ШI-платформа для автоматизації рекрутингу

Завдання

Рекрутинг завжди балансує між швидкістю та якістю. Роботодавці мають оперативно знаходити найбільш кваліфікованих кандидатів, одночасно знижуючи ризик упередженості, людських помилок і неефективності. Ручне опрацювання великої кількості резюме займає багато часу та часто є непослідовним, а традиційні співбесіди нерідко не дають об’єктивної чи комплексної оцінки. З іншого боку, самі кандидати також стикаються з труднощами у самопрезентації. Багатьом бракує структурованого зворотного зв’язку щодо їхніх навичок, техніки проходження співбесід та стилю спілкування. Це ускладнює можливість вчитися на попередньому досвіді та цілеспрямовано вдосконалюватися.

Нашим завданням було створити рішення, яке прискорює найм, зменшує упередженість і покращує процес прийняття рішень для роботодавців, водночас надаючи пошукачам практичне середовище для тренування та розвитку. Для цього ми використали можливості штучного інтелекту, щоб автоматизувати та стандартизувати процеси, а також забезпечити персоналізоване навчання для кандидатів.

Такий подвійний підхід не лише зменшує витрати та час на підбір персоналу, а й підвищує якість списків відібраних претендентів для HR-команд. Кандидати ж стають краще підготовленими та впевненішими в собі, що істотно підвищує їхні шанси на успіх.

Огляд рішення

Ми створили платформу, яка надає роботодавцям розумні інструменти для автоматичного аналізу резюме, порівняння навичок із вимогами вакансії та проведення структурованих співбесід на базі ШІ. Водночас кандидати отримують реалістичне середовище для підготовки до співбесіди. Інтегруючи обидві перспективи, платформа формує безперервний цифровий процес.

Резюме та описи вакансій спершу перетворюються у структуровані дані за допомогою моделей обробки природної мови, що дозволяє автоматизовано та прозоро порівнювати профілі кандидатів з вимогами до посади. Етап співбесіди проводиться за участю діалогових AI-агентів, які формулюють питання відповідно до вакансії, ведуть сесію та оцінюють повноту відповідей. Кандидати можуть використовувати текстовий чи голосовий формати проведення інтерв'ю, а автоматична транскрипція гарантує однакову точність обробки усних і письмових відповідей.

Після кожної співбесіди система формує структуровану оцінку, що охоплює технічні та “софт” навички, стиль комунікації та загальну відповідність посаді. Роботодавці отримують аналітичні звіти та порівняння кандидатів, а пошукачі – персоналізовані рекомендації щодо можливих поліпшень. Усі дані зберігаються у структурованій реляційній базі даних, що забезпечує узгодженість на всіх етапах рекрутингу.

Технічні деталі

Наша система побудована на легкій, але масштабованій архітектурі. Бекенд реалізовано як набір сервісів FastAPI, які здійснюють виклики до мовних моделей через LangChain – фреймворк, який забезпечує керування шаблонами промптів, введення контексту та парсинг результатів. Відповіді кандидатів фіксуються, обробляються та перетворюються на структуровані оцінки, перш ніж записуються в таблиці PostgreSQL.

Схема бази даних стала важливим архітектурним рішенням проєкту. Ми реалізували нормалізовану структуру з окремими сутностями для вакансій, кандидатів, заявок, співбесід і відгуків. Щоб врахувати варіативність результатів, згенерованих ШІ, ключові таблиці містять поля JSONB, що дозволяють зберігати гнучкі об’єкти (наприклад, розподіл навичок, сильні сторони, поради щодо розвитку). Це усунуло потребу в частих міграціях схеми, зберігаючи цілісність реляційної моделі.

Для фронтенду було обрано Node.js і TypeScript через зрілість їхньої екосистеми та простоту створення багатомовних інтерфейсів. Платформа підтримує англійську та німецьку мови, а також має готові механізми локалізації для подальшого розширення. Панелі інструментів для кандидатів і роботодавців побудовані як модулі, які безпосередньо взаємодіють із бекендом через REST API.

Початкове розгортання здійснено на VPS-серверах Hetzner (2–4 vCPU та 8–16 GB RAM), що достатньо для обробки API-запитів і базової інтеграції LLM. Сервіси контейнеризовані за допомогою Docker, що спрощує подальшу міграцію до Kubernetes або іншого рівня оркестрування після збільшення навантаження.

Аутентифікація на ранніх етапах була спрощена, з частковим публічним доступом для швидкого тестування. У продакшн-версії працює функція безпеки на рівні рядків від Supabase та автентифікація на основі JWT, що забезпечує безпечну ізоляцію даних користувачів. Інтеграція зі Stripe дозволяє монетизувати платформу через підписки та модель оплати за використання (pay-per-use). Google Tag Manager і кастомна аналітика допомагають відстежувати поведінку користувачів і вдосконалювати продукт.

Щодо навантаження, платформа є достатньо легкою, аби працювати на інфраструктурі VPS середнього рівня із підтримкою близько 200 активних користувачів одночасно. Масштабування можливе завдяки горизонтальній реплікації контейнерів бекенду та об’єднання підключень до бази даних.