Начать проект

Если у вас есть вопросы, вы хотите обсудить проект или пригласить наших экспертов выступить, напишите нам на почту presale@proscom.ru или звоните по телефону +7 495 088-79-93

+7
0/500

О чем писать в сообщении

Расскажите, чем занимается ваша компания, какие бизнес-задачи должен решать цифровой продукт, на какой срок и бюджет вы рассчитываете.

Максимум 3 файла (.jpg, .png, .doc, .xls, .pdf), не более 24Мб в сумме

Нажимая кнопку «Отправить заявку», вы соглашаетесь на обработку персональных данных

~8 мин
Автоматизация
ИИ
Машинное обучение

Робот для HR: как мы научили ИИ-сервис обрабатывать тысячи резюме

Егор Муравьев

CPO

Заказчик

Proscom

Задача

Упростить работу рекрутерам и быстро и эффективно обработать 1000 резюме

Решение

Создать сервис на основе искусственного интеллекта для оценки резюме

1.png

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 расширяли штат, и рекрутеры ежедневно просматривали десятки соискателей. Количество подаваемых резюме росло, а число наших HR-специалистов — нет. А когда очередь из резюме выросла до четырехзначного числа, мы поняли, что пора автоматизировать этот процесс. Мы сменили вектор развития нашего ML-проекта и переформатировали его для HR-сферы. Так появился HRobot.

Автоматическая обработка резюме

Основная проблема заключалась в том, что обрабатывать вручную сотни резюме — очень дорого и долго. Тратить ресурсы специалистов на подобные механические задачи по меньшей мере расточительно. Чтобы оптимизировать этот процесс, мы обратились к искусственному интеллекту.

Мы уже использовали:

  • NLP-модель (Natural Language Processing — обработка естественного языка). Это технология машинного обучения, которая дает возможность интерпретировать и «понимать» язык человека;
  • алгоритмы, которые искали закономерности успешных и неуспешных резюме. Важно отметить, что маркер успешности и неуспешности для обучения модели задает человек, ее обучающий. Так он учит машину отличать хорошее от плохого, показывая примеры подходящих и неподходящих резюме.

Наш сервис изучил и проанализировал входные данные: мы «объяснили» ему, какие резюме подходят, а какие нет. Так HRobot научился отличать одни от других — нашел определенные закономерности. Он стал отслеживать наличие или отсутствие ключевых навыков и опыта, определять спецификации по вакансии и учитывать релевантность опыта успешных кандидатов.

Модель исследовала требования, указанные в объявлении о вакансии, и сравнивала их с информацией в резюме. Это позволило выявить соответствие между ожиданиями работодателя и предоставленной кандидатом информацией.

2.png

Алгоритмы обращались к опыту успешных кандидатов, сопоставляли их характеристики и признаки с новыми резюме, чтобы выделить общие черты успешных кандидатов.

И так из тысячи неразобранных резюме HRobot выбрал 50 наиболее подходящих, которые мы передали HR-специалистам.

Через две недели HR-специалисты вернулись с обратной связью — наши алгоритмы отлично справились — и мы продолжили работу.

Важно отметить, что модель полностью исключает человеческий фактор в обработке резюме. HRobot не может отказать кандидату из-за его внешности или забыть положить резюме в папку, потому что устала. Он руководствуется только навыками и опытом соискателя.

Удобный интерфейс

Чтобы пользоваться HRobot было комфортно, мы проанализировали ряд популярных платформ по поиску работы. Исследовали процессы заполнения резюме, пытались понять, что от соискателей ждут работодатели.

Взяв за основу результаты этого анализа, мы продумали пользовательский путь и воплотили его в простом, интуитивно понятном интерфейсе.

3.png

Дизайн получился максимально «чистым»:

  • мы четко обозначили зоны загрузки резюме — можно загружать их «пачкой»;
  • добавили прогресс-бар для демонстрации процесса обработки;
  • оставили ряд подсказок на разных этапах работы с сервисом;
  • показали, где искать результаты.

Модели под заказ

Мы создавали HRobot для нужд компании, но через 5 месяцев он показал эффективность, и мы выпустили его на российский рынок.

На старте мы предлагаем несколько моделей, обученных на наиболее распространенных вакансиях в ИТ-сфере: руководитель проектов, системный аналитик, продуктовый дизайнер, фронтенд-разработчик и других.

С помощью готовых моделей рекрутеры могут протестировать сервис и понять, как он работает. Но для того, чтобы получить максимальный эффект, необходимо создать собственные уникальные модели, основанные на данных компании.

4.png

Для этого мы помогаем создавать новые модели: 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 не используем облачное решение, только on-premise лицензию – компании не должны делиться со всеми данными своих сотрудников.

В результате компания получает набор данных, близкий к идеальному. Он существенно сокращает время на отбор резюме, качественно его улучшает и ускоряет закрытие позиций за счет подбора наиболее релевантных соискателей.

Как HRobot поможет бизнесу

Весь прошлый год мы исследовали HR-процессы одного крупного банка с 10 000 сотрудников. Мы изучали подбор, интервью, наём, онбординг, обучение и непосредственную работу персонала.

Мы выяснили, что за тот год организация наняла 2000 линейных сотрудников и потратила ресурсы на их обучение и работу. Но 30% этих работников уволились в первые 3 месяца. Банк теряет на этом около 50 000 000 рублей в год.

HRobot позволяет уменьшить убытки на наём и содержание персонала, поскольку снижает число увольнений по инициативе работника. Сервис также сокращает стоимость найма за счет того, что HR-специалисты тратят меньше времени на просмотр резюме и быстрее закрывают вакансии. Планы на будущее

HRobot запущен и получает положительные отзывы.

Мы планируем создать версию для соискателей — с помощью HRobot они смогут составить «идеальное» резюме. Массив накопленных обезличенных данных (модели и запросы пользователей из b2b-раздела), аналитика рынка и компетенции партнеров позволят узнать, какие навыки, качества и опыт нужны для улучшения резюме и развития карьеры.