AI-помощник для HR
Автоматизация анализа резюме кандидатов в крупной торговой компании с точностью 90%
Когда в компании растет поток кандидатов, рано или поздно ручная сортировка превращается в хаос. Особенно если нужно отсматривать десятки резюме ежедневно. Тогда бизнес начинает искать способ сделать процесс подбора более быстрым, прозрачным и не зависящим от конкретного человека или количества новых заявок.
С такой ситуацией столкнулся лидер в дистрибуции и производстве электроники и бытовой техники VVP Group, и мы реализовали для компании решение с искусственным интеллектом.
С какими проблемами столкнулся клиент
Компания VVP Group занимается поставками широкой номенклатуры зарубежной техники. Подбор персонала в эту растущую команду происходит через внутреннюю форму и анкеты на HeadHunter.
Вся информация сводится в одну большую таблицу Excel — сейчас в ней уже более 15 000 человек. HR-специалисты анализировали эти заявки и вручную выделяли строки цветом:
В какой-то момент стало понятно: нужна автоматизация, иначе ручная экспертиза тормозит развитие бизнеса.
Ключевая цель проекта
Создать нейросеть, которая на основе накопленных данных будет определять, стоит приглашать кандидата на собеседование или нет.
Это означало не просто построить классификатор, а фактически воссоздать логику человеческой оценки: иногда субъективной, иногда основанной на нюансах. При этом технического задания не было, только цветные ячейки в таблице как обучающая выборка.
Как мы это реализовали
Обработка данных с помощью API ChatGPT
На старте запустили Python-скрипт, который вытаскивал данные из таблицы, обрабатывал их и отправлял в ChatGPT по API. Но результаты оказались неубедительными: нейросеть не понимала контекста, не учитывала отраслевые различия, а разные позиции требовали разных подходов.
Алгоритм оценки кандидатов на основе машинного обучения
В дело вступил специалист по ML. Он внимательно изучил поведение клиента и HR, вывел весовые коэффициенты по 9 критериям (например, полнота резюме, соответствие стажа, наличие рекомендаций) и построил алгоритм на базе этих правил.
Ключевой подход:
- Нейросеть — не единственный компонент
- Значительная часть логики работает по формулам и баллам, с понятной аргументацией.
Оценка кандидатов
Затем мы добавили интеграцию с API HeadHunter: резюме теперь подтягиваются автоматически по ссылке из формы. Сравнение идет построчно и в упрощенном виде выглядит так:
- если в форме указано 1 место работы, а в резюме — 5, это минус балл
- если ожидаемая зарплата выше рынка — еще минус
- если у кандидата есть карьерный рост — плюс
В результате для каждого кандидата система выдает развернутый текстовый ответ с разбивкой по критериям и финальной рекомендацией, то есть объясняя, почему кандидат рекомендован или нет.
Пакетная обработка
Позже по просьбе клиента реализовали пакетную обработку: теперь можно запустить скрипт на оценку всех интересующих кандидатов и получить ответы через 5 минут.
Результаты
На старте совпадение мнений нейросети и заказчика было скромным — около 35%. После доработок точность выросла до 85–90%, и теперь система не просто дублирует ручную работу, а помогает быстро принимать решения, опираясь на обоснованные параметры.
Система помогает автоматизировать и стандартизировать отбор, избавляя от рутины.
85-90%точность совпадения рекомендаций нейросети с мнением клиента
Заинтересовал кейс?
Если у вас есть похожая задача, напишите нам!