VTORNIK.Вечер #7: саммари выступлений

28 апреля мы провели седьмой VTORNIK.Вечер в рамках серии бесплатных оффлайн мероприятий о внедрении AI в организациях. В программе традиционно было два доклада.

От хайпа к практике: что можно автоматизировать?

Процесс найма можно разбить на этапы, каждый из которых поддается оптимизации с помощью ИИ:

• Формирование вакансии: запись брифинга с заказчиком, транскрибация и создание описания или чек-листа.
• Поиск и фильтрация: отсев нерелевантных кандидатов по жестким критериям и ранжирование воронки.
• Работа с данными: автоматическое создание карточек кандидатов в HRM-системе.
• Интервью: анализ записей собеседований на соответствие требованиям.

В компании ЛАНИТ для большинства этих задач используется локальная модель Qwen 1.5 32B.

Кейс №1: Автоматическое создание карточки кандидата
Это направление стало ключевым, так как в конкретном бизнес-процессе 90% резюме не структурированы (кастомные файлы, внутренние шаблоны) и не подтягиваются автоматически из популярных сервисов вроде HeadHunter.
Эволюция решения:

1. Начало: классические методы давали около 60% точности.
2. Промежуточный этап: первые локальные модели в начале 2024 года имели малый контекст и работали медленно (до 80 секунд на резюме).
3. Финал: переход на современную LLM позволил достичь 97% удовлетворенности рекрутеров.

Результат: время на заполнение карточки сократилось с 10–12 минут до 2 минут.

Кейс №2: Умный матчинг (сопоставление резюме и вакансии)
Главная проблема LLM в оценке кандидатов — излишняя «уверенность» даже в неверных ответах. Чтобы сделать систему полезной, разработчики отказались от единой цифры «релевантности».

Решение: процесс разделили на 7 независимых блоков (стек, грейд, опыт и т.д.). Каждый блок выдает свою оценку и краткое обоснование. Это делает систему прозрачной: рекрутер видит, почему модель поставила высокий или низкий балл. Инсайт: такой подход наиболее эффективен при больших объемах (от 300 резюме), когда человеческое внимание начинает рассеиваться.

Почему «не взлетели» анализ брифингов и записи интервью?
Не все идеи оказались жизнеспособными на практике:

1. Анализ видео-брифингов: выяснилось, что вакансии редко создаются с нуля. Рекрутеры обычно копируют старые описания и вносят точечные правки. Сложный процесс анализа видео оказался просто не нужен пользователям.
2. Обработка интервью: во-первых, многие боятся записывать встречи, чтобы не пугать кандидатов. Во-вторых, системы транскрибации (например, Whisper) часто ошибаются в специфических технических терминах и аббревиатурах, которые критически важны для оценки специалиста.

Как контролировать качество ИИ?
Для мониторинга работы моделей в интерфейс HRM-системы встроили виджеты обратной связи («палец вверх/вниз»).

• Работа с саппортом: службу поддержки пришлось обучать отличать реальные баги в коде от «галлюцинаций» модели.
• Оффлайн-тестирование: важно замерять качество на своих данных перед обновлением моделей. Рекрутеры могут не заметить небольшого падения точности (например, с 97% до 90%), но в долгосрочной перспективе это критично.

Главные выводы

1. Бесшовность: ИИ должен работать внутри привычной HRM-системы. Отдельные чат-боты в Telegram не приживаются.
2. Интерпретируемость: пользователю нужно понимать логику модели. Разделение оценки на понятные блоки работает лучше, чем один «черный ящик».
3. Краткость: никто не будет читать длинные обоснования от модели. Ответ должен быть лаконичным и по делу.

Автоматизация не заменяет рекрутера, но избавляет его от рутины, позволяя сосредоточиться на человеческом общении и принятии финальных решений.

Внедрение технологий Big Data, ML и современных языковых моделей (LLM) в промышленности часто окутано мифами. Однако реальный опыт показывает, что путь к эффективности лежит не через генерацию графиков, а через жесткую автоматизацию рабочих процессов и контроль дисциплины.

Главная иллюзия: отчеты против воркфлоу
Самая большая ошибка руководителей — ожидание, что ИИ создаст «офигенно крутой отчет» или красивые BI-формы. В реальности системы на базе LLM и агентов ценны не отчетами, а автоматизацией исполнительской дисциплины.

Эффективная система не просто сигнализирует о проблеме, она:

• Самостоятельно связывается с ответственным сотрудником.
• Аргументированно доказывает наличие ошибки или отклонения от нормы.
• Контролирует факт исправления «косяка».
• Эскалирует проблему руководству до тех пор, пока она не будет решена.

Поскольку работа операторов, диспетчеров и начальников смен на 95% регламентирована ГОСТами и нормами промбезопасности, она идеально поддается алгоритмизации через многоагентные системы.

Тренды и угроза «белым воротничкам»
Мировая тенденция неумолима: акционеры мечтают о повышении производительности труда, при которой один человек сможет выполнять объем работ, ранее требовавший 15–20 сотрудников.
В первую очередь под удар попадают «белые воротнички» (юристы, бухгалтеры, программисты), так как их деятельность проще всего алгоритмизировать. В то же время рабочие профессии (например, оператор экскаватора) автоматизировать гораздо сложнее из-за невероятной сложности и вариативности физических манипуляций. Спикер прогнозирует, что многим офисным работникам в будущем придется либо стать «сверхпользователями» ИИ, либо переходить в сферу ручного труда.

Предиктивная диагностика: где Россия отстает?
Мировые лидеры (Siemens, GE, Rio Tinto) уже давно используют предиктивную диагностику. Например, в авиации телеметрия с турбин самолетов снимается каждую долю секунды, чтобы предотвратить поломку еще до ее возникновения.

В России ситуация двоякая:

1. Стационарное оборудование (турбины, насосы) оснащено системами диагностики достаточно хорошо.
2. Мобильная техника (карьерные самосвалы, экскаваторы) остается огромным незанятым рынком — здесь готовых отечественных решений крайне мало.

Технические грабли: почему LLM не умеет считать
Одна из ключевых «болей» разработчиков — попытка заставить языковую модель выполнять арифметические расчеты.
Правило №1: Никогда не пытайтесь считать внутри LLM, особенно если речь идет о бухгалтерской первичке, временных рядах или данных с сотен тысяч датчиков.
Решение: Расчеты должен производить жесткий алгоритм (агент на Python), а LLM следует использовать только для интерпретации полученных результатов и перевода их на «человеческий» язык.

Также критически важен промпт-инжиниринг. В производстве правильно поставленное «Дано» — это 99% успеха, так как любая галлюцинация модели может стоить огромных денег или даже человеческих жизней.

Проблема контекста и «Марьяны»
Языковые модели обучаются на общих данных и часто не понимают специфический производственный сленг. Без настройки глоссария система может называть судно «грузовиком» или не понимать, что «КС» — это карьерный самосвал.
Более того, при масштабировании систем на сотни реальных пользователей (инженеров, диспетчеров) возникают непредсказуемые эффекты. Спикер приводит пример, когда из-за специфического контекста обучения вся система на предприятии начала называть себя «Марьяной», и этот «баг» было крайне сложно вычистить из памяти модели.

Организационный аспект: кейс с женами
На производстве самым сложным является не IT-решение, а организационный вопрос. Как заставить водителя не спать и соблюдать регламент обеда?
Один из успешных «лайфхаков» — предоставление женам водителей онлайн-доступа к информации о премиях и штрафах их мужей в режиме реального времени. Это создало мощное дополнительное психологическое давление внутри семьи, заставив сотрудников работать эффективнее и дисциплинированнее.

Будущее: Open Source и узкие задачи
Универсальные системы (вроде IBM Watson в медицине) часто проваливаются из-за излишней сложности. Будущее за точечными, узкоспециализированными решениями.
В ближайшее время спикер планирует выпустить в Open Source собственную систему диспетчеризации для небольших предприятий, поверх которой любой желающий сможет надстраивать своих агентов. Главный совет для бизнеса: начинать нужно с конкретных, измеримых задач и четко сформулированных условий.

Наши ивенты дают хорошую возможность пообщаться и обменяться опытом внедрения ИИ, будем рады видеть вас на нашем следующем оффлайн встрече в мае. Следите за анонсами в нашем телеграм-канале.

Отдельная благодарность нашим партнерам ГК «Солар» за возможность провести этот митап в их красивом гостеприимном офисе.

Если вы хотите провести образовательную программу в своей компании или получить консультацию наших преподавателей и экспертов, пожалуйста, связывайтесь удобным вам способом, контакты на нашем сайте.