Название базовой системы (платформы): | Искусственный интеллект (ИИ, Artificial intelligence, AI) |
Разработчики: | Простые коммуникации (Proscom) |
Дата премьеры системы: | 2024/01/23 |
Технологии: | Big Data, Data Mining, Речевые технологии |
Содержание |
Основные статьи:
- Машинное обучение (Machine Learning)
- Data mining Интеллектуальный анализ данных
- Большие данные (Big Data)
- Распознавание речи (технологии, рынок)
- Речевые технологии: на пути от распознавания к пониманию
2024
Изменение наименования
До июня 2024 года имел название Proscom Hrobot ИИ-сервис для HR-специалистов.
Анонс решения для оптимизации работы HR-специалистов
23 января 2024 года ИТ-компания Proscom сообщила о создании решения для оптимизации работы HR-специалистов. Сервис Наниматор позволит оптимизировать первичную обработку резюме соискателей и упростить отбор кандидатов. Этот ML-проект (Machine Learning) первоначально был реализован для нужд компании, однако через 5 месяцев он показал эффективность и был выпущен на российский рынок.
По информации компании, сервис оптимизирует точность оценки за счет размера набора данных и принципов Big Data (больших данных). Он также способен выделить незаметные человеку закономерности, важные для конкретных вакансий.
![]() | Понятно, что на январь 2024 года искусственный интеллект пытаются внедрить во все сервисы, связанные с рекрутингом, но часто это совершенно не оправдано. К примеру, крупная HR-платформа создала рекомендательную систему, которая обучается на мнении конкретного рекрутера и тут же обрастает его предубеждениями. Иными словами, изначальные данные этой системы основаны на мнении человека с определенными предпочтениями. Ему могут не нравиться молодые женщины, окончившие МГУ, или мужчины с короткой стрижкой. В нашем же случае происходит масштабирование реальных данных компании, для которой мы обучаем модель. По этой причине мы не используем облако, только on-premise решение – компании не хотят (и не должны) делиться со всем миром данными своих сотрудников. В результате мы получаем набор данных. Он существенно оптимизирует время на отбор резюме, качественно его улучшает и оптимизирует закрытие позиций за счет выбора наиболее подходящих кандидатов. поведал Егор Муравьев, СPО ИТ-компании Proscom | ![]() |
Наниматор — это сервис, созданный на основе NLP-модели и алгоритмов машинного обучения:
- NLP-модель (Natural Language Processing — обработка естественного языка). Это технология машинного обучения, которая дает возможность интерпретировать и «понимать» язык человека;
- алгоритмы ищут 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.
Сервис способен определять: наличие или отсутствие ключевых навыков и опыта, спецификации вакансии, релевантность опыта успешных кандидатов. Модель учитывает требования, указанные в объявлении о вакансии и сравнивает их с информацией в резюме. Это позволяет выявить соответствие между ожиданиями работодателя и предоставленной кандидатом информацией.
Наниматор обучен на двух массивах данных – на резюме подошедших и не подошедших соискателей. Алгоритмы обращаются к опыту успешных кандидатов, сопоставляют их характеристики и признаки с новыми резюме, чтобы выделить общие черты подходящих сотрудников. После анализа резюме сервис составляет рейтинги кандидатов для каждой вакансии. Он также полностью исключает человеческий фактор в обработке резюме — он руководствуется только навыками и опытом кандидата.
В Наниматоре уже загружены несколько моделей, обученных на наиболее распространенных вакансиях в области ИТ в России: руководитель проектов, системный аналитик, продуктовый дизайнер и других. «Гознак» развивает систему «Электронный бюджет» с помощью импортозамещенных решений экосистемы EvaTeam
Для наибольшей эффективности организациям предлагается создавать и обучать модели, основанные на их собственных данных. При этом команда Proscom поможет обучать новые модели: она самостоятельно отберет резюме для обучения алгоритмов, учитывая необходимые ключевые навыки, и обогатит их реальными данными организации. В итоге, компания-заказчик получит модель, обученную на ее же собственных данных, а не на мнении отдельных рекрутеров.
Компания на протяжении одного года исследовали HR-процессы одного крупного банка (с численностью 10 000 сотрудников): подбор, интервью, наём, онбординг, обучение и непосредственная работа.
В результате было установлено, что в год организация нанимает 2000 линейных сотрудников и тратит ресурсы на их обучение и работу. Однако 30% этих работников увольняются в первые 3 месяца. Так банк теряет до 50 000 000 рублей в год. Наниматор позволит уменьшить убытки на наём и содержание персонала, поскольку снизит число увольнений по инициативе работника за счёт более релевантного и точечного подбора. Сервис также оптимизирует стоимость найма — HR-специалисты тратят меньше времени на просмотр резюме и быстрее закрывают вакансии.
В ближайшее время Proscom планирует запустить версию для соискателей — с помощью Наниматора можно будет 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.
Приобрести продукт можно по on-premise лицензии для установки на собственных серверах. С помощью готовых моделей, обученных на самых распространенных вакансиях, рекрутеры могут протестировать сервис и понять, как он работает. Но для того, чтобы получить максимальный эффект, рекрутерам необходимо создать собственные уникальные модели, основанные на данных компании.
Стоимость складывается из следующих пунктов:
- инсталляция;
- интеграции;
- лицензия: 12 месяцев или бессрочная. В случае бессрочной лицензии необходимо приобрести опцию поддержки сервиса, чтобы получать обновления и поддержку третьей линии на 12 месяцев;
- помощь в обучении собственных моделей;
- индивидуальные доработки в соответствии с запросами клиента.
Подрядчики-лидеры по количеству проектов
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
Распределение вендоров по количеству проектов внедрений (систем, проектов) с учётом партнёров
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
Данные не найдены
Распределение систем по количеству проектов, не включая партнерские решения
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
Подрядчики-лидеры по количеству проектов
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
Распределение вендоров по количеству проектов внедрений (систем, проектов) с учётом партнёров
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
Данные не найдены
Распределение систем по количеству проектов, не включая партнерские решения
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)