ИТ-компания с крупными операциями по разработке программного обеспечения имеет несколько одновременных программных проектов. Некоторые проекты принадлежат и полностью управляются самой компанией, в то время как в большинстве других случаев она разрабатывает программное обеспечение для своих клиентов. Бизнес постоянно растет по мере увеличения масштаба и количества проектов. Этот рост наряду с регулярными временными потребностями в рабочей силе для конкретных проектов поддерживается внутренней командой HR.

В связи с быстрым ростом рынка ИТ-индустрии крупные и малые компании должны конкурировать за кадры и постоянно совершенствовать процесс найма. Помимо конкуренции, при приеме на работу в сфере ИТ предъявляются более высокие требования к рекрутерам, которые также должны продемонстрировать достаточные знания в области ИТ, чтобы иметь возможность оценить резюме кандидата и поддержать отборочное собеседование для выявления и дисквалификации неподходящих кандидатов.

Также в большинстве случаев надлежащая оценка кандидата требует профессионального анализа образца компьютерного кода, предоставленного кандидатом. На данном этапе потребуется дорогостоящее время старшего разработчика. Это означает, что для решения проблемы нехватки разработчиков ПО затратится больше часов работы технической команды для оценки кандидатов. Это порочный круг.

НейроСистемс создала комплексное программное решение, которое автоматически оценивает заявки на работу и образцы компьютерного кода. Заявки на работу и образцы компьютерного кода загружаются на портал вакансий клиентов (также можно прикрепить ссылку на GitHub). Рекрутер, получающий доступ к заявкам, видит рейтинг соискателя и компьютерного кода рядом с каждой заявкой с возможностью отфильтровывать кандидатов, не показывающих уровень квалификации, необходимый для данной должности.

Производительность рекрутеров была увеличена более чем в 2 раза, так как большая часть заявок была отфильтрована после автоматической оценки. Требования к навыкам и опыту рекрутеров также были снижены, поскольку процесс найма стал менее зависимым от навыков рекрутера. Количество образцов компьютерного кода, оцениваемых старшими разработчиками, сократилось в 7-10 раз, поскольку только образцы автоматически прошедших предварительную квалификацию кандидатов требовали проверки человеком.

Ядром системы ИИ является программное обеспечение, использующее алгоритмы машинного обучения. Мы использовали большой объем исторических данных в сочетании с искусственно синтезированными выборками для обучения моделей для оценки резюме кандидатов и выборки компьютерного кода. На первом этапе система поддерживает несколько популярных языков программирования: PHP, JavaScript, Laravel.

Как только заявка на работу загружена, она анализируется с помощью модели машинного обучения. Результат оценки возвращается и сохраняется в базе данных вместе с приложением, позволяющим рекрутеру фильтровать и сортировать кандидатов в соответствии с их баллами.

Это решение может развиваться в нескольких направлениях. Первый очевидный способ повысить эффективность решения - это добавить больше языков программирования. Другой способ - обучить систему оценивать портфолио UI / UX дизайнеров или учитывать душевное и эмоциональное состояние кандидатов на основе живого интервью.