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?
| Параметр | Ручний скринінг | AI-скринінг |
|---|---|---|
| Час на одне резюме | 6–10 хв | <1 хв |
| Пропуск кандидатів | 20–30% | <5% |
| Вартість найму (на 10 вакансій) | від 500 000 грн | економія до 40% |
| Суб'єктивність | висока | низька |
Порівняння моделей для скринінгу
| Модель | Точність (F1) | Затримка p99 | Вартість за 1K токенів |
|---|---|---|---|
| GPT-4o | 0.94 | 2.1 с | $5 |
| Claude 3.5 Sonnet | 0.92 | 1.8 с | $3 |
| Llama 3 70B (local) | 0.88 | 4.5 с | $0 (на own infra) |
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
Технічні деталі пайплайну
Система побудована на мікросервісах: парсер (Python + FastAPI), ранжувальник (vLLM + Triton), кеш (Redis). Всі компоненти масштабуються горизонтально.
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
- Аналіз — вивчаємо поточний процес найму, обсяг резюме, вимоги до точності.
- Проектування — обираємо модель (GPT-4o, LLaMA 3, Mistral), визначаємо векторне представлення навичок.
- Реалізація — пишемо пайплайн парсингу, промпт для оцінки, систему кешування результатів.
- Тестування — калібруємо на історичних даних: точність, швидкість, кількість хибних спрацьовувань.
- Деплой — розгортаємо на вашій інфраструктурі (AWS, on-premise), підключаємо ATS.
- 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.