Вакансии и резюме
Дерево «вакансия → резюме → новые резюме → кандидат», поиск по словам и тегам, избранное и даты по каждому элементу.
Портфолио · AI-платформа и компьютерное зрение
Проекты, которые
Проекты, которые
работают в проде
Две AI-платформы — OranGPT (оценка кандидатов с hh.ru по промпту, backend на FastAPI) и ada&alan (ИИ-интервью с персональным отчётом о кандидате). Голосовая ИИ-звонилка, которая делает тысячи звонков в неделю. И компьютерное зрение: порционный контроль на камерах реального заказчика плюс четыре демонстрационные модели для клиентов SIA Consulting.
2
AI-платформы
1 253
звонка за неделю
1
проект на камерах заказчика
4
демо-модели CV
OranGPT: оценка кандидатов с hh.ru по промпту
Инструмент для рекрутинга. Подтягивает вакансии и резюме, прогоняет кандидатов через LLM по настраиваемому промпту-критерию и выдаёт заключение, где каждый балл обоснован фактами из резюме. Я отвечал за backend на FastAPI.
Скоринг по промпту
Модель раскладывает оценку по блокам критериев и объясняет каждый балл конкретным фактом из резюме — не просто «подходит / не подходит».
Балл прямо в списке
Оценка выводится рядом с именем кандидата в дереве — рекрутер сразу видит, кого открывать первым, и может отсортировать поток по соответствию.
OranGPT Assistant
Чат с GPT-4 по выбранному кандидату: уточняющие вопросы по резюме и заключению, сравнение кандидатов, применение готовых шаблонов в один клик.
Шаблоны и автофильтр
Библиотека шаблонов ответов, автофильтр откликов, заметки и виртуальные сотрудники — рутина закрывается настройкой, а не ручной работой.
Редактор заключений
Заключение модели — это markdown-документ: заголовки, списки, таблицы, чек-листы. Рекрутер правит его вручную, автосохранение со счётчиком символов и строк.
Структура оценки кандидата
Пример из интерфейса: кандидат, набравший максимум по всем блокам.
Общая информация
2 / 2
- Актуальность резюме
- Системное мышление
Hard Skills
3 / 3
- Офисные программы
- Финансовый учёт
- Организация мероприятий
Soft Skills
4 / 4
- Организованность
- Коммуникабельность
- Инициативность
- Адаптивность
Стабильность
1 / 1
Итого
10 / 10
ИИ-интервью и персональный отчёт о кандидате
Платформа, где кандидат или работодатель проходит разговор с ИИ-агентом и получает развёрнутый отчёт о себе: индекс AI-ready, разбор собственных задач, три сценария карьеры с вилками зарплат, план действий и рекомендации по рынку. Продукт F-Lab \ Азбука — там я работал над backend и AI-модулями.
Create CV и Create Job Description.
Разговор вместо анкеты
Кандидат проходит интервью с ИИ-агентом в реальном времени. Отчёт строится на живом диалоге, а не на галочках в форме.
AI-Ready Index
Мультифакторный тест профессии через призму AI: сколько задач уходит под автоматизацию, сколько AI усиливает, что остаётся только за человеком.
Разбор своих задач
Не абстрактные проценты, а список конкретных задач: «создание рутинных экранов» — в рутину для AI, «диагностика сложных UX-проблем» — только за человеком.
Три сценария карьеры
Классическая роль, AI-усиленная и новая — каждая с вилкой зарплат, описанием и сроком перехода. Рекомендованные варианты помечены отдельно.
План действий
Что делать в ближайший месяц, за 3–6 и за 6–12 месяцев — с таймлайном перехода в AI-powered роль и списком AI-инструментов, которые стоит подтянуть.
Обе стороны рынка
Работодатель получает свою половину: генерация описания вакансии, оценка соискателей и подбор по совпадению с требованиями.
AI-Ready Index из отчёта
Мультифакторная оценка: как AI распределяет задачи профессии.
Рутина для AI
38 %
- рутинные экраны
- ресайзы и адаптация макетов
- подготовка черновиков
AI усилит тебя
42 %
- генерация вариантов
- структурирование идей
- ускорение итераций
Только ты
20 %
- эмпатия к пользователю
- интерпретация поведения
- коммуникация
AI-ready индекс
103
Три сценария карьеры из отчёта
Выбери свой путь развития в AI-эру — с вилкой и сроком перехода.
- Классическая роль Product Designer 180 000 – 270 000 ₽ 3–6 месяцев
- рекомендуем AI-усиленная роль AI-Enhanced Designer 250 000 – 400 000 ₽ 6–12 месяцев
- рекомендуем Новая роль Design Strategist 350 000 – 600 000 ₽ 1–2 года
Экраны приложения: онбординг и интервью
Шестнадцать десктопных экранов — от выбора языка и логина до экрана голосового интервью с агентом Адой, создания резюме и вакансии. Снимки интерфейса сделаны на локальной сборке: здесь важен сам UI, а не ответы модели.
Мобильная версия
Четыре экрана телефонной раскладки: главная, интервью, меню интервью и создание резюме.
Это тот же продукт, backend которого описан на главной странице в карточках «HR-платформа с голосовым real-time агентом» и «AI-консультант для HR и продаж». Здесь — кейс на уровне продукта, там — конкретный фронт моей работы.
ИИ-звонилка: 1 253 звонка за неделю
Голосовой агент сам обзванивает базу кандидатов, ведёт первичный опрос, подбирает вакансию и уводит диалог в мессенджер. Ниже — реальная выгрузка за 28 сентября — 4 октября 2026: 1 253 звонка по пяти базам. Все метрики посчитаны по этому файлу.
1 253
звонка за неделю
5 баз кандидатов
19,5 %
доля разговоров
244 из 1 253
56 сек
средний разговор
медиана 38 сек, максимум 7:41
4 988
реплик агента и кандидата
в среднем 7 реплик на диалог
5,9 ч
суммарная длительность
351 минута за неделю
Воронка обзвона
Что происходит с базой от набора номера до оформления.
- Всего звонков 1 253 100 %
- Ответили 705 56,3 %
- Разговор состоялся 244 19,5 %
- Зафиксирован интерес 42 3,4 %
- Согласились оформляться 7 0,6 %
Чем закончился звонок
Распределение всех 1 253 попыток дозвона.
- Разговор состоялся244
- Автоответчик302
- Нет ответа548
- Не поговорили139
- Сбой20
Нагрузка по дням
Обзвон идёт утром, с 8 до 12 часов. 1 и 3 октября выгрузка пустая — обзвона не было.
Итоги разговоров
Что агент зафиксировал в 526 звонках с содержательным итогом. В остальных 727 — автоответчик, сброс или нет ответа.
- Автоответчик или сброс 359
- Отказался 103
- Просил перезвонить 12
- Уже трудоустроен 9
- Не подошла вакансия 9
- Нужен живой рекрутёр 8
- Согласился оформляться 7
- Не подходит нам 7
- Думает 6
- Не тот номер 6
Скрининг по ходу разговора
Агент не просто звонит — он заполняет анкету кандидата. Вот что показала неделя.
- Готов на вахту — «нет» 637
- Готов на вахту — «да» 46
- Готов к переезду — «нет» 664
- Готов к переезду — «да» 19
Вопрос про вахту и переезд задан 683 кандидатам из 1 253. Готовы на вахту — 6,7 %, к переезду — 2,9 %. Это и есть главный вывод недели: база почти не мобильна, и городить под неё вахтовые вакансии смысла нет.
Пять баз — разный отклик
Доля разговоров среди всех попыток дозвона. Разброс почти в три раза.
- отклики_годные16 из 40 звонков 40,0 %
- потерянные_2026091632 из 125 25,6 %
- очередь_2026092491 из 414 22,0 %
- обработка_остаток_2026092213 из 60 21,7 %
- временно_2026092492 из 614 15,0 %
Самая крупная база — 614 звонков — дала худший отклик, а маленькая база откликов на вакансии сработала лучше всех. Тёплые отклики контактнее холодного обзвона.
Доля дозвона по часам
Чем позже в утреннем окне — тем выше шанс застать человека.
В 8 утра дозвон 15,2 %, в 10 — уже 25,2 %. При этом именно на 8 и 9 часов приходится 69 % всех звонков. Сдвиг основной массы на час позже дал бы больше разговоров при том же объёме.
Интерес = глубина разговора
Чем дольше человек говорит, тем выше оценка интереса. Значит, длину и число реплик можно использовать как прокси интереса ещё до того, как модель разметит звонок.
- Высокий интерес8 разговоров · 165 сек · 43 реплики 43
- Средний23 разговора · 139 сек · 31 реплика 31
- Низкий10 разговоров · 75 сек · 16 реплик 16
- Без оценки202 разговора · 41 сек · 9 реплик 9
Ещё один резерв: 32 автоответчика из 302 «продержались» дольше 40 секунд, а самый долгий — 148 секунд. Это время агент тратит впустую.
Это тот же обзвон, что описан на главной странице в карточке «Голосовой AI-обзвон для массового подбора» (проект Eltera.AI). Здесь — срез за конкретную неделю: цифры взяты из выгрузки, персоналии обезличены.
Порционный контроль на кухне заказчика
Первое направление CV — не демонстрация, а работающая система: модель подключена к камере над рабочей станцией и считает, сколько крылышек уходит в порцию. Заказчику нужны были объективные данные о среднем размере порции вместо оценки «на глаз».
Реальные камеры заказчика · март 2024
Подсчёт крылышек в порции
Камера смотрит на рабочую станцию сверху. Модель находит каждый кусок и упаковку, ведёт их по кадрам и инкрементирует счётчик в момент, когда крылышко пересекает виртуальную линию и уходит в порцию. На записи счётчик проходит 1 → 2 → 3 → 4.
Собранная статистика по смене показывает фактическое распределение порций — можно увидеть перекосы, разброс и средний вес, а не полагаться на слова сотрудников.
- Классы
chickenwhite pack- Счётчики
- Отдельно число прошедших упаковок и число кусков в порции
- Условия
- Реальная кухня: руки оператора, блики, пар, плотная заставленность кадра
- Результат
- Объективные данные о среднем размере порции вместо ручного контроля
Четыре модели для показа клиентам
Эти ролики собирались как витрина возможностей для потенциальных заказчиков SIA Consulting. Боксы, классы объектов, счётчики и виртуальные линии подсчёта отрисованы пайплайном поверх видеопотока.
01
Детекция + трекинг
Детекция и трекинг крупного рогатого скота на пастбище
Модель находит каждое животное в кадре и удерживает за ним постоянный ID между кадрами, а также различает состояние особи: стоит или кормится.
- Классы
cowcow_eating_grass- Что даёт
- Автоматический пересчёт стада и оценка поведения без обхода территории
- Результат
- Точность подсчёта выросла с ~60% (ручной учёт) до ~85%
02
Подсчёт + брак
Подсчёт цыплят на подвесном конвейере
Тушки движутся по подвесному конвейеру. Модель обводит каждую боксом и увеличивает счётчик в момент пересечения виртуальной линии, отдельно помечая брак.
- Классы
chickendefect- Механика
- Подсчёт по пересечению вертикальной линии: 1 → 4 → 10 → 15 на ролике
- Что даёт
- Учёт выработки и отбраковка без остановки линии
03
Подсчёт по линии
Штучный подсчёт продукции на конвейере
Изделия движутся по ленте в произвольной ориентации. Модель находит каждое, а диагональная виртуальная линия считает прошедшие объекты.
- Классы
maccaroni- Механика
- Счётчик по пересечению линии: 6 → 13 → 20 → 30 на ролике
- Что даёт
- Штучный учёт без механических счётчиков и остановки потока
04
Детекция + классификация
Классификация мороженого на линии глазирования
Мороженое на держателях опускается в глазурь. Модель находит каждый объект и относит его к типу — несмотря на блики, полупрозрачное покрытие и движение линии.
- Классы
yellow_icecreamwhite_icecream- Условия
- Блики, глазурь, непрерывное движение — «сложный» производственный свет
- Что даёт
- Контроль типа продукции и сортировка прямо на линии
Эти четыре ролика — демонстрационные: в них используются тестовые записи, специально подобранные посложнее (блики и глазурь, плотный поток объектов, стадо с разным поведением). Проект с крылышками выше снят на камерах реального заказчика.
Что умеют CV-модели
Один реальный проект и четыре демо сводятся к четырём прикладным задачам, которые чаще всего заказывают производство, общепит, логистика и агробизнес.
Порционный контроль в общепите
Подсчёт кусков, уходящих в одну порцию, по камере над рабочей станцией. Даёт объективное распределение порций по смене вместо оценки на глаз.
Крылышки · март 2024Штучный подсчёт на конвейере
Объекты пересекают виртуальную линию — счётчик инкрементируется один раз на объект. Работает при произвольной ориентации и частичном перекрытии.
Демо 02 · 03Контроль качества и отбраковка
Отдельный класс defect и разделение продукции по типам позволяют
отбраковывать брак и сортировать поток прямо на линии.
Трекинг и поведение объектов
Постоянный ID для каждого объекта между кадрами и определение состояния — например, кормится животное или просто стоит.
Демо 01Путь от записи с камеры до готовой CV-модели
Каждая демонстрация — это полный цикл: данные, обучение, валидация, инференс и отдача результата в интерфейс заказчика.
-
01
Сбор и разметка данных
Записи с камер заказчика и тестовых сцен: кадрирование, отбор сложных случаев, разметка боксов и классов. Наборы собирались вручную там, где готовых данных не было.
Roboflow RTSP OpenCV -
02
Обучение модели
Детекторы YOLOv5 и YOLOv8 на PyTorch: подбор гиперпараметров и аугментаций, контроль переобучения, доборы недостающих классов.
YOLOv5 / v8 PyTorch Аугментации -
03
Валидация и разбор ошибок
Метрики на отложенной выборке, просмотр ложных срабатываний и пропусков, возврат сложных кадров в датасет и повторное обучение.
mAP / IoU Разбор ошибок -
04
Real-time инференс
Обработка видеопотока в реальном времени на OpenCV: трекинг объектов, логика виртуальных линий и подсчёта, отрисовка боксов, классов и счётчиков.
OpenCV Трекинг Виртуальные линии -
05
Отдача результата
Результаты анализа уходят в веб-интерфейс клиента через Flask REST API. Автоматическая генерация статистики и отчётов по распознаванию — без ручного пересчёта.
Flask REST API Отчёты Linux
Технологии проектов
OranGPT: платформа
- Python
- FastAPI
- REST API
- GPT-4
- LLM-скоринг
- Промпт-инжиниринг
- hh.ru
ada&alan: платформа
- Python
- FastAPI
- Django
- PostgreSQL
- pgvector
- ElevenLabs
- WebRTC
- WebSocket
- LangChain
ИИ-звонилка: обзвон
- Python
- ElevenLabs
- Asterisk / PJSIP
- Bitrix24 REST
- Docker
- VPS (РФ)
- Telegram / MAX / WhatsApp
CV: модели и обучение
- YOLOv5 / YOLOv8
- PyTorch
- Трекинг объектов
- Классификация
- Аугментации
- Метрики mAP / IoU
CV: видео и данные
- OpenCV
- RTSP
- Roboflow
- NumPy
- Разметка датасетов
CV: backend и отдача
- Python
- Flask
- REST API
- Linux
- Автогенерация отчётов
Нужна похожая система под вашу задачу?
LLM-платформа с интеграцией внешнего сервиса или компьютерное зрение на ваших камерах — предложу архитектуру, оценю объём разметки и сроки. Работаю с HR-tech, производством, общепитом, логистикой и агро.