Кейс Fortech: Как мы создали AI-тренажер для собеседований

По данным рекрутинговых агентств, до 67% кандидатов показывают на собеседованиях результат ниже реального уровня компетенций. Причина — недостаток практики и отсутствие качественной обратной связи. Параллельно HR-специалисты тратят значительную часть рабочего времени на первичный отсев: просмотр резюме, проведение скрининговых интервью, оценку soft skills.

В 2023 году к нам обратился заказчик с задачей создать платформу для подготовки к собеседованиям. Концепция продукта: пользователь записывает видеоответы на типовые вопросы работодателей, а система анализирует результат и формирует рекомендации. Не общие фразы, а конкретные указания — какие элементы ответа требуют доработки, как улучшить структуру, на какие аспекты обратить внимание. В этом материале мы расскажем, как была реализована платформа.

Почему стандартные API-решения не подошли

На этапе проектирования мы рассмотрели возможность использования готовых сервисов — OpenAI API, Google Cloud Speech-to-Text и аналогичных решений. Анализ показал, что для данного проекта такой подход не оптимален.

Ограничения мультимодального анализа

Собеседование — это не только текст. Интонация, темп речи, паузы, уверенность подачи — все эти параметры влияют на восприятие кандидата. На момент старта проекта публичные API работали преимущественно с текстом. Транскрибация через стандартные сервисы теряла значительную часть контекста: эмоциональную окраску, динамику ответа, невербальные сигналы. Даже мультимодальные версии не обеспечивали требуемой глубины анализа видеопотока.

Платформа должна была оценивать несколько параметров одновременно: содержание ответа, его структуру, манеру подачи, уверенность говорящего. Стандартные API не предоставляли инструментов для комплексного анализа.

Требования к методологии оценки

Универсальные языковые модели генерируют рекомендации общего характера. Для данного продукта требовалась оценка по конкретным критериям — например, по методологии STAR (Situation — ситуация, Task — задача, Action — действие, Result — результат), которую рекрутеры используют для анализа поведенческих интервью. Система должна была проверять наличие структуры в ответе, фиксировать отклонения от темы, оценивать полноту раскрытия вопроса. Такая специализация требует кастомной логики.

Требования к безопасности данных

Видеозаписи пользователей относятся к биометрическим данным. Передача такой информации в публичные облачные сервисы без дополнительных мер защиты создает риски — как репутационные, так и юридические. Заказчик требовал размещения критичных компонентов в контролируемой инфраструктуре. SaaS-решения такой возможности не предоставляют.

Архитектура решения Платформа построена на модульной архитектуре. Каждый компонент отвечает за отдельную функцию, при этом все модули интегрированы в единую систему через REST API. Такой подход обеспечивает гибкость при масштабировании и упрощает поддержку.

Модуль записи и обработки видео

Пользователь выбирает тему (например, «Поведенческое интервью для менеджера проектов»), получает вопрос и записывает ответ. Клиентская часть на Angular захватывает видеопоток, выполняет первичную компрессию и передает данные на сервер. Firebase обеспечивает хранение файлов и синхронизацию в реальном времени.

Модуль транскрибации и NLP-анализа

Видеозапись проходит через компонент распознавания речи, который формирует текст с разметкой по таймкодам. Далее NLP-модуль анализирует содержание: сравнивает ответ с эталонными критериями, оценивает структуру, фиксирует использование профессиональной лексики. На выходе — набор метрик по нескольким параметрам.

Модуль формирования рекомендаций

Финальный компонент генерирует обратную связь. Система не ограничивается числовой оценкой — она указывает конкретные фрагменты, требующие доработки, предлагает альтернативные формулировки, приводит примеры из базы знаний. Такой формат превращает платформу в инструмент обучения, а не тестирования.

Технические сложности и их решения

В процессе разработки команда столкнулась с рядом задач, которые потребовали нестандартных подходов. Ниже — наиболее значимые из них.

Распознавание профессиональной терминологии

Специалисты разных отраслей используют специфическую лексику. Фраза «задеплоил хотфикс на прод» понятна разработчику, но стандартные модели распознавания интерпретируют её некорректно. Мы сформировали отраслевые глоссарии и дообучили компонент транскрибации. Точность распознавания технических терминов выросла на 18%.

Учет особенностей произношения

Платформа ориентирована на русскоязычную аудиторию, однако пользователи часто используют англицизмы и имеют региональные особенности речи. Чтобы эти факторы не влияли на итоговую оценку, мы внедрили двухэтапную валидацию: автоматический анализ дополняется выборочной экспертной проверкой. Алгоритм научился отделять особенности произношения от содержательных ошибок.

Тональность обратной связи Ранние версии системы формировали чрезмерно критичные рекомендации. Тестирование показало, что это снижает мотивацию пользователей продолжать тренировки. Мы переработали алгоритм генерации обратной связи: теперь система формулирует замечания конструктивно и обязательно отмечает сильные стороны ответа.

Технологический стек

Фронтенд построен на Angular. Фреймворк подходит для сложных интерфейсов с множеством интерактивных элементов: видеоплеерами, формами обратной связи, дашбордами прогресса. Типизация TypeScript снижает количество ошибок при командной разработке, модульная структура упрощает расширение функционала. В качестве бэкенда и хранилища данных используется Firebase. Реалтайм-синхронизация обеспечивает мгновенное обновление интерфейса: статус загрузки видео меняется без перезагрузки страницы. Встроенная система аутентификации упростила реализацию безопасной регистрации. Взаимодействие между модулями организовано через REST API. Четко определенные контракты между компонентами упрощают тестирование и позволяют заменять отдельные части системы без переработки всей архитектуры.

Реализованные функции

Проект включал разработку нескольких ключевых подсистем. Команда работала в тесном взаимодействии с заказчиком по методологии Scrum, что позволило оперативно корректировать приоритеты и получать обратную связь на каждом этапе.

Система регистрации и авторизации. Реализована безопасная форма входа с поддержкой двухфакторной аутентификации. Данные пользователей хранятся в зашифрованном виде, токены сессий обновляются автоматически.

Модульная архитектура контента. Структура фронтенда позволяет добавлять новые темы и вопросы без изменения кодовой базы. Контент загружается через административную панель.

Интеграция с Firebase. База данных хранит профили пользователей, метаданные видеозаписей и результаты анализа. Все операции проходят через промежуточный слой валидации и логирования.

Система отслеживания прогресса. Пользователь видит пройденные темы, задания, требующие повторения, динамику оценок. Визуализация прогресса повышает вовлеченность.

Преимущества кастомной разработки

Готовые SaaS-решения привлекательны низким порогом входа и быстрым запуском. Однако при масштабировании продукта и усложнении требований их ограничения становятся критичными. Для данного проекта кастомная разработка обеспечила ряд существенных преимуществ.

Ключевые факторы в пользу собственной платформы:

• гибкость настройки под специфические методологии оценки;
• полный контроль над данными и инфраструктурой;
• независимость от ценовой политики внешних провайдеров;
• возможность дообучения моделей на собственных данных;
• отсутствие ограничений на горизонтальное масштабирование.

Заказчик планировал долгосрочное развитие продукта, поэтому инвестиции в собственную платформу были экономически обоснованы. Отсутствие абонентских платежей внешним сервисам и возможность самостоятельного развития системы обеспечивают окупаемость в среднесрочной перспективе.

Этапы реализации проекта

Разработка велась по методологии Scrum с двухнедельными спринтами. Регулярные демонстрации позволяли заказчику контролировать прогресс и вносить коррективы без ожидания финальной версии. Проект прошел несколько последовательных фаз.

Основные этапы работы:

-Анализ и проектирование. Сбор требований, формирование технического задания, проектирование архитектуры, согласование MVP. -Разработка базовой версии. Создание ядра платформы: регистрация, запись видео, хранение данных. -Интеграция AI-компонентов. Подключение модулей транскрибации, NLP-анализа, генерации рекомендаций. -Тестирование и оптимизация. Нагрузочное тестирование, устранение узких мест, доработка UX по результатам обратной связи. -Запуск и передача. Развертывание продакшен-версии, настройка мониторинга, передача документации.

Полный цикл разработки занял несколько месяцев. Регулярное взаимодействие с заказчиком на каждом этапе позволило избежать дорогостоящих переделок и выпустить продукт в согласованные сроки.

Параметры анализа ответов

Ключевая ценность платформы — глубина и структурированность анализа. Пользователь получает не абстрактную оценку, а детальный разбор с привязкой к конкретным фрагментам записи. Система оценивает ответ по нескольким измерениям одновременно.

Основные параметры оценки:

• Структура ответа — соответствие методологии STAR или аналогичным техникам построения ответа.
• **Полнота раскрытия **— сравнение с эталонными ключевыми точками, которые должен содержать ответ.
• **Речевые характеристики **— слова-паразиты, длительность пауз, темп речи, заполнители.
• Профессиональная лексика — уместность и корректность использования терминологии.
• Подача материала — тональность, уверенность, общее впечатление от ответа.

Комплексный подход позволяет пользователю определить зоны роста и получить конкретные рекомендации по каждому параметру. Система приводит примеры улучшенных формулировок и ссылки на релевантные материалы.

Результаты проекта

По завершении разработки заказчик получил готовый к эксплуатации продукт с полным комплектом технической документации. Платформа прошла нагрузочное тестирование и подтвердила способность обрабатывать значительные объемы данных без деградации производительности.

Количественные показатели проекта:

• Платформа выдерживает более 1000 одновременных сессий записи видео.
• Среднее время обработки одного видеоответа — менее 30 секунд.
• Точность транскрибации достигает 95% при стандартном произношении.
• Нагрузка на экспертов **снизилась на 60% **за счет автоматизации первичного анализа.

Продукт обеспечил заказчику конкурентное преимущество на рынке EdTech. Воспроизвести подобную систему на базе готовых API в сжатые сроки невозможно — это создает барьер для копирования.

Применимость решения

Кастомная AI-платформа требует инвестиций и оправдана в сценариях, где стандартные решения не обеспечивают необходимый функционал. Подобная разработка актуальна для организаций с определенным профилем задач.

Типичные заказчики подобных проектов:

• EdTech-компании с планами масштабирования;
• корпоративные учебные центры и HR-подразделения крупных организаций;
• рекрутинговые агентства с высоким потоком кандидатов;
• платформы онлайн-образования, расширяющие функционал;
• компании с повышенными требованиями к безопасности данных.

Для проверки гипотез и MVP стандартные сервисы могут быть достаточны. Однако при переходе к полноценному продукту с долгосрочной перспективой развития собственная инфраструктура становится экономически обоснованным решением.

Выводы проекта

Работа над платформой подтвердила ряд принципов, которые мы применяем в аналогичных проектах. Эти наблюдения могут быть полезны при планировании подобных разработок.

Основные выводы:

• Качество данных определяет качество модели. Инвестиции в подготовку обучающей выборки окупаются точностью работы алгоритмов.
• Обратная связь от пользователей критична. Теоретические предположения часто расходятся с реальным поведением аудитории. -** Модульная архитектура упрощает развитие**. Замена или доработка отдельного компонента не требует переписывания всей системы.
• Безопасность закладывается на старте. Добавление защитных механизмов постфактум обходится дороже и сложнее.

Эти принципы применимы к любым проектам с машинным обучением. Учет специфики предметной области и регулярное взаимодействие с заказчиком — основа успешного результата.

Итоги

SaaS-решения подходят для типовых задач: чат-боты поддержки, базовые суммаризаторы, стандартная аналитика. При этом продукты с глубокой специализацией, работой с чувствительными данными и долгосрочной перспективой развития требуют собственной инфраструктуры.

Описанный проект демонстрирует, как кастомная разработка превращает концепцию в работающий продукт с уникальными характеристиками. Платформа для подготовки к собеседованиям объединила видеозапись, транскрибацию, NLP-анализ и экспертную обратную связь в единую экосистему. Готовые API не обеспечивали необходимый уровень интеграции и контроля.

Подробнее о проекте — на странице кейса: https://fortech.dev/projects/interview-platform/