Выпускная квалификационная работа посвящена разработке AI-модуля оценки потенциальной результативности кандидатов для работы в сфере недвижимости. Объектом исследования является процесс подбора риелторов в компании недвижимости и его реализация в информационной системе. Предметом исследования выступают методы автоматизации оценки кандидатов на основе технологий машинного обучения и больших языковых моделей. Цель работы заключается в снижении трудовых и временных затрат на процесс подбора риелторов за счет автоматизации оценки кандидатов и предоставления аналитической поддержки специалистам по подбору персонала посредством внедрения микросервиса прогнозирования потенциальной результативности кандидатов в существующую информационную систему. В ходе выполнения работы проведен анализ процесса подбора риелторов в компании, исследованы особенности его реализации в информационной системе, рассмотрены современные подходы к использованию технологий искусственного интеллекта в задачах управления персоналом, а также изучен опыт применения AI-решений для поддержки процессов подбора сотрудников. На основании результатов анализа сформулированы функциональные и нефункциональные требования к разрабатываемому решению. Выполнено проектирование архитектуры микросервиса, модели данных и механизмов интеграции с существующей информационной системой. Архитектура сервиса построена с использованием подхода CQRS и внедрения зависимостей. Практическая часть работы включает разработку микросервиса на языке TypeScript с использованием платформы Node.js. Для прогнозирования потенциальной результативности кандидатов обучена модель машинного обучения CatBoostRegressor на исторических данных компании. В качестве источников признаков использованы сведения о кандидатах, полученные из резюме и профилей соискателей. Обученная модель экспортирована в формат ONNX для последующего использования в серверной части микросервиса. Для формирования аналитических рекомендаций и текстовой интерпретации результатов прогнозирования реализована интеграция с большой языковой моделью через сервис OpenRouter. Полученные результаты позволяют не только прогнозировать ожидаемую результативность кандидата, но и предоставлять специалистам по подбору персонала объяснение прогноза, описание сильных и слабых сторон кандидата, а также рекомендации по дальнейшей работе с ним. Результаты прогнозирования отображаются в карточках кандидатов и откликов, а также используются для формирования визуального индикатора потенциала кандидата, позволяющего быстро оценивать перспективность соискателей при работе с большим количеством откликов. Практическая значимость работы заключается в возможности использования разработанного решения для повышения эффективности процессов подбора персонала за счет автоматизации анализа кандидатов и поддержки принятия решений специалистами по подбору персонала.

This final thesis focuses on the development of an AI module for assessing the potential performance of candidates in the real estate industry. The research focuses on the process of recruiting real estate agents in a real estate company and its implementation in an information system. The study focuses on methods for automating candidate assessment using machine learning technologies and large-scale language models. The goal of the work is to reduce labor and time costs in the real estate agent recruitment process by automating candidate assessment and providing analytical support to recruiters by implementing a microservice for predicting candidate potential performance in an existing information system. This work included an analysis of the company's real estate agent recruitment process, a study of its implementation in the information system, a review of modern approaches to using artificial intelligence technologies in HR management, and a study of the experience of using AI solutions to support employee recruitment processes. Based on the analysis results, functional and non-functional requirements for the developed solution were formulated. The microservice architecture, data model, and integration mechanisms with the existing information system were designed. The service architecture is built using the CQRS approach and dependency injection. The practical part of the work includes developing a microservice in TypeScript using the Node.js platform. To predict candidate performance, the CatBoostRegressor machine learning model was trained on the company's historical data. Candidate information obtained from resumes and job seeker profiles was used as feature sources. The trained model was exported to ONNX format for subsequent use in the microservice's backend. To generate analytical recommendations and textual interpretation of the prediction results, integration with a large language model via the OpenRouter service was implemented. The obtained results not only allow for predicting the expected candidate performance but also provide recruiters with an explanation of the prediction, a description of the candidate's strengths and weaknesses, and recommendations for further work with the candidate. The prediction results are displayed in candidate and response cards and are also used to generate a visual indicator of candidate potential, allowing for quick assessment of applicants' potential when working with a large number of responses. The practical significance of this work lies in the potential use of the developed solution to improve the efficiency of recruitment processes by automating candidate analysis and supporting decision-making by recruiters.

• ВВЕДЕНИЕ
• ГЛАВА 1. ОПИСАНИЕ ПРЕДМЕТНОЙ ОБЛАСТИ
  • 1.1 Процесс подбора риелторов в компании
  • 1.4 Проблемы текущего процесса подбора кандидатов
• ГЛАВА 2. ПОСТАНОВКА ЗАДАЧИ
  • 2.1 Назначение системы hr-ai.service
  • 2.2 Цели и задачи
  • 2.3 Функциональные требования
  • 2.4 Нефункциональные требования
  • 2.5 Функциональная модель целевого процесса подбора риелторов
  • 2.6 Средства разработки
• ГЛАВА 3. ПРОЕКТИРОВАНИЕ ИНФОРМАЦИОННОГО ОБЕСПЕЧЕНИЯ
  • 3.2 Проектирование моделей данных
  • 3.3 Архитектура микросервиса hr-ai.service
• ГЛАВА 4. ПРАКТИЧЕСКАЯ РЕАЛИЗАЦИЯ МИКРОСЕРВИСА
  • 4.1 Подготовка данных и обучение модели машинного обучения
  • 4.2 Экспорт модели и интеграция в микросервис hr-ai.service
  • 4.3 Реализация серверной части микросервиса hr-ai.service
  • 4.4 Генерация аналитических рекомендаций с использованием LLM
  • 4.5 Интеграция с пользовательским интерфейсом
• ЗАКЛЮЧЕНИЕ
• СПИСОК ЛИТЕРАТУРЫ