Эйчары чилят, работа делается: как мы научили ИИ-сервис обрабатывать тысячи резюме за несколько минут

Идея сервиса появилась примерно год назад, когда мы работали над другим ML-проектом.

ML (Machine Learning) — Машинное обучение — подраздел искусственного интеллекта, который использует техники, чтобы обучать системы выполнять определенные задачи на основе представленных данных.

Мы значительно расширялись — пополняли штат на десятки человек, рекрутеры ежедневно просматривали сотни резюме. Виртуальная пачка CV росла, а число HR-специалистов — нет. Когда очередь из резюме выросла до четырехзначного числа, мы поняли, что пора автоматизировать этот процесс. Кроме того, обрабатывать руками сотни резюме — жутко дорого и долго. А тратить ресурсы специалистов на такие механические задачи по меньшей мере расточительно.

В итоге мы сменили вектор развития нашего ML-проекта и переформатировали его для HR-сферы. Так появился Наниматор.

К этому моменту мы уже использовали:

Наш сервис изучил и проанализировал входные данные: мы загрузили резюме кандидатов, которые подошли и не подошли нашей компании. А еще «рассказали» ему, какие требования к соискателям есть у нас в вакансиях. Так Наниматор научился отличать «хорошие» резюме от «плохих» — иными словами, нашел закономерности. Он также начал определять спецификации по вакансии и учитывать релевантность опыта успешных кандидатов.

Модель исследует требования, указанные в объявлении о вакансии, и сравнивает их с информацией в резюме. Это помогает выявить соответствие между ожиданиями работодателя и представленной соискателями информацией.

Алгоритмы смотрят на опыт успешных кандидатов, сопоставляют их характеристики и признаки с новыми резюме, чтобы выделить общие черты подходящих соискателей. В общем, из тысячи неразобранных CV, попавших к нам, Наниматор выбрал 50 наиболее подходящиx, которые мы отдали нашим HR-специалистам. Через две недели они вернулись с восторженными отзывами — наши алгоритмы отлично справились. Так мы продолжили работу над сервисом.

Важный момент: модель полностью исключает человеческий фактор в обработке резюме. Наниматор не может отказать кандидату из-за его внешности или забыть положить резюме в папку, потому что устал. Он вообще не может никому отказать, он лишь сортирует кандидатов от наиболее подходящих к наименее подходящим и рекомендует как можно быстрее связаться с теми, кто подходит на позицию больше всего.

Чтобы пользоваться Наниматором было удобно, мы посмотрели, как устроены популярные платформы для поиска работы: как там происходит заполнения резюме, что от соискателей ждут работодатели. Взяв за основу результаты этого небольшого анализа, мы продумали пользовательский путь и воплотили его в интуитивно понятном интерфейсе.

Дизайн получился максимально «чистым»:

Мы создавали Наниматор для нужд нашей компании. Но через 5 месяцев он показал эффективность, поэтому мы выпустили его на российский рынок.

С помощью готовых моделей рекрутеры могут протестировать сервис и понять, как он работает. Мы предлагаем несколько моделей, обученных на наиболее распространенных вакансиях в ИТ-сфере: руководитель проектов, системный аналитик, продуктовый дизайнер, фронтенд-разработчик и других. Но для того, чтобы получить лучший эффект, необходимо создать собственные уникальные модели, основанные на данных конкретной компании.

В этом мы помогаем заказчикам: самостоятельно отбираем резюме для обучения алгоритмов, учитывая необходимые ключевые навыки, и обогащаем их реальными данными компании. Так происходит масштабирование этих данных. Именно из-за этого мы не используем облачное решение, только On-Premise лицензию – компании не хотят (и не должны) делиться данными своих сотрудников.

Весь прошлый год мы исследовали HR-процессы крупного банка со штатом в 10 тысяч сотрудников. Мы изучали подбор, интервью, наём, онбординг, обучение и непосредственную работу персонала.

И выяснили, что за 2023 год организация наняла 2 тысячи линейных сотрудников и потратила ресурсы на их обучение и работу. Но 30% этих работников уволились в первые 3 месяца. Банк потерял на этом 50 млн рублей.

Если бы они использовали Наниматор, то смогли бы уменьшить убытки на наём и содержание персонала. Он снижает число увольнений по инициативе любой из сторон. Как он это делает? В качестве положительных примеров в Наниматор попадают сотрудники из выборки тех, кто прошел уже испытательный срок, либо работает в компании больше года.

Сервис также сокращает стоимость найма за счет того, что HR-специалисты быстрее закрывают вакансии и тратят существенно меньше времени на скоринг резюме — сервис обрабатывает 100 резюме за 10 минут. Рекрутерам для обработки тех же 100 резюме требуется 5 часов.