності та бюджету. Для чутливих даних використовуємо Llama 3 на on-premise GPU — економія на інференсі може перевищувати $2000 на місяць.

Запобігання дискримінації

AI може відтворювати дискримінаційні патерни з історичних даних. Mitigation:

• Видалення демографічних даних з резюме до оцінки (ім'я, вік, фото)
• Регулярний аудит: чи немає систематичної упередженості за статтю, віком, ВНЗ
• Прозорість: кожна відмова має бути обґрунтована професійними критеріями

Згідно з законодавством про зайнятість: недопустима дискримінація за ознаками, не пов'язаними з діловими якостями працівника.

Інтеграції з ATS

• hh.ru для роботодавців: API для масового скринінгу відгуків
• Huntflow: REST API для автоматизації воронки
• 1С:Зарплата і кадри: інтеграція кандидатів у HR-систему
• Potok.io / Talantix: нативні інтеграції через Webhook

Метрики: time-to-screen (з кількох годин до хвилин), quality-of-hire (% найнятих AI-рекомендованих через 6 місяців все ще в компанії), recruiter satisfaction score.

Процес розробки

1. Аналіз — вивчаємо поточний процес найму, обсяг резюме, вимоги до точності.
2. Проектування — обираємо модель (GPT-4o, LLaMA 3, Mistral), визначаємо векторне представлення навичок.
3. Реалізація — пишемо пайплайн парсингу, промпт для оцінки, систему кешування результатів.
4. Тестування — калібруємо на історичних даних: точність, швидкість, кількість хибних спрацьовувань.
5. Деплой — розгортаємо на вашій інфраструктурі (AWS, on-premise), підключаємо ATS.
6. Моніторинг — відстежуємо дрейф моделі, оновлюємо промпти.

Що входить в роботу

• Дослідження вашого HR-процесу та підготовка специфікації
• Вибір та калібрування LLM під ваші критерії відбору
• Розробка парсерів для нестандартних форматів резюме
• Інтеграція з ATS та HR-системами (API, Webhook)
• Документація та навчання команди рекрутерів
• Гарантійна підтримка 1 місяць після запуску

Ми виконали понад 30 проектів у сфері AI/ML, 5 років автоматизуємо підбір персоналу для компаній від стартапів до enterprise. Наші системи обробляють до 10 000 резюме на день без втрати якості. Зв'яжіться з нами для оцінки вашого кейсу. Отримайте консультацію щодо впровадження — прототип за 2 тижні.

NLP розробка: чому accuracy не підходить для рідкісних класів?

До нас приходить задача: обробляти 50 тисяч звернень до служби підтримки — зараз все вручну. Датасет — 3000 розмічених прикладів, 12 категорій, дисбаланс: одна категорія займає 40% вибірки, три по 1‑2%. Baseline accuracy — 78%. Звучить непогано, поки не дивишся на recall по рідкісних класах: 0.31, 0.44, 0.28. Саме ці класи — скарги та загрози відтоку — найважливіші для бізнесу.

Це типовий проект NLP розробки. Проблема не в алгоритмі, а в тому, що accuracy — не та метрика. Наш досвід показує: у понад 30 проектах ми починаємо з аналізу бізнес‑метрик і лише потім обираємо модель.

Чому accuracy — не та метрика для рідкісних класів?

Accuracy ігнорує дисбаланс. Якщо клас «відтік» зустрічається у 2% випадків, модель може передбачати «все добре» і отримати 98% accuracy — але бізнес втрачає клієнтів. Рішення: F1 macro (усереднення за всіма класами) або weighted F1. Для NER — strict entity F1 (лише точні збіги). Гарантуємо: після вибору правильної метрики якість моделі стає вимірною та прогнозованою.

Класифікація тексту: від BERT до дистиляції

BERT-подібні моделі — стандарт для класифікації. ruBERT-base або ruBERT-large від DeepPavlov для російської мови. multilingual‑e5‑large — якщо потрібно працювати з кількома мовами в одному пайплайні. XLM‑RoBERTa‑large — сильний multilingual backbone.

Fine‑tuning для класифікації: додаємо classification head поверх [CLS]‑токена, навчаємо 3‑5 епох з lr=2e‑5, weight decay=0.01. При дисбалансі — weighted CrossEntropyLoss або focal loss з gamma=2.0. Пишіть — покажемо code snippet.

Кейс з дисбалансом. Датасет — 3000 прикладів, дисбаланс 1:20. Рішення: class_weight через sklearn + CrossEntropyLoss. Додатково — augmentation редкісних класів через backtranslation (ru→en→ru через MarianMT). Recall по рідкісних класах виріс з 0.31 до 0.67 при незначному падінні accuracy (76%→74%). Повна NLP розробка під ключ зайняла 3 тижні.

Дистиляція для production. BERT‑large дає F1 0.89, але inference на CPU — 180ms. Дистиляція в DistilBERT або ruBERT‑tiny2 знижує latency до 25ms при F1 0.84. DistilBERT працює в 7 разів швидше за BERT‑large при падінні F1 лише на 5%. Експорт в ONNX Runtime з int8 quantization дає додатковий 1.5‑2x. Оцінимо проект — розрахуємо економію на інфраструктурі.

Як вибрати модель класифікації під ваш датасет?

Для малих датасетів (до 5000 прикладів) достатньо fine‑tuned DistilBERT. Якщо потрібна багатомовність — XLM‑RoBERTa. При жорстких обмеженнях latency — дистильована модель з ONNX Runtime. Ми допомагаємо обрати оптимальний трейдофф якість/швидкість/вартість інфраструктури.

NER: розпізнавання іменованих сутностей

NER — вилучення персон, організацій, локацій, дат, сум, номерів документів. Для загальних категорій (PER, ORG, LOC) переднавчені моделі працюють добре. Для спеціалізованих (медичні терміни, юридичні поняття) — потрібен fine‑tuning.

Розмітка даних. Основна вартість NER‑проекту. Для якісної моделі — 500‑2000 розмічених речень на кожен тип сутності. Інструменти: Label Studio (open source) або Prodigy (від творців spaCy). Формат IOB2 — стандарт.

Архітектура. Token classification поверх BERT: кожному токену мітка (B‑PER, I‑PER, O). spaCy 3.x з transformer pipeline — зручний production‑вибір.

Вкладені сутності. Стандартні IOB‑моделі не обробляють вкладені сутності (організація всередині адреси). Для таких задач — span‑based NER: SpanBERT або SpERT. Складніше, але правильно.

Постобробка обов’язкова. Модель передбачає токени — потрібні нормалізовані сутності. Дата — dateparser. Суми — regex + валідація. Імена — дедуплікація через rapidfuzz. Входить у нашу стандартну поставку.

Sentiment Analysis та opinion mining

Бінарна класифікація positive/negative працює з BERT з коробки. Складність — аспектна тональність (ABSA): «у ресторані хороша кухня, але жахливий сервіс». Для ABSA: aspect extraction (NER) + sentiment за кожним аспектом. Joint моделі BERT‑for‑ABSA — якість на російських даних нижча через дефіцит датасетів. RuSentiment, SentiRuEval — основні ресурси.

Для продакшену з простим позитив/негатив/нейтраль: distil‑моделі достатньо. Три класи, balanced датасет, 2000+ прикладів — F1 macro 0.82‑0.87 за 1‑2 дні.

Сумарізація тексту

Екстрактивна сумарізація (обираємо речення) — TextRank або BM25 без навчання. Швидко, не галюцинує. Добре для довгих документів.

Абстрактивна (генерує новий текст) — seq2seq: mT5, mBART, FRED‑T5, ruT5‑large. Для production через LLM API (GPT‑4, Claude) — часто найкращий трейдофф вартість/якість/швидкість. Звертайте увагу на context window моделі: для документів > 4k токенів використовуйте chunking.

Ембеддинги: векторні представлення тексту

Ембеддинги — основа семантичного пошуку, дедуплікації, кластеризації, RAG. Якість критично впливає на downstream задачі.

Моделі. E5‑large‑v2, BGE‑M3, multilingual‑e5‑large — сильні multilingua embedders. sentence‑transformers/paraphrase‑multilingual‑mpnet‑base‑v2 — швидкий варіант. Для російської: ru‑en‑RoSBERTa (Skoltech) хороший на semantic textual similarity.

Як оцінити якість ембеддингів? MTEB benchmark — стандарт. Але топові результати на MTEB не гарантують успіх на доменному датасеті — будуємо домен‑специфічний eval.

Fine‑tuning ембеддингів. Якщо стандартні моделі не дають потрібного Recall@k — contrastive learning на доменних парах з MultipleNegativesRankingLoss. 500‑2000 пар, 1‑3 епохи — 5‑15% приріст Recall@k.

Розмірність та зберігання. E5‑large: 1024 dim, float32 — 4KB на вектор. При 10M документів — 40GB. INT8 quantization знижує до 10GB. FAISS IVF_PQ — ще компактніше, але з втратами. Входить у наші рекомендації по деплою.

Вилучення інформації

Структуроване вилучення — одна з частих задач. Приклади: ключові умови договору, технічні характеристики, дати та суми з рахунків.

1. Regex + rule-based. Для ІПН, ЄДРПОУ, сум, дат — надійніше нейромережі. Не потребує даних.
2. NER + постобробка. Для варіативних форматів.
3. LLM з structured output. GPT‑4 / Claude з JSON schema — для складних документів. Вартість: залежить від обсягу документів. Для 10k+ документів/день — рахуємо економіку.

Гарантуємо гібрид: regex/NER для типових полів + LLM для edge cases. Сертифікат довіри: 5 років на ринку, >30 проектів.

Етапи роботи

Прототип на існуючих даних — 1‑3 тижні. Production‑система з CI/CD — 1.5‑2.5 місяця. Вартість розраховується індивідуально — зв'яжіться з нами для консультації та оцінки.

Що входить у роботу

• Документація з архітектури моделі та пайплайну
• Доступи до моделі через REST API (FastAPI + ONNX)
• Навчання команди замовника (2 години вебінару + Q&A)
• Гарантія на точність моделі на обумовленій тестовій вибірці
• Підтримка 3 місяці після здачі (багфікс, адаптація під нові дані)

Наш досвід

Понад 5 років у NLP, 30+ проектів від класифікації до RAG‑систем. Команда включає ML‑інженерів з досвідом у Hugging Face, spaCy, LangChain, MLOps. Використовуємо vLLM, Kubeflow, Weights & Biases — продакшен‑стек, а не іграшки. Замовте консультацію — оцінимо проект за 2 дні.