Автоматизація HR-процесів: мобільний бот для заявок та довідок

Відсутність автоматизації HR-процесів обертається хаосом: заявки на відпустку губляться в пошті, залишки днів ніхто не знає, лікарняні оформлюються заднім числом. Ми реалізували мобільного HR-бота, який підключається до існуючої HR-системи (1С:ЗУП, SAP HCM, HiBob, Workday) і бере на себе всю рутину з обробки заявок.

Бот працює як діалоговий інтерфейс всередині корпоративного мобільного додатка. Співробітник пише «хочу відпустку з 15 березня на 14 днів» — і система автоматично перевіряє залишки, перетини з колегами, створює заявку та відправляє на погодження керівнику. Весь процес займає 2 хвилини замість 2 годин при ручній обробці. Наш бот обробляє заявки у 20 разів швидше за традиційну пошту.

Наш досвід в автоматизації HR

Ми працюємо з 2015 року і реалізували 15+ проектів. Маємо сертифікат ISO 27001 та гарантію на програмне забезпечення 12 місяців. Наша команда розробила HR-ботів для 15+ компаній з чисельністю від 100 до 5000 співробітників. Середній час впровадження — 3 тижні, окупність — 3 місяці. Економія часу HR-відділу — до 40 годин на тиждень на кожні 1000 співробітників, що становить економію до 240 000 грн на рік.

Інтеграція з HR-системами

Інтеграція з HR-системами — ключове технічне завдання. 1С:ЗУП публікує REST-інтерфейс через HTTP-сервіси; SAP HCM використовує RFC/BAPI або OData; сучасні хмарні системи на зразок HiBob і Workday надають REST API з OAuth 2.0. Для систем без готового API ми будуємо проміжний сервіс на Node.js або Kotlin, який читає дані через ODBC або безпосередньо з бази з readonly-правами.

Як влаштована інтеграція з 1С:ЗУП?

Для 1С:ЗУП ми використовуємо HTTP-сервіси (REST-інтерфейс, опублікований на сервері 1С). Альтернативний варіант — 1С:Шина. В будь-якому випадку, потрібно налаштувати права доступу: бот повинен читати залишки відпусток, створювати заявки, але не змінювати зарплатні дані. Для тестування виділяється окремий стенд.

Порівняння HR-систем за API

Покрокова інструкція з налаштування інтеграції з 1С:ЗУП

1. Підготуйте окремий тестовий стенд 1С.
2. Створіть обліковий запис бота з мінімальними правами (читання залишків, створення заявок).
3. Налаштуйте HTTP-сервіс або 1С:Шину для публікації REST-інтерфейсу.
4. Перевірте доступність API через захищене HTTPS-з'єднання.
5. Розгорніть інтеграційний шар (мікросервіс) на Node.js або Kotlin.
6. Налаштуйте зіставлення полів та тестові сценарії.

Процес обробки заявки

Життєвий цикл заявки на відпустку складається з етапів: користувач подає запит, бот перевіряє залишки та перетини, потім запитує підтвердження, створює заявку в HR-системі, сповіщає керівника та очікує погодження. Кожен етап обробляється з урахуванням винятків: нестача днів, перетин з іншими відпустками, відсутність відповіді керівника більше 2 днів.

Бот обробляє заявку в 20 разів швидше, ніж ручне введення через пошту. На кожному кроці — обробка винятків.

// Android ViewModel для управління станом заявки
sealed class LeaveRequestState {
    object Idle : LeaveRequestState()
    data class CollectingDates(val startDate: LocalDate?, val endDate: LocalDate?) : LeaveRequestState()
    data class AwaitingConfirmation(val request: LeaveRequestDraft) : LeaveRequestState()
    data class Submitted(val requestId: String) : LeaveRequestState()
    data class Error(val message: String) : LeaveRequestState()
}

Які типи заявок підтримує HR-бот?

Окрім відпусток — повний перелік типових звернень: залишок відпускних днів та відгулів, довідка про зарплату / 2-ПДФО (генерація документа або посилання), заявка на лікарняний (сповіщення + введення даних листка непрацездатності), графік роботи та змінний розклад, дані про нарахування та відрахування, заявка на відрядження, корпоративні контакти та оргструктура. Для кожного типу запиту — окремий сценарій з відповідними полями.

Безпека, сповіщення та наш підхід

Чому важлива авторизація через корпоративний IdP?

HR-дані містять персональну інформацію (зарплата, лікарняні). Мобільний додаток повинен автентифікуватися через Azure AD / Entra ID, Okta, Keycloak або іншого корпоративного провайдера. Використовуємо OpenID Connect або SAML 2.0. Після входу бот бачить дані лише поточного співробітника, виняток — керівники, які бачать свою команду в межах прав HR-системи.

Згідно з App Store Review Guidelines Section 5.1, збір персональних даних вимагає згоди користувача. Наш додаток запитує явний дозвіл на доступ до push-сповіщень та камери лише за необхідності.

Сповіщення керівнику

Зазначимо: коли співробітник подає заявку, керівник отримує push-сповіщення з deeplink у додаток. У додатку — короткий preview заявки, кнопки «Погодити» / «Відхилити» прямо в notification (на iOS через UNNotificationAction, на Android через Notification Action). Не потрібно відкривати додаток для простого рішення.

Що входить в роботу

• Аудит поточної HR-системи: опис API, тестовий стенд, права доступу.
• Проектування сценаріїв для кожного типу заявки (відпустка, лікарняний, довідка, відрядження).
• Розробка інтеграційного шару: клієнт для HR-системи на Kotlin/Swift або мікросервіс.
• Мобільний інтерфейс: діалоговий UI з підтримкою голосового введення, картки заявок, статуси.
• Інтеграція з корпоративним IdP (Azure AD, Keycloak).
• Розгортання на production та навчання HR-спеціалістів.
• Повна документація API та інструкція для співробітників.

Орієнтири за термінами та вартістю

Базовий HR-бот для відпусток і довідок з однією HR-системою впроваджується за 2–3 тижні. Повний набір сценаріїв з кількома типами заявок та функціями керівника — 1,5–2 місяці. Вартість розраховується індивідуально залежно від складності інтеграції та кількості сценаріїв.

Реалізуємо бота під ключ. Отримайте консультацію з автоматизації ваших HR-процесів — оцінимо ваш проект безкоштовно. Зв'яжіться з нами для деталей.

Машинне навчання в мобільних застосунках: CoreML, TFLite та on-device LLM

Ми розрізняємо два принципово різних підходи: застосунок з on-device AI та застосунок, який просто викликає хмарне API. Перший працює без інтернету, не надсилає дані користувача на сторонні сервери та відповідає за 50 мілісекунд. Другий залежить від затримки мережі та тарифного плану. Вибір архітектури — ключовий етап, який безпосередньо впливає на вартість, приватність та користувацький досвід. Наш досвід показує: у 70% проектів on-device інференс виявляється дешевшим у довгостроковій перспективі завдяки виключенню серверних витрат. Економія може сягати 40% щомісячних витрат — отримайте консультацію, ми порахуємо для вашого кейсу.

Як вибрати між CoreML та TFLite для on-device інференсу?

CoreML — нативний фреймворк Apple для запуску ML-моделей на пристрої, описаний у документації Apple. Підтримує Neural Engine (A11 Bionic та новіші), GPU та CPU як fallback. Моделі конвертуються у формат .mlmodel через coremltools з PyTorch, ONNX або TensorFlow. Конвертація — не завжди тривіальна: кастомні шари вимагають реалізації MLCustomLayer, а квантизація до INT8 іноді помітно знижує точність на специфічних даних. Ми гарантуємо, що підсумкова модель проходить валідацію на реальних даних до та після конвертації.

TensorFlow Lite — крос-платформна альтернатива для Android та Flutter відповідно до специфікації Google. На Android використовує NNAPI (Neural Networks API) для апаратного прискорення — з Android 10+ NNAPI стабільніший, до цього краще явно використовувати GPU delegate через GpuDelegate. Типова помилка: модель навчена на нормалізованих даних у діапазоні [0,1], а в застосунку на вхід подається [0,255] — інференс працює, але з безглуздими результатами без помилки. Ми включаємо модуль автоматичної валідації вхідних даних у SDK.

Для задач класифікації зображень, детекції об'єктів та сегментації доступні готові оптимізовані моделі. YOLOv8 у CoreML форматі запускає детекцію кадру 640×640 за 15–20 мс на iPhone 14 Neural Engine. MobileNetV3 на TFLite з GPU delegate — близько 8 мс на Pixel 7 при класифікації.

Що робити, якщо потрібна генерація тексту на пристрої?

Запуск невеликих мовних моделей на пристрої став реальністю за останні роки. Apple Intelligence використовує власні моделі через Private Cloud Compute, але для сторонніх розробників доступні інші шляхи.

llama.cpp з Metal backend на iOS — робочий підхід для phi-3-mini (3.8B параметрів, 4-bit квантизація, ~2.3 ГБ). Інференс: 15–25 токенів/секунду на iPhone 15 Pro. Для інтеграції в Swift використовуємо Swift Package llama.swift або обгортку через C-інтерфейс llama.h. Бінарник до застосунку не додаємо — модель завантажується при першому запуску та зберігається в Application Support. Наші сертифіковані розробники налаштовують інкрементальне завантаження, щоб не блокувати перший запуск.

На Android аналог — Google AI Edge (колишній MediaPipe LLM Inference API) з підтримкою Gemma-2B. Працює через GPU delegate, на Tensor G3 чіпі Pixel 8 Pro — близько 20 токенів/секунду.

Інтеграція OpenAI API та інших хмарних моделей

Для сценаріїв, де cloud inference допустимий, інтеграція OpenAI, Anthropic або Google Gemini — це HTTP клієнт + streaming SSE. У Swift зручно через AsyncThrowingStream для стрімінгових відповідей. У Kotlin — через Flow.

Критично важливо: API-ключі ніколи не зберігаються в бандлі застосунку. Навіть обфускований ключ витягується з IPA за 10 хвилин через strings або frida. Правильна архітектура: мобільний застосунок → власний backend → OpenAI API. Backend контролює rate limiting, логує запити, захищає ключ.

Що входить у роботу (результати)

• Навчена та квантизована модель під цільовий пристрій (документація за метриками)
• SDK для інтеграції (Swift/Kotlin/Flutter) з прикладами виклику
• Тести продуктивності на 3–5 реальних пристроях
• Інструкція з оновлення моделі OTA
• Підтримка при проходженні модерації App Store / Google Play (перевірка відповідності Guidelines 4.2, 5.1)
• 2 тижні технічної підтримки після релізу

Типовий пайплайн проекту

1. Аналіз завдання — вимірюємо latency, privacy, size, підтримувані пристрої.
2. Прототипування моделі — в Python, оцінка accuracy на цільових даних.
3. Конвертація та квантизація — під CoreML/TFLite з валідацією.
4. Інтеграція в застосунок — модель обгортається в сервісний шар (легко замінювати CoreML → TFLite → хмара).
5. Тестування — на реальних пристроях, вимір FPS, RAM, батареї.
6. Деплой — через TestFlight / Firebase App Distribution, моніторинг метрик.

Терміни: інтеграція готової CoreML/TFLite моделі — 1–2 тижні, розробка кастомної моделі з мобільною оптимізацією — від 6 тижнів, on-device LLM чат з персоналізацією — 4–8 тижнів.

Чому ми беремося за складні кейси?

10+ років досвіду в мобільній розробці, 50+ впроваджених AI/ML рішень, гарантія сумісності з актуальними версіями iOS та Android. Всі проекти проходять code review та навантажувальне тестування. У вартість вже входить підготовка документації для модерації та навчання вашої команди.

Зв'яжіться з нами — ми допоможемо вибрати архітектуру та впровадити ML у ваш застосунок під ключ. Замовте аудит наявного рішення — безкоштовно оцінимо потенціал економії серверних витрат. Отримайте консультацію експерта — напишіть нам сьогодні.