ИИ-платформа для автоматизации рекрутинга

Задача

Рекрутинг всегда балансирует между скоростью и качеством. Работодателям необходимо оперативно находить наиболее квалифицированных кандидатов, одновременно снижая риск предвзятости, человеческих ошибок и неэффективности. Ручная обработка большого количества резюме занимает много времени и часто приводит к непоследовательным результатам, а традиционные собеседования нередко не дают объективной и комплексной оценки. Соискатели, в свою очередь, также сталкиваются с трудностями в самопрезентации. Многим не хватает структурированной обратной связи относительно их навыков, техники прохождения собеседований и стиля общения. Это затрудняет возможность учиться на предыдущем опыте и целенаправленно совершенствоваться.

Нашей задачей было создать решение, которое ускоряет найм, уменьшает предвзятость и улучшает процесс принятия решений для работодателей, одновременно предоставляя кандидатам практическую среду для тренировки и развития. Для этого мы использовали возможности искусственного интеллекта, чтобы автоматизировать и стандартизировать процессы, а также обеспечить персонализированное обучение для соискателей.

Такой двойной подход не только сокращает затраты и время на подбор персонала, но и повышает качество списков отобранных претендентов для HR-команд. Кандидаты же становятся лучше подготовленными и более уверенными в себе, что существенно повышает их шансы на успех.

Обзор решения

Мы создали платформу, которая предоставляет работодателям умные инструменты для автоматического анализа резюме, сопоставления навыков с требованиями вакансии и проведения структурированных собеседований на базе ИИ. В то же время кандидаты получают реалистичную среду для подготовки к интервью. Интегрируя обе перспективы, платформа формирует непрерывный цифровой процесс.

Резюме и описания вакансий сначала преобразуются в структурированные данные с помощью моделей обработки естественного языка, что позволяет автоматизировано и прозрачно сравнивать профили кандидатов с требованиями к должности. Этап собеседования проводится с участием диалоговых AI-агентов, которые формулируют вопросы в соответствии с вакансией, ведут сессию и оценивают полноту ответов.

Кандидаты могут использовать текстовый или голосовой форматы проведения интервью, а автоматическая транскрипция гарантирует одинаковую точность обработки устных и письменных ответов.

После каждого собеседования система формирует структурированную оценку, охватывающую технические и “софт” навыки, стиль коммуникации и общее соответствие должности. Работодатели получают аналитические отчеты и сравнение кандидатов, а соискатели – персонализированные рекомендации по возможным улучшениям. Все данные хранятся в структурированной реляционной базе данных, что обеспечивает согласованность на всех этапах рекрутинга.

Технические детали

Наша система построена на легкой, но масштабируемой архитектуре. Бэкенд реализован как набор сервисов FastAPI, которые осуществляют вызовы к языковым моделям через LangChain – фреймворк, обеспечивающий управление шаблонами промптов, ввод контекста и парсинг результатов. Ответы кандидатов фиксируются, обрабатываются и преобразуются в структурированные оценки, прежде чем сохраняются в таблицы PostgreSQL.

Схема базы данных стала важным архитектурным решением проекта. Мы реализовали нормализованную структуру с отдельными сущностями для вакансий, кандидатов, заявок, собеседований и отзывов. Чтобы учесть вариативность результатов, генерируемых ИИ, ключевые таблицы содержат поля JSONB, позволяющие хранить гибкие объекты (например, распределение навыков, сильные стороны, рекомендации по развитию). Это устранило необходимость в частых миграциях схемы, сохраняя целостность реляционной модели.

Для фронтенда были выбраны Node.js и TypeScript из-за зрелости их экосистемы и простоты создания многоязычных интерфейсов. Платформа поддерживает английский и немецкий языки, а также имеет готовые механизмы локализации для дальнейшего расширения. Панели инструментов для кандидатов и работодателей построены как модули, которые напрямую взаимодействуют с бэкендом через REST API.

Первоначальное развертывание осуществлено на VPS-серверах Hetzner (2–4 vCPU и 8–16 GB RAM), что достаточно для обработки API-запросов и базовой интеграции LLM. Сервисы контейнеризованы с помощью Docker, что упрощает дальнейшую миграцию в Kubernetes или другой уровень оркестрации при росте нагрузки.

Аутентификация на ранних этапах была упрощена, с частичным публичным доступом для быстрого тестирования. В продакшн-версии включена функция безопасности на уровне строк от Supabase и аутентификация на основе JWT, что обеспечивает безопасную изоляцию данных пользователей. Интеграция со Stripe позволяет монетизировать платформу через подписки и модель оплаты за использование (pay-per-use). Google Tag Manager и кастомная аналитика помогают отслеживать поведение пользователей и совершенствовать продукт.

Что касается нагрузки, платформа достаточно легкая, чтобы работать на инфраструктуре VPS среднего уровня с поддержкой около 200 активных пользователей одновременно. Масштабирование возможно благодаря горизонтальной репликации контейнеров бэкенда и объединению подключений к базе данных.