AI-система поиска экспертов внутри компании — Expertise Locator

Разработка AI-системы поиска экспертизы внутри компании

Представьте: в компании 5000 сотрудников, и вам срочно нужен специалист по Kubernetes. Вы спрашиваете коллег, листаете оргструктуру, пишете в общий чат — теряете часы. В крупных корпорациях поиск узкого эксперта отнимает до 8 часов в неделю у каждого менеджера, а 40% сотрудников обладают скрытой экспертизой, не отражённой в HR-системе. Экономия бюджета на поиск экспертов составляет до 500 000 рублей в год для компаний от 500 сотрудников. А ответ уже есть в данных: кто-то писал статьи во внутренней wiki, коммитил Helm-чарты на GitHub и отвечал на вопросы в Slack. Мы научили AI собирать эти сигналы в единый профиль экспертизы.

Expertise Locator — система поиска экспертов, которая строит карту компетенций из неструктурированных данных. Она работает быстрее и точнее ручного поиска в 10 раз. В основе — комбинация эмбеддингов, векторных БД и графовых алгоритмов. Ниже разберём, как мы это делаем.

Почему обычный поиск сотрудников неэффективен?

Традиционные методы — HR-базы, внутренние соцсети — полагаются на самооценку или ручное заполнение. Реальная экспертиза часто скрыта: разработчик не указывает знание PyTorch, хотя 2 года обучает модели. Мы анализируем фактические артефакты: код, документы, обсуждения. Вот сравнение подходов:

Как идентифицируется неявная экспертиза?

Мы подключаем три группы источников, каждая даёт разные типы сигналов:

Каждый сигнал получает вес: популярная статья с 1000 просмотров — больший вклад, чем единичный ответ в Slack. Агрегируем через взвешенную сумму и строим эмбеддинг профиля (1024+ мерности).

Пример кода сборки профиля

class ExpertiseProfileBuilder:
    def build_profile(self, employee_id: str) -> ExpertiseProfile:
        signals = []

        # Confluence: анализ написанных страниц
        wiki_pages = self.confluence.get_authored_pages(employee_id)
        for page in wiki_pages:
            topics = self.topic_extractor.extract(page.content)
            signals.extend([ExpertiseSignal(
                source="wiki",
                topic=t.topic,
                strength=t.score * page.views / 100,  # популярные страницы = больший вес
                evidence_url=page.url
            ) for t in topics])

        # GitHub: коммиты по типам файлов и библиотекам
        commits = self.github.get_commits(employee_id)
        tech_usage = analyze_tech_stack(commits)
        signals.extend([ExpertiseSignal(source="github", topic=tech, strength=freq)
                        for tech, freq in tech_usage.items()])

        # Slack: темы обсуждений, на которые отвечает сотрудник
        slack_answers = self.slack.get_answers_given(employee_id)
        answer_topics = self.topic_extractor.extract_batch([a.text for a in slack_answers])
        signals.extend(answer_topics)

        # Агрегация: взвешенная сумма по источникам
        expertise_map = aggregate_signals(signals)

        return ExpertiseProfile(
            employee_id=employee_id,
            expertise=expertise_map,
            top_skills=sorted(expertise_map.items(), key=lambda x: x[1], reverse=True)[:20],
            last_updated=datetime.utcnow()
        )

Поиск эксперта по запросу

def find_experts(
    query: str,
    filters: ExpertFilters = None,
    top_k: int = 5
) -> list[ExpertMatch]:

    # Семантическое сопоставление запроса с профилями экспертизы
    query_embedding = encoder.encode(query)
    expert_embeddings = load_expert_embeddings()

    similarities = cosine_similarity(query_embedding, expert_embeddings)
    top_indices = np.argsort(similarities)[-top_k:][::-1]

    results = []
    for idx in top_indices:
        expert = experts[idx]

        # Применение фильтров: отдел, локация, доступность
        if filters and not filters.matches(expert):
            continue

        results.append(ExpertMatch(
            employee=expert,
            relevance_score=similarities[idx],
            matching_skills=extract_matching_skills(query, expert.expertise),
            availability=check_calendar_availability(expert.employee_id),
            evidence=[s for s in expert.signals if s.relevance_to(query) > 0.6]
        ))

    return results

Что входит в работу

Мы поставляем:

• Документацию: архитектура, API, инструкции по интеграции.
• Доступы: к системе через веб-интерфейс и REST API.
• Обучение: 2–3 воркшопа для команды и администраторов.
• Поддержку: 3 месяца после запуска (режим 8/5).

Процесс внедрения

1. Аналитика: аудит доступных источников, оценка объёма данных, определение приоритетных сигналов.
2. Проектирование: выбор архитектуры (векторная БД, модель эмбеддингов), настройка пайплайна.
3. Реализация: написание интеграций, обучение модели, разработка UI поиска.
4. Тестирование: проверка на пилотных запросах, A/B-тест с ручным поиском.
5. Деплой: развёртывание на инфраструктуре заказчика (on-premise или cloud).

Ориентировочные сроки

От 4 недель — для базовой версии (2 источника, 500+ сотрудников). Комплексное внедрение с графом знаний и интеграцией 5+ источников — до 3 месяцев. Стоимость рассчитывается индивидуально после аудита.

Граф знаний компании: антихрупкость

Помимо поиска людей, система строит граф знаний. Он показывает:

• Какие технологии покрыты хорошо, а где зияют пробелы.
• Single point of failure: один эксперт в критичной области — риск ухода.
• Ключевых коннекторов между командами (людей, через которых проходят кросс-командные связи).

Для HR и топ-менеджмента — это основа для решений о найме, развитии и ротации.

Как система строит граф знаний?

Анализируя связи между профилями экспертизы, система выявляет кластеры компетенций и автоматически строит граф. Каждый узел — сотрудник, каждое ребро — общая тема с весом, пропорциональным силе пересечения. Это позволяет визуализировать покрытие технологий и находить скрытые связи между отделами.

Почему выбирают нас

Мы внедрили Expertise Locator для 30+ компаний (от 200 до 10 000 сотрудников). Наш опыт в NLP и графовых базах — 5+ лет. Система работает на данных, а не на догадках. Хотите такую же? Свяжитесь с нами — оценим ваши данные за 2 дня и предложим план.

Система использует косинусную близость эмбеддингов — метод cosine similarity, широко применяемый в семантическом поиске.

Получите консультацию: мы проведём аудит ваших данных и покажем, как Expertise Locator сократит время поиска экспертов на 80%.

NLP разработка: классификация текстов, NER, эмбеддинги и извлечение информации

К нам приходит задача: обрабатывать 50 тысяч обращений в службу поддержки — сейчас всё вручную. Датасет — 3000 размеченных примеров, 12 категорий, дисбаланс: одна категория занимает 40% выборки, три по 1-2%. Baseline accuracy — 78%. Звучит неплохо, пока не смотришь на recall по редким классам: 0.31, 0.44, 0.28. Именно эти классы — жалобы и угрозы оттока — важнее всего бизнесу.

Это типичный проект NLP разработки. Проблема не в алгоритме, а в том, что accuracy — не та метрика. Наш опыт показывает: в 30+ проектах мы начинаем с анализа бизнес-метрик и только потом выбираем модель.

Почему accuracy — не та метрика для редких классов?

Accuracy игнорирует дисбаланс. Если класс «отток» встречается в 2% случаев, модель может предсказывать «всё хорошо» и получить 98% accuracy — но бизнес теряет клиентов. Решение: F1 macro (усреднение по всем классам) или weighted F1. Для NER — strict entity F1 (только точные совпадения). Гарантируем: после выбора правильной метрики качество модели становится измеримым и прогнозируемым.

Классификация текста: от BERT до дистилляции

BERT-подобные модели — стандарт для классификации. ruBERT-base или ruBERT-large от DeepPavlov для русского языка. multilingual-e5-large — если нужно работать с несколькими языками в одном пайплайне. XLM-RoBERTa-large — сильный multilingual backbone.

Fine-tuning для классификации: добавляем classification head поверх [CLS]-токена, обучаем 3-5 эпох с lr=2e-5, weight decay=0.01. При дисбалансе — weighted CrossEntropyLoss или focal loss с gamma=2.0. Пишите — покажем code snippet.

Кейс с дисбалансом. Датасет — 3000 примеров, дисбаланс 1:20. Решение: class_weight через sklearn + CrossEntropyLoss. Дополнительно — augmentation редких классов через backtranslation (ru→en→ru через MarianMT). Recall по редким классам вырос с 0.31 до 0.67 при незначительном падении accuracy (76%→74%). Полная NLP разработка под ключ заняла 3 недели.

Дистилляция для production. BERT-large даёт F1 0.89, но inference на CPU — 180ms. Дистилляция в DistilBERT или ruBERT-tiny2 снижает latency до 25ms при F1 0.84. Экспорт в ONNX Runtime даёт дополнительный 1.5-2x. Оценим проект — рассчитаем экономию на инфраструктуре.

NER: распознавание именованных сущностей

NER — извлечение персон, организаций, локаций, дат, сумм, номеров документов. Для общих категорий (PER, ORG, LOC) предобученные модели работают хорошо. Для специализированных (медицинские термины, юридические понятия) — нужен fine-tuning.

Разметка данных. Основная стоимость NER-проекта. Для качественной модели — 500-2000 размеченных предложений на каждый тип сущности. Инструменты: Label Studio (open source) или Prodigy (от создателей spaCy). Формат IOB2 — стандарт.

Архитектура. Token classification поверх BERT: каждому токену метка (B-PER, I-PER, O). spaCy 3.x с transformer pipeline — удобный production-выбор.

Вложенные сущности. Стандартные IOB-модели не обрабатывают вложенные сущности (организация внутри адреса). Для таких задач — span-based NER: SpanBERT или SpERT. Сложнее, но правильно.

Постобработка обязательна. Модель предсказывает токены — нужны нормализованные сущности. Дата — dateparser. Суммы — regex + валидация. Имена — дедупликация через rapidfuzz. Входит в нашу стандартную поставку.

Sentiment Analysis и opinion mining

Бинарная классификация positive/negative работает с BERT из коробки. Сложность — аспектная тональность (ABSA): «в ресторане хорошая кухня, но ужасный сервис». Для ABSA: aspect extraction (NER) + sentiment по каждому аспекту. Joint модели BERT-for-ABSA — качество на русских данных ниже из-за дефицита датасетов. RuSentiment, SentiRuEval — основные ресурсы.

Для продакшена с простым позитив/негатив/нейтраль: distil-модели достаточно. Три класса, balanced датасет, 2000+ примеров — F1 macro 0.82-0.87 за 1-2 дня.

Суммаризация текста

Экстрактивная суммаризация (выбираем предложения) — TextRank или BM25 без обучения. Быстро, не галлюцинирует. Хорошо для длинных документов.

Абстрактивная (генерирует новый текст) — seq2seq: mT5, mBART, FRED-T5, ruT5-large. Для production через LLM API (GPT-4, Claude) — часто лучший трейдофф стоимость/качество/скорость.

Эмбеддинги: векторные представления текста

Эмбеддинги — основа семантического поиска, дедупликации, кластеризации, RAG. Качество критически влияет на downstream задачи.

Модели. E5-large-v2, BGE-M3, multilingual-e5-large — сильные multilingua embedders. sentence-transformers/paraphrase-multilingual-mpnet-base-v2 — быстрый вариант. Для русского: ru-en-RoSBERTa (Skoltech) хорош на semantic textual similarity.

Как оценить качество эмбеддингов? MTEB benchmark — стандарт. Но топовые результаты на MTEB не гарантируют успех на доменном датасете — строим домен-специфичный eval.

Fine-tuning эмбеддингов. Если стандартные модели не дают нужного Recall@k — contrastive learning на доменных парах с MultipleNegativesRankingLoss. 500-2000 пар, 1-3 эпохи — 5-15% прирост Recall@k.

Размерность и хранение. E5-large: 1024 dim, float32 — 4KB на вектор. При 10M документов — 40GB. Квантизация int8 снижает до 10GB. FAISS IVF_PQ — ещё компактнее, но с потерями. Входит в наши рекомендации по деплою.

Извлечение информации

Структурированное извлечение — одна из частых задач. Примеры: ключевые условия договора, технические характеристики, даты и суммы из счетов.

1. Regex + rule-based. Для ИНН, ОГРН, сумм, дат — надёжнее нейросети. Не требует данных.
2. NER + постобработка. Для вариативных форматов.
3. LLM с structured output. GPT-4 / Claude с JSON schema — для сложных документов. Стоимость: ~$0.001-0.01 на документ. Для 10k+ документов/день — считаем экономику.

Гарантируем гибрид: regex/NER для типовых полей + LLM для edge cases. Сертификат доверия: 5 лет на рынке, >30 проектов.

Этапы работы

Прототип на существующих данных — 1-3 недели. Production-система с CI/CD — 1.5-2.5 месяца. Стоимость рассчитывается индивидуально — напишите, получите консультацию и оценку.

Что входит в работу

• Документация по архитектуре модели и пайплайну
• Доступы к модели через REST API (FastAPI + ONNX)
• Обучение команды заказчика (2 часа вебинара + Q&A)
• Гарантия на точность модели на оговоренной тестовой выборке
• Поддержка 3 месяца после сдачи (багфикс, адаптация под новые данные)

Наш опыт

Более 5 лет в NLP, 30+ проектов от классификации до RAG-систем. Команда включает ML-инженеров с опытом в Hugging Face, spaCy, LangChain, MLOps. Используем vLLM, Kubeflow, Weights & Biases — продакшен-стек, а не игрушки. Пишите — оценим проект за 2 дня.