Разработка AI-системы для HR и рекрутинга

Разработка AI-системы для HR и рекрутинга

HR — одна из отраслей, где субъективность принятия решений максимальна. AI стандартизирует оценку кандидатов, сокращает time-to-hire и прогнозирует удержание сотрудников — не заменяя HR, а убирая рутину и предвзятость.

AI-рекрутинг

Автоматическая обработка резюме (CV Parsing и Matching)

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

Structured Interview Automation:

AI-ассистент для проведения структурированного интервью:

• Генерация вопросов по STAR-методологии на основе требований вакансии
• Транскрипция видеоинтервью (Whisper) + NLP-анализ ответов
• Оценка по заданным компетенциям (автоматическое rubric scoring)

Bias Mitigation:

Основная этическая проблема AI в HR — закрепление исторических предвзятостей:

• Удаление демографических признаков (имя, фото, возраст, пол) из признаков модели
• Fairness metrics: демографический паритет, равенство шансов между группами
• Adversarial debiasing: обучение классификатора + adversarial network, удаляющей признаки защищённых атрибутов
• Обязательный human-in-the-loop для финальных решений (ТК РФ запрещает автоматические решения о найме без участия человека)

Прогнозирование удержания и оттока

Early Warning для оттока сотрудников:

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

При P(attrition) > 0.6 → автоматическое уведомление HR BP с рекомендациями: разговор о карьере, пересмотр компенсации, перевод в другой отдел.

Управление производительностью

Continuous Performance Management:

Замена ежегодного Performance Review на непрерывный мониторинг:

• OKR tracking: прогресс по целям в реальном времени
• Peer feedback aggregation: NLP-обработка обратной связи → тематические инсайты
• Recognition patterns: кто чаще получает признание → корреляция с результативностью

Прогноз высокого потенциала (High Potential Identification):

ML-модель на исторических данных: какие признаки характеризуют будущих лидеров:

• Кросс-функциональная вовлечённость, инициативы
• Темп роста показателей эффективности
• Нетворкинг: центральность в корпоративной социальной сети (ONA — Organizational Network Analysis)

People Analytics

Workforce Planning:

• Прогноз потребности в персонале по функциям на 1–3 года
• Анализ разрыва компетенций (Skills Gap): что умеет команда vs. что потребует бизнес
• Build / Buy / Borrow решение: обучить внутри, нанять или взять подрядчика

Организационная аналитика:

• Выявление «перегруженных» сотрудников (center nodes в ONA + overtime data)
• Команды с высокими коммуникационными барьерами
• Time in meetings analysis: >60% времени в совещаниях → alert для менеджера

Срок разработки: 4–7 месяцев для HR AI платформы с CV matching, retention prediction и people analytics с интеграцией в 1С:ЗУП, SAP HCM или BambooHR.