Розробка AI-системи скринінгу резюме

Проектуємо та впроваджуємо системи штучного інтелекту: від прототипу до production-ready рішення. Наша команда поєднує експертизу в машинному навчанні, дата-інжинірингу та MLOps, щоб AI працював не в лабораторії, а в реальному бізнесі.
Показано 1 з 1Усі 1566 послуг
Розробка AI-системи скринінгу резюме
Середній
~1-2 тижні
Часті запитання

Напрямки AI-розробки

Етапи розробки AI-рішення

Останні роботи

  • image_website-b2b-advance_0.webp
    Розробка сайту компанії B2B ADVANCE
    1284
  • image_web-applications_feedme_466_0.webp
    Розробка веб-додатків для компанії FEEDME
    1196
  • image_websites_belfingroup_462_0.webp
    Розробка веб-сайту для компанії БЕЛФІНГРУП
    901
  • image_ecommerce_furnoro_435_0.webp
    Розробка інтернет магазину для компанії FURNORO
    1119
  • image_logo-advance_0.webp
    Розробка логотипу компанії B2B Advance
    586
  • image_crm_enviok_479_0.webp
    Розробка веб-додатків для компанії Enviok
    853

Розробка AI-системи скринінгу резюме

AI-скринінг автоматично оцінює резюме кандидатів за критеріями вакансії. Рекрутер отримує ранжований список з обґрунтуванням, а не необроблений потік від сотень файлів.

Архітектура скринінгу

class ResumeScreeningResult(BaseModel):
    candidate_name: str
    match_score: float           # 0-1
    technical_match: float       # відповідність технічним вимогам
    experience_match: float      # відповідність досвіду
    education_match: float       # відповідність освіті

    strengths: list[str]         # сильні сторони кандидата
    gaps: list[str]              # невідповідності вимогам
    highlight_skills: list[str]  # ключові навички з резюме

    recommendation: Literal["strong_yes", "yes", "maybe", "no"]
    reasoning: str               # обґрунтування 3-5 реченнями
    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, API hh.ru. Видобування структурованих даних:

  • API hh.ru: резюме вже структуровано (JSON)
  • PDF/DOCX: unstructured.io або користувальницький парсер
  • LinkedIn: LinkedIn Talent Solutions API (платно)

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

Запобігання дискримінації

AI може відтворювати дискримінаційні закономірності з історичних даних. Пом'якшення:

  • Видалення демографічних даних з резюме перед оцінкою (ім'я, вік, фото)
  • Регулярні перевірки: немає систематичної упередженості за статтю, віком, університетом
  • Прозорість: кожна відмова повинна бути обґрунтована професійними критеріями

Відповідно до законодавства про зайнятість: дискримінація за ознаками, не пов'язаними з професійними якостями працівника, заборонена.

Інтеграція з ATS

  • hh.ru для роботодавців: API для масового скринінгу заявок
  • Huntflow: REST API для автоматизації sales funnel
  • 1C:Зарплата та 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 (% найманих за рекомендацією AI, які все ще в компанії через 6 місяців), recruiter satisfaction score.