2433 HRom: HR ассистент для выявления несоответствий в легенде кандидата

Шевелев Александр Евгеньевич

руководитель проекта

Семичаснов Илья Владимирович

руководитель направления

Заявка создана

28.11.2025

Одобрен

15.12.2025

Паспорт проекта

Аннотация

Обоснование актуальности: На 2025 год рынок IT найма можно назвать "перегретым", компаниям приходится отсматривать тысячи кандидатов на одну вакансию, что влечет за собой проблемы IT работодателям. Критическая проблема компаний и рекрутеров - ошибка найма кандидата, равная 6 окладам нанятого, а также отсутствие глубокой системы фильтрации кандидатов на этапе первичного скрининга/HR интервью. В следствие чего, компании теряют свои деньги, а проблема становится все более актуальной. Задумка...

Отрасль

Информатика

Цель

Основная цель — спроектировать и запустить на глобальный IT‑рынок AI‑платформу для найма, которая на этапе анализа резюме и первичного скрининга автоматически выявляет несоответствия и противоречия в профиле кандидата, тем самым снижая затраты компаний на отбор неподходящих кандидатов на поздних стадиях воронки подбора.

Ожидаемые результаты

1. Архитектура и ядро системы
- 1.1. Реализовать модульную архитектуру на основе ансамбля больших языковых моделей (LLM), обеспечивающую гибкость и масштабируемость
- 1.2. Настроить взаимодействие между компонентами ансамбля: модулями обработки текста, анализа противоречий и верификации фактов.
- 1.3. Обеспечить интеграцию с внешними источниками данных (например, GitHub, LinkedIn, публичные профили) для кросс-проверки заявленной информации.
2. Модели машинного обучения

Форма и способы промежуточного контроля

1. Еженедельные онлайн встречи с командой: Проводим еженедельные встречи для обсуждения достижений за прошедший "мини-спринт". 2. Групповой чат с ежедневными сообщениями: Создаем групповой чат для оперативного обмена информацией. Каждый участник должен сформировать небольшой текстовый отчет деятельности, ответив на три вопроса: 1. Что было сделано за прошедший день 2. Планы на текущий день 3. Проблемы возникшие на данном этапе решения задачи 3. Промежуточные отчеты: Участники ежецикленно...

Форма представления результатов

Q1 2026 (январь — март) — Ядро системы и первые модели Проектирование и развертывание модульной архитектуры на основе ансамбля больших языковых моделей (LLM). Настройка базового pipeline обработки резюме: извлечение текста из PDF, DOCX, TXT. Разработка и обучение первых специализированных нейросетевых моделей (не LLM): модель детекции хронологических несоответствий, модель анализа стилистических аномалий. Создание внутреннего REST API для взаимодействия между ML-модулями и будущим...

Ресурсное обеспечение

Участникам команды необходимо иметь: - ОС: Любая Минимальные системные требования: * *- ЦПУ: Процессоры x64 с поддержкой SSE4.2, от четырехъядерных процессоров Intel или AMD с частотой 2,5+ ГГц * *- ОЗУ: от 8 Гб * *- Хранилище: Не менее 256 Гб свободного места.