Главная проблема поиска сотрудников — предвзятость. Порой кажется, что наше резюме подходит под свою роль на 100 %, а рекрутер отклоняет его. Проблема с противоположной стороны баррикад: рекрутер должен отсмотреть по 200, 300 и более резюме в день. По разным данным, на каждое уходит всего лишь 6–10 секунд.
А что если можно решить эти две проблемы с помощью ML? Сделать модель, которая исключит любой байес и поможет рекрутеру объективно отбирать подходящих кандидатов (где «подходящесть» обусловлена красивой математикой!).
Мы это сделали. Оказалось, что если вы хотите добиться непредвзятости, то вам придётся внести в систему предвзятость. Оксюморон в статистике!
Что мы увидели:
- Женатые и замужние — в топе: пока вы не уходите глубоко в анализ, этот быстрый фактор повышает ранг. Чем точнее ваша модель, тем меньше его вес.
- Английский — плохо: знание английского почему-то работало как антипаттерн, снижая релевантность.
- ОГУРЕЦ: кто-то зачем-то написал это слово в резюме. Оно попало в словарь модели и получило большой вес.
- Иксель — люди пишут Excel как угодно, и само слово в правильном написании оказалось снижающим оценку.
- К резюме может быть приложено много мусора. Самый эпичный пример: авиабилет Москва — Челябинск вместо резюме.
Но давайте начну с начала.
Контекст подбора в Росатом
Для Росатома нужно нанимать много людей: сейчас мы уже много чего сделали для отрасли в направлении HR Tech: собрали базу данных по кандидатам, развернули карьерный портал. Про функционал внутри него сегодня и пойдёт речь.
Мы увидели проблему: уходит какое-то нереальное количество времени на попытки понять, что в резюме кандидата совпадает с требованиями, а что — нет. Эйчары даже прикалывались, что если они ищут кандидата в своей базе, то нужно посмотреть 100 резюме, а если на Хедхантере — всего 10.
Так появился проект по прикручиванию ML-модели к внутренней базе кандидатов Skillaz для ранжирования резюме по степени сходства с требованиями.
Базовая этика
История с алгоритмом Amazon 2018 года, который дискриминировал женщин при отборе кандидатов, стала хрестоматийным примером рисков непрозрачных алгоритмов. Прежде чем приступать к оценке, мы обсудили базовые этические принципы:
- Окончательное решение — за HR-человеком, а модель лишь помогает, но не заменяет.
- Модель оптимизируется по соответствию вакансии без учёта факторов вроде долей меньшинств или категорий населения, которых нужно нанять.
- Не используем бонусных баллов за выслугу или другие факторы, учитываем только объективное соответствие вакансии.
- Для модели используем только внутренние данные — никакого парсинга соцсетей и других внешних источников.
- Добавляем метрику «Нестандартный кандидат», которая предсказывает возможную ошибку модели, если резюме не укладывается в стандартную модель.
Заказчики:
- HR-отдел. Нужен инструмент, чтобы снизить рутину и быстрее находить подходящих кандидатов из внутренней базы.
- Бизнес. Для тех, кто объявляет вакансию, важно как можно быстрее закрыть её, чтобы не тормозить процессы.
- Руководство. Как только начинается цифровизация, внимание к проекту возрастает в разы.
Как строили модель
Источником данных была наша внутренняя система Skillaz. В ней около 20 NoSQL-таблиц, описывающих заявки, кандидатов и их статусы в воронке. Информация поступала из нескольких каналов: интеграции с HeadHunter, единого карьерного портала Росатома, и немного дополнительных источников.
Проблемы начались сразу. Во-первых, не было подробного документа по структуре данных и связям между сущностями. Пришлось постоянно дёргать коллег из HR, чтобы разобраться, и параллельно самим документировать всё на ходу. Во-вторых, качество данных сильно разнилось. Резюме с HH и портала были чистыми и структурированными. А вот ручные загрузки — часто это просто текст без какого-либо шаблона.
Самой серьёзной проблемой при обработке текстовых полей резюме оказалось отсутствие единого шаблона. Люди разных профессий пишут резюме совершенно по-разному. Некоторые используют стандартные шаблоны с сайтов интернет-рекрутмента, но очень часто встречаются резюме, созданные с помощью сайтов «сделай мне красиво», которые невозможно нормально обрабатывать и разбивать на сущности. А ещё встречается откровенный мусор, о котором — ниже.
Для очистки пришлось применять стандартный набор:
- Удаление HTML, лишних пробелов и т. п.
- Лемматизация, нижний регистр (для Bag-of-Words).
- Отсечение аномально коротких (две-три строки) и длинных (10 + страниц) текстов.
- Удаление найденного мусора (вроде загруженных авиабилетов).
Критерии выбирали сами, без глубокой валидации, кроме контрольной выборки для тестов: её вычистили до блеска.
Как ранжировать — это был один из самых сложных моментов. По «похожести»? По вероятности найма?
- «Похожесть» по навыкам не взлетела: не все поля в базе были заполнены. Сравнивать нечего, когда данных нет.
- Вероятность трудоустройства — нереально: модель не видит результатов собеседований, проверок службы безопасности и других этапов.
- Вероятность согласия на собеседование — не то, что нужно HR.
После долгих обсуждений мы решили опираться на историю продвижения кандидата по воронке. В нашей базе используются статусы и связанное с ними поле order (число от 1 до 18, чем выше — тем дальше кандидат прошёл). Однако использовать бинарную метку (принят/не принят) по эталонным статусам не получилось: данных мало, классы несбалансированы, а статусы вели не всегда аккуратно.
Мы решили нормализовать значение поля order в диапазон [0, 1] и поставили задачу регрессии: предсказать это значение для каждой пары «заявка — резюме». Чем больше значение, тем выше кандидат в итоговом списке.
Алгоритмы
Мы начали с TF-IDF (Term Frequency-Inverse Document Frequency) — базового метода обработки текстов. Он представляет резюме и заявку как наборы слов, взвешивая каждое по его важности: слово тем важнее, чем чаще оно встречается в этом документе, но реже — во всех остальных документах базы. Это позволяет выделить ключевые термины. Хотя этот метод не понимает смысла или синонимов, он быстрый и часто даёт неплохой старт.
Процесс выглядел так:
- Превращали текст резюме и текст заявки в векторы TF-IDF.
- Сравнивали эти векторы через косинусное сходство: измеряли, насколько векторы «смотрят» в одну сторону. Чем ближе к единице, тем больше общих важных слов.
- Подавали эти TF-IDF-векторы (вместе с другими категориальными признаками, если таковые были) на вход классических ML-моделей (XGBoost, CatBoost), чтобы они научились предсказывать наш целевой скор order.
- Экспериментировали с Pairwise TF-IDF (специальный вариант для сравнения пар документов).
Стандартный способ формирования словаря — просто отсечь слишком частые и слишком редкие слова — показал себя плохо. В итоговом словаре оставались названия компаний, городов и всего того, из-за чего модель запоминала не навыки кандидатов, а конкретные компании. Мы пошли другим путём: выбрали только те слова (токены), частота которых коррелировала (положительно или отрицательно) с нашей целевой переменной (order). В результате это дало гораздо более чистый и релевантный словарь.
Полнота базы данных характеристик кандидатов
Полнота базы данных характеристик заявок
Полнота базы данных характеристик вакансий
Эти подходы дали какое-то базовое качество, но оно всё ещё заставляло желать лучшего. Особенно для сложных случаев, где важен не просто набор ключевых слов, а их смысл и контекст. Мы искали универсальное решение, работающее на разных типах вакансий и резюме, а TF-IDF был слишком поверхностным.
BERT-архитектуры
Нужно было научить систему понимать нюансы языка, распознавать синонимы и улавливать контекст. Например, что «ML Engineer» и «Инженер по машинному обучению» — это одно и то же, чего TF-IDF не поймёт. Мы двинулись к трансформерам, в частности, к моделям на основе BERT (Bidirectional Encoder Representations from Transformers). Это большие нейросети, предварительно обученные на гигантских объёмах текстов (Википедия, книги и т. д.). Они умеют улавливать семантические связи между словами и превращать тексты в векторы (эмбеддинги), которые отражают их смысл.
Мы попробовали разные подходы: Multilingual E5, TinyBERT, BGE-M3 и другие, ориентируясь на те, что хорошо работают с русским языком (например, по бенчмаркам encodechka).
Baseline (просто эмбеддинги). Для начала проверили, даёт ли сама по себе семантика BERT прирост по сравнению с TF-IDF. Взяли предобученную модель, получили эмбеддинги для резюме и заявки, сравнили их косинусным сходством.
Feature Extraction. Затем попробовали использовать эмбеддинги от BERT как входные признаки для XGBoost/CatBoost. Идея была в том, чтобы совместить глубокое понимание текста от нейросети с мощностью градиентного бустинга для предсказания order.
Cross Encoder (прямое сравнение парой). Подавали сцепленный текст (например, «[CLS] текст заявки [SEP] текст резюме [SEP]») прямо на вход BERT, чтобы модель сразу училась оценивать релевантность этой пары. Этот подход обычно самый точный, но он оказался слишком медленным для нашей задачи из-за большой длины резюме и заявок.
MLP поверх эмбеддингов. Получали отдельные эмбеддинги для заявки и резюме с помощью BERT, объединяли их и подавали на вход простого многослойного перцептрона, который уже предсказывал скор order.
Сиамские сети (Sentence-BERT) с Triplet Loss. Этот элегантный подход эффективен при поиске по большой базе и подходит для задач поиска и сравнения. Мы обучали две идентичные BERT-модели (сиамские близнецы) так, чтобы они генерировали эмбеддинги, где релевантные пары (подходящее резюме для заявки) располагались близко в векторном пространстве, а нерелевантные — далеко друг от друга. При дообучении BERT-моделей мы использовали техники вроде заморозки части слоёв (чтобы обучать только верхние слои: это быстрее и требует меньше ресурсов) и подбирали планировщик скорости обучения (learning rate scheduler, например, для AdamW), чтобы оно было стабильным. Из-за ограничения на длину текста (многие BERT-модели принимают до 512 токенов) мы подбирали модели, работающие до 2 048 токенов, чтобы охватить большинство резюме и заявок.
Экспериментов было много. Чтобы не потеряться, использовали MLOps-платформу ClearML: логировали все параметры, метрики и артефакты каждого эксперимента, используя систему тегов для фильтрации (bert, tfidf, cb, feature_extraction и т. д.).
Когда пришло время выбирать финальную модель, нужно было убедиться, что она будет работать быстро и стабильно в реальных условиях. Мы перевели лучшие модели в формат ONNX, запаковали их в Docker-контейнеры с такими же ограничениями ресурсов, как на проде, и провели нагрузочное тестирование с помощью Locust. Это помогло понять реальную производительность и требования к инфраструктуре.
После всех тестов и сравнений по нашей кастомной метрике лучшим компромиссом между качеством понимания текста, скоростью работы и ресурсоёмкостью оказалась архитектура на основе дообученного Tiny Sentence BERT с небольшим MLP поверх эмбеддингов. Она достаточно хорошо понимала семантику, работала быстро и создавала не слишком большие эмбеддинги, что было удобно для хранения и поиска.
Ранжирование
Стандартные метрики ранжирования нам не подошли, т. к.:
- По многим заявкам данных было откровенно мало.
- Проблема ничьих: часто у нескольких кандидатов была одинаковая истинная оценка, и тогда метрика (то есть порядок рекомендаций для эйчара) зависела от случайного порядка этих кандидатов.
Мы разработали свою метрику, которую внутренне назвали SmartAdaptPrecision@K. Наша метрика сравнивает топ предсказанных и топ эталонных кандидатов, но обходит проблему ничьих. Если у нескольких кандидатов одинаковый ранг, то метрика не просто тупо считает совпадения, а аналитически вычисляет вероятность совпадения, учитывая количество кандидатов с одинаковыми рангами.
Это делает оценку стабильной: каждый запуск выдаёт один и тот же результат, даже если кандидаты с равными баллами случайно меняются местами. Результат нормализуется от нуля до единицы с помощью стандартной min-max-нормализации. Чем ближе результат к единице — тем точнее модель отражает истинное ранжирование рейтинга кандидатов.
Модель vs эйчары
Разработав и обучив модель, мы перешли к сравнению её с людьми. Сделали так:
- Отобрали в базе ~ 10 исторических заявок из разных специализаций с сотней резюме, тщательно почистили.
- Привлекли рекрутеров, специализирующихся на разных направлениях, включая ИТ и массовый подбор.
- Каждому HR дали набор заявок (часть — из их профильной области, часть — из чужой) и список кандидатов к ним (без реальных итогов). Им было нужно выбрать топ-5 и отранжировать его по приоритету.
- Параллельно на тех же данных запустили нашу модель.
- Сравнили ранжирование модели и каждого HR с историческим эталоном.
Получилось так, что наша моделька в среднем отработала чуть хуже, чем HR-специалист в своей категории: модель — 78 %, профильный HR из отрасли — 84 %. Но модель показала себя лучше, чем средний кадровик на чужой территории, где точность не превышает 70 %. Другими словами, модель не превосходит узкого специалиста на его поле, но стабильно держит хороший уровень по всем направлениям и помогает там, где у человека нет глубокой экспертизы. Это подтверждает её ценность.
Работает, но местами костыльно
Сейчас HR-рутина автоматизирована, и система исправно выдаёт рекомендацию в виде ранга подходящих кандидатов из внутренней базы. Сейчас модель пока стоит «немножко сбоку» от основной базы данных, из-за этого пользоваться ею не очень удобно. Но полноценная интеграция — впереди.
Мы собираем обратную связь от HR. Массовую аналитику и ROI будем считать после полной интеграции, когда системой начнут активно пользоваться. Но первые отзывы — позитивные: рекрутеры отмечают, что стало проще находить релевантных кандидатов и сократилось время подбора — не кардинально, но ощутимо. Точные цифры обязательно приведём в следующей статье, когда отработаем на больших данных.
Теперь думаем над тем, как всё это улучшить. Вот наш ту-ду-лист:
- Полноценная интеграция модели в основную HR-систему.
- Улучшение качества исторических данных и процессов.
- Тест LLM для анализа текстов резюме и вакансий — если пройдём по экономике и безопасности.
- Расчёт реальной экономии времени и денег после внедрения.
- Отладка метрик, по которым HR-специалисты смогут понимать, почему модель выдала те или иные рекомендации.
Если у вас был опыт внедрения похожих систем — расскажите: что ждёт нас дальше? Что у вас сработало, а что — нет? Какие подводные камни появились после интеграции? Мы будем рады обсудить это в комментариях.
Комментарии (41)
Zara6502
17.06.2025 07:46мне кажется подбор персонала по резюме это оксюморон, так как система легко ломается когда кандидаты знают об этом (а в РФ уже наступила эпоха, когда кандидаты это знают, например в 90-е было забавно читать истории трудоустройства в США, когда люди платили деньги компаниям которые составляли резюме).
Соответственно систем опирающаяся на резюме автоматически рождает три их вида:
Резюме полное, но содержит исключительно удобную для HR информацию, сам кандидат не имеет нужных навыков;
Резюме полное, не содержит нужной информации для HR, сам кандидат не имеет нужных навыков;
Резюме полное, содержит удобную информацию для HR, сам кандидат имеет нужные навыки;
Резюме полное, не содержит нужной информации для HR, сам кандидат имеет нужные навыки;
То же самое для неполного резюме. В итоге мы имеем только 25% удобный вход. У вас 75% мусора и каждый второй специалист отсеивается, хотя он бы подошёл.
Это всё конечно грубо, но думая сама мысль понятна.
Для меня показательной деградацией современного корпоративного HR стала попытка трудоустройства в Дом.ру примерно в 2010 году. Когда меня сначала посадили в общий зал, мы там должны были в игровой форме разговаривать друг с другом (я просто игнорировал), был один "ведущий" и один специалист что-то фиксировал. Потом я прошёл предварительное собеседование, в основном у меня спрашивали какие-то общие вопросы и что-то про мои увлечения. Потом через 2-3 дня пригласили на тестирование онлайн, меня посадили за ПК и я прошёл тест через вэб-форму. Так как я уже не хотел тут работать (это же какой-то дом сумасшедших), то я был не искренен в ответах. Но и там не было ни одного вопроса по Linux, AD, Windows, TCP/IP и т.п. Там всё так же были вопросы поведенческого профиля и т.п. ерунда. Еще через пару дней меня пригласили на собеседование к профильному специалисту, это был непосредственный начальник. С порога он спросил - смогу ли я администрировать почтовый сервер на FreeBSD, я ответил что нет. Собеседование закончилось. А теперь давайте посчитаем сколько денег в месяц тратится на HR и сколько времени убивается на эти бесполезные мероприятия вместо того, чтобы 1) в вакансии указать правильно требования, 2) после короткого звонка от HR чтобы я так же по телефону прошел быстрое собеседование с профильным специалистом.
Молчу о том сколько хороших специалистов просто не имеют "удобного" для HR резюме.
pnmv
17.06.2025 07:46что означает "полное/неполное резюме"?
Zara6502
17.06.2025 07:46Как сам автор пишет об этом:
Самой серьёзной проблемой при обработке текстовых полей резюме оказалось отсутствие единого шаблона. Люди разных профессий пишут резюме совершенно по-разному. Некоторые используют стандартные шаблоны с сайтов интернет-рекрутмента, но очень часто встречаются резюме, созданные с помощью сайтов «сделай мне красиво», которые невозможно нормально обрабатывать и разбивать на сущности. А ещё встречается откровенный мусор, о котором — ниже.
то есть резюме полное, когда любая система или сам специалист OK получают из него исчерпывающую информацию.
например я никогда не пишу информацию о своих достижениях на прошлом месте работы, так как не вижу в этой информации никакого практического смысла. Меня нанимают на работу выполнять задачи по должностной инструкции, а не креативно создавать контент. Я в жизни еще ни разу ни на одной работе не делал что-то, что совпадало бы с работой на предыдущем месте, даже если например какой-то навык и пригождался. Базовые навыки я не учитываю, так как без них вы в принципе не сможете работать.
pnmv
17.06.2025 07:46с общими фразами я и так знаком. думал, существует какая-нибудь конкретика.
несколько лет назад, постарался, прикинул, что к чему, составил себе отдельное "продающее резюме". хватило на полтора трудоустройства. но, пока я работал на тех работах, подход перестал работать. откликов, всё ещё, собирает больше, чем любые другие потуги, но предложений поработать маловато.
Zara6502
17.06.2025 07:46а я совсем не знаю что нужно написать в резюме чтобы прилетело предложение о работе, мне кажется это сугубо привилегия определенных специалистов, которых "днём с огнём". ну и с другой стороны я никогда о себе не пишу ничего, что делать не умею, но что прибавило бы мне очков. а запихать в резюме всё что я умею - это бумаги не хватит.
pnmv
17.06.2025 07:46длинные резюме не читают (очень быстро устают), но если написано мало, тоже, сразу отказ. вот, поиск золотой середины - это самое трудное. сильно больше, чем пресловутое "O(n)".
strwolf
17.06.2025 07:46Зря, достижения это вообще САМОЕ главное, особенно выраженное в числах. Многим просто нечего написать, приходится выдумывать.
Не понял вашу градацию, да есть 4 вида, но оно выглядит так:
Резюме полное (хорошее), но человек не имеет нужных навыков (ему написали резюме за денежку и хорошо если он что то поучил из резюме (или прошёл обучение), но часто такие люди на собеседованиях отсееваются).Резюме полное, и человек имеет нужные навыки (+ написаны достижения, KPI в числах и так далее, это проще сказать чем написать) - таких 10-15%. За них просто будут бится HR таких специалистов всегда меньше чем самих вакансий, даже в узкой сфере, многие HR просто этого не понимают. Для таких 300к в наносекуду, как шутят, ну 300 тысяч рублей в месяц, не большие деньги за профильного специалиста, у которого несколько лет аналитика или разработчика в узкой конкретной сфере. Обычно такого можно слить вопросом: а почему вы ушли с предыдущего места работы? Хороший разработчик не будет задумываться над данным вопросом, а HR его сольёт. Наоборот, разработчик неважный хорошенько продумает этот вопрос. Ну и 40-50% специалистов заваляться уже на этапе собеседования, так как насколько бы сильные не были всегда есть случайный фактор.
Резюме плохое. Но человек ИМЕЕТ нужные навыки. Таких МНОГО. Наверное процентов 30% в 2 раза больше тех кто имеет и навыки и имеет хорошее резюме. Вот вы тоже видимо. Так как не понимаете, что нужно писать в резюме. Оно часто не проходит. Хотя если компания нос не воротит от плохих резюме вполне могут пригласить на собеседование. И потом удивится что человек абсолютно подходит даже сверх того.
Ну и последнее человек имеет плохое резюме и не имеет нужных навыков. Тут всё понятно.
Zara6502
17.06.2025 07:46Зря, достижения это вообще САМОЕ главное
Чтобы было достижение сама работа должна предполагать это. А большинство работ - это выполнение должностной инструкции. А достижение - это явно что-то помимо этого. Сама по себе работа наверное для кого-то тоже достижение XD
Резюме полное, и человек имеет нужные навыки
а ниже вы пишете как сливаете его на собеседовании, это уже странно.
Так как не понимаете, что нужно писать в резюме
Я не только не понимаю что там нужно писать, я так же не понимаю как моё резюме в принципе вам чем-то поможет. Повторюсь - я никогда на последующей работе не делал что-то, что я делал на предыдущей. Соответственно полезность этой информации просто нулевая.
Ну и простой пример, у меня стаж работы на какой-то модели ЧПУ станка, это написано в разделе того что я умею, остальное в резюме в принципе не нужно, исключая только стаж работы с этим станком. Какие достижения от меня вы ожидаете? Типа не было ключа и я заменил резец пальцем?
Еще пример, есть сертифицированные админы Windows AD например и я самоучка. Сертифицированный работает за 300К, я же прихожу на вакансию на 40К - что от меня хочет работодатель? Что я буду ходить на работу за 40К имея сертификаты потому что ну очень хочу получать меньше? Очевидно что я предлагаю за 40К решать те же вопросы, но вероятно с худшим качеством или с меньшей продуктивностью, но какая претензия ко мне, это же вы ищете на 40К человека, который будет заниматься Windows AD, Hyper V, видеонаблюдение, телефония, Citrix, 1C и фз что еще.
VanKrock
17.06.2025 07:46Ну значит вы получаете больше отказов, достижения важны, так как после HR ваше резюме попадёт техническому специалисту и этот специалист должен понять из него а насколько вы знаете тот или иной инструмент. Ну вот простой пример 2 кандидата пишут что знают C#, один и них написал собственную бд уровня RavenDB, а второй HelloWorld, оба хотят сеньора, и каким образом я я как технический специалист, должен понять тратить ли на кандидата своё время для провеления технического собеседования, если в резюме об этом ничего не написано? Достижения важны для того чтобы показать уровень владения тем или иным навыком, без этого ваш навык это "нуу я читал об этом", и удачи с компаниями готовыми ввязываться в авантюру вас собеседовать, так как может вы и знаете что-то, а может и не знаете вообще ничего
Zara6502
17.06.2025 07:46достижения важны, так как после HR ваше резюме попадёт техническому специалисту и этот специалист должен понять из него а насколько вы знаете тот или иной инструмент
А что по-вашему является достижением? Когда человек делает свою работу это не достижение.
Чтобы понять насколько я знаю тот или иной инструмент нужно у меня об этом спросить или дать мне какой-то тест. Какого рода слова вы хотите услышать например по видеонаблюдению? Обжимал кабель? Включал блок питания в розетку?
Ну вот простой пример 2 кандидата пишут что знают C#, один и них написал собственную бд уровня RavenDB, а второй HelloWorld, оба хотят сеньора, и каким образом я я как технический специалист, должен понять тратить ли на кандидата своё время для провеления технического собеседования, если в резюме об этом ничего не написано?
Ну начнём с того что не только программисты живут на этой планете.
Далее, я писал архиваторы, немножко свою БД, конверторы данных и т.п. Но это ровным счётом ни о чем не говорит. Любая предметная область - это какие-то рамки. И если вам нужен тот кто будет писать что-то связанное с БД, то логично начать с таких людей. Далее. Если у человека нет никаких своих проектов, то это вовсе не значит что он плохой программист, он программирует на работе, а остальное время посвящает жизни и семье, тестируйте его навыки, смотрите на его трудовую книжку и на рекомендации с прошлой работы.
Достижения важны для того чтобы показать уровень владения тем или иным навыком
Мне кажется вы не понимаете что значит слово "достижение". Если человека не уволили по статье, то он справлялся со всеми обязанностями и это и есть его достижение - это успешная реализация его навыков. В контексте достижения как результата какой-то работы чаще всего понимается не просто работа и рутина, а какой-то успех работы над каким-то конкретным проектом. Например, реализовывал поддержку протокола VBC для ультратонких систем Zanix. Но такие вещи смогут написать очень немногие, так как не всякая работа сводится к реализации проектов. Ну и даже такое ничего не говорит о профпригодности. Например у меня была масса реализованных проектов по Hyper V и у меня даже в резюме об этом написано, но саму Hyper V с скорее "2 раза видел по телевизору" нежели являюсь специалистом, но повторюсь - у меня есть масса реализованных конкретных проектов.
без этого ваш навык это "нуу я читал об этом"
А у меня абсолютно все навыки на таком уровне, так как я не изучаю 40 лет что-то одно в глубину, за такое никто не платит. На одной работе одно, на другой - другое, а всё это в резюме всегда будет называться или Администрирование Windows AD или Обслуживание сервера 1С. Но на одной из работ я ни разу не делал что-то по Windows AD такое, что я бы делал на предыдущей работе (исключая факт его поднятия и первичной настройки).
Вы посмотрите на врачей - это и есть специалисты в глубину, но их такими и берут на работу, а сисадминство или программирование в глубину - это скорее редкость.
и удачи с компаниями готовыми ввязываться в авантюру вас собеседовать, так как может вы и знаете что-то, а может и не знаете вообще ничего
как я уже писал - если средний оклад сертифицированного специалиста по Windows AD в районе 350К, а вы выставили вакансию где кроме AD у вас Линукс, почтовый сервер, видеонаблюдение, 1С и т.п. то очень странно пытаться с меня спрашивать как с сертифицированного спеца, даже если я буду таковым в винде то нафига мне упал линукс и 1С?
ksidorov Автор
17.06.2025 07:46Согласен, что опора только на резюме — неэффективна, и в лучшем случае это лишь первый фильтр для HR, позволяющий быстро обработать большой поток откликов.
Лучшие практики подбора персонала сегодня включают несколько этапов: короткое телефонное интервью, техническое тестирование, а затем уже встречу с руководителем. Такой подход помогает снизить "шум" и быстрее находить подходящих кандидатов, не теряя сильных специалистов из-за формальностей. Современные компании всё чаще внедряют именно такие многоступенчатые процессы, чтобы повысить эффективность отбора и не упустить ценных кандидатов.
Zara6502
17.06.2025 07:46и в лучшем случае это лишь первый фильтр для HR, позволяющий быстро обработать большой поток откликов
так он же неэффективный абсолютно, он опирается на ошибочную предпосылку о том, что все резюме всех кандидатов обладают исчерпывающей и главное правдивой информацией.
короткое телефонное интервью
почти всегда бесполезно, так как это телефонная версия резюме, проблема здесь в том, что вас фильтрует человек который вас не нанимает, это просто говорящая голова почему-то наделённая сверхполномочиями.
техническое тестирование
а это зависит от самой специальности, например хирурга так желательно протестировать, но я скорее всего ни один тест не пройду, так как я учился в 90-е и на планете немножко всё поменялось и я уже давно забыл теорию, а практика такова, что при тестировании не спрашивают о том, с чем ты будешь работать. В общем я к таким проверкам отношусь скептически.
а затем уже встречу с руководителем
Я вырос в эпоху без HR и я много сам оформлял вакансии и проводил собеседования и пока я не увидел чтобы HR в этом направлении сделал что-то полезное. А вот в вопросе релокации кандидатов, помощи с визами, квартирами и т.п. - это да, незаменимые люди.
Такой подход помогает снизить "шум" и быстрее находить подходящих кандидатов, не теряя сильных специалистов из-за формальностей
очень сомневаюсь. так как сильные специалисты это скорее всего штучный товар, то знать вы их будете пофамильно и заранее, нежели выбирать из кучи резюме. У таких еще и публикации скорее всего будут, а может и ученая степень.
Современные компании всё чаще внедряют именно такие многоступенчатые процессы, чтобы повысить эффективность отбора и не упустить ценных кандидатов.
пока я не видел убедительных доводов в защиту этого.
я самолично брал на работу людей с минимумов знаний только потому что в процессе собеседования я от них получал обратную реакцию, замечал пытливый ум, сообразительность, умение решать задачи и т.п. Это сильно эффективнее чем изучение холодных резюме девочками очень далекими от профессии. Последний кандидат которого я нанимал имел 9 классов образования и какой-то колледж за плечами. Сейчас он имеет высшее образование и работает на моей должности (я оттуда ушёл). И учитывая что он младше меня на 20 лет, то я уверен что еще через 5 лет он будет лучше меня по основным направлениям. Такой кандидат не прошёл бы через HR.
PS: не слишком по теме - еще лет 7 назад, когда я стал подбираться к 45 мне отказали в трудоустройстве, где я подходил на почти 90%. В моей практике это было впервые (если что у меня трудовая уже на три вкладыша). Я смог разговорить девушку из ОК и она сказала, что в моём возрасте я представляю большие риски для компании, так как мне уже скоро на пенсию. XD
vadimr
17.06.2025 07:46Английский — плохо: знание английского почему-то работало как антипаттерн, снижая релевантность.
Ну так если нечего написать о профессиональных достижениях, релевантных для Росатома, то человек пишет про английский язык, права категории B и прочую фигню. А когда объём резюме ограничен, то более значительные достижения вытесняют менее значительные.
Другое дело, если б человек в филиал американской фирмы устраивался, там бы английский, вероятно, не имел отрицательного веса.
ksidorov Автор
17.06.2025 07:46Разные профессии требуют учёта различных критериев и информации при подборе персонала. Нужно разделять резюме кандидатов на кластеры по профобластям и строить алгоритмы, которые учитывают специфику каждой сферы. Это позволяет учитывать реально важное инфо и отбраковывать инфомусор.
Знание английского языка или водительские права вполне могут быть критичны для каких-то вакансий. Для других — "ну пригодится". А для третьих — это излишки. Гибкие и адаптированные алгоритмы помогают повысить точность отбора и сделать процесс подбора более эффективным и, скажем так, "справедливым".
VanKrock
17.06.2025 07:46Почему не использовать ИИ чтобы привести резюме к единому формату, а потом уже использовать классические алгоритмы мо фильтрации на стандартизированных данных?
Edwward
17.06.2025 07:46Можете привести конкретные примеры? По каким параметрам модель решает подходит ли кандидат или нет? Несколько псевдореальных резюме, для примера, и как модель их отработает? Пока у меня "ощущение", что это "алгортим ради алгоритма". В реальности Ваша система будет отбирать "гладкие" резюме, написанные LLM.
ksidorov Автор
17.06.2025 07:46Получилось так, что наша моделька в среднем отработала чуть хуже, чем HR-специалист в своей категории: модель — 78 %, профильный HR из отрасли — 84 %. Но модель показала себя лучше, чем средний кадровик на чужой территории, где точность не превышает 70 %. Другими словами, модель не превосходит узкого специалиста на его поле, но стабильно держит хороший уровень по всем направлениям и помогает там, где у человека нет глубокой экспертизы. Это подтверждает её ценность.
Модель сравнивали с реальными HR-специалистами: по точности ранжирования модель немного уступает профильному HR (78% против 84%), но стабильно лучше справляется, чем HR вне своей специализации (около 70%).
Модель действительно может отдавать предпочтение "гладким" резюме, особенно если они написаны с учётом ключевых слов и современных шаблонов, в том числе с помощью LLM.
Можно дополнительно использовать LLM для выявления "слишком шаблонных" резюме (например, если текст совпадает с популярными шаблонами или сгенерирован LLM). Но это TODO задача, на данный момент не так много кандидатов пользуются этим инструментом
adminNiochen
17.06.2025 07:46Нанимать в ядерные технологии, доверяя аишке - это надо быть мегамозгом конечно. Надеюсь ума хватит хотя бы код для реакторов из чата гпт не копипастить.
onets
17.06.2025 07:46С наступлением эпохи рынка работодателя такое станет еще популярнее. См ATS системы.
Но ее можно немного обмануть - белым цветом шрифта на белом фоне вписать синонимы и некоторые другие ключевые слова - для человека неочевидно, но система распарсит.
В некоторых случаях лучше ее обманывать - я встречал ошибки в вакансии. Например postgre или postgres вместо postgresql. Но в моем-то резюме правильно написано.
vlk1
17.06.2025 07:46Лет пять назад успешно прошел два собеса в РА, но для непосредственного приема они требовали от руки написанную автобиографию. Почуяв неладное я пошел в другое место. После этой статьи вектор развития их hr технологий меня несколько пугает)
avshkol
17.06.2025 07:46Интересное исследование.
1) Если ОГУРЕЦ получил большой вес, но, очевидно, использовался один раз у того, кто прошел отбор, не лежат ли в модели еще какие-то редкие Cobol-ы, которые случайно тоже получили большой вес (но HR часто не может понять, чем кобол от питона отличается...)?
2) Вы учили на тех, кто прошел отбор и зачислен в штат или на тех, кто в принципе одобрен, но не зачислен (например, искали одного человека, пришло 10, из которых в принципе подходят 4, но взяли только одного, ибо одна вакансия - тогда не искажают ли 3 подходящих, но неприятных, модель???)
ksidorov Автор
17.06.2025 07:461) Про огурцы актуально было для статистических методов, мы же используем в итоге семантическую нейросетевую архитектуру, она практически не подвержена таким проблемам.
2)
Мы решили нормализовать значение поля order в диапазон [0, 1] и поставили задачу регрессии: предсказать это значение для каждой пары «заявка — резюме». Чем больше значение, тем выше кандидат в итоговом списке.»
Edwward
17.06.2025 07:46Спасибо за ответ. Но я ничего не понял. 84 % - это что? По каким критериям? И какой размер выборки? Как сравниваются резюме? Покажите на примере. И какой ожидаемый экономический эффект?
Вас обязательно ожидают подобные вопросы. И что бы Ваш проект не закрыли, и "дали денех" на дальнейшее развитие, Вы должны ответить четко на два вопроса :
Как это работает?
Сколько принесет денег?
Ответы должны быть такие, что бы "бабушка с Дормидонтовки" поняла. И пожалуйста, без процентов, в отрыве от реальных количеств( резюме в метрах, деньги в мешках)).
Не воспринимайте мои комментарии негативно. Вы пытаетесь решить очень сложную задачу( а решаема ли она вообще?). Я пытаюсь понять. Не одну тысячу резюме просмотрел.
KapasMordorov
17.06.2025 07:46В статье черным по белом написано, что цель - соответствие резюме и требований. Т.е. если белым по белому в резюме запихнуть текст вакансии, то наверно рейтинг будет ого-го. Какое уж тут развитие...
И по данным статьи, до 18 стадии собеседований дошло 38 человек.
Собственно, из картинки с уникальными значениями Order уже всё ясно. GIGO.
OLZ1
17.06.2025 07:46Женатые и замужние — в топе: пока вы не уходите глубоко в анализ, этот быстрый фактор повышает ранг. Чем точнее ваша модель, тем меньше его вес.
Требуется переводчик с русского на русский, ничего не понял.
Raspy
17.06.2025 07:46Проблемы сейчас на уровне джунов-мидлов. Будучи синьер+ уже обрастаешь знакомыми и связями в других фирмах (бывший коллега, на конфе познакомился, и тд и тп) и можешь в обход всяких отсевов hr попасть на собесы через всякие "приведи друга". На мой взгляд сейчас это самый быстрый и эффективный способ сменить работу.
lear
17.06.2025 07:46Знакомства очень помогают и не только помидорам =)
Я на первую работу устроился через знакомого. При поступлении в универ попал в программу высокобальников, пообщался с руководителем программы, он меня познакомил с тимлидом внутреннего портала, прошел мини собес, устроился туда работать.
Сейчас на фрилансе, так же знакомства помогают находить новых клиентов, ну или они меня находят =)
Floridov
17.06.2025 07:46У нас появился локальный мем "школа жизни Росатома". Дочь проходит ее через отбор на " Ледокол Знаний". Уже поняла, что дальше проходят только те, кто научился обманывать систему.
kain64b
17.06.2025 07:46Отбирать с помощь "ии" персонал ближайшие лет 5 как минимум странно. Вы ещё расчеты на Ии начните делать. видел плагин тут для екселя недавно ...
CBET_TbMbI
Зашёл почитать про огурец в резюме, а тема огурца оказалась не раскрыта:(
domix32
Собстенно для борьбы с AI скорее всего и был. Либо для проверки на внимательность HR, которые могут даже не читать резюме. Мусор по той же причине. А если в реальном экземпляре оно ещё и белым по белому написано, то это совершенно точно борьба с AI. Ну или маркетинг
ложек(spoon spoon spoon)огурцов если хотитеCBET_TbMbI
Может и честная причина быть.
Написал кто-то в резюме, что автоматизировал полив огурцов, а потом его наняли.
В процессе обучения сеть "пришла к выводу", что все, кто как-то связан с огурцами были наняты, из-за чего и сама стала благоволить всем упоминающим огурцы.
ComaDreamer
Возможно, кто-то просто перевел название фреймворка
tuxi
Кукумбер жив?