Данные на службе у сотрудников: как алгоритмы машинного обучения помогают развиваться и строить карьеру в Сбере

Не так давно мы в Сбере запустили Пульс — собственную HR-платформу для сотрудников. Там можно оформить отпуск или удалёнку, завести свои цели и дать обратную связь по работе коллег, а ещё — получить рекомендации по обучению: курсы, статьи и книги, заботливо подобранные искусственным интеллектом для каждого сотрудника. И даже найти вакансию мечты. Точнее, вакансии находят кандидатов сами, и в этом тоже участвует machine learning (ML). Сегодня мы расскажем, как именно алгоритмы помогают сотрудникам Сбера развиваться и быть более эффективными.

Главная идея создания собственной HR-платформы заключалась в том, чтобы все нужные сотрудникам сервисы были в одном месте и с максимально удобным пользовательским опытом. Мы решили собрать там всё необходимое: от рабочих документов до тестов и опросов. При этом стояла задача не перегрузить сервис.

Сейчас доступ к платформе есть у всех сотрудников и ключевые функции системы одинаковы для всех. Но у каждого есть своя специфика работы, интересы и векторы развития, поэтому без кастомизации не обошлось. И главным средством её достижения стали рекомендательные системы.

Рекомендательные системы сейчас выполняют в Пульсе две функции: предлагают сотрудникам интересный контент для профессионального развития и релевантные вакансии внутри Сбера.

Когда новый сотрудник приходит в Сбер и регистрируется в Пульсе, у сервиса уже есть необходимый минимум данных о нём. Например, приложение знает, что он разработчик или финансовый аналитик, в каком подразделении работает и в какой команде. Для новичков у нас есть специальные рекомендации: это советы, которые помогают поскорее адаптироваться. Например, такие.

Регистрируясь в Пульсе, сотрудник может указать свои интересы. Они могут быть гораздо шире его основной деятельности. Допустим, человека, который пришёл на позицию UX-редактора, ещё привлекают разработка, менеджмент или дизайн. Рекомендательная система это учтёт и первые предложения сформирует с опорой на эти интересы и информацию о специализации и навыках, указанных в резюме.

То есть UX-редактору, который сообщил, что интересуется менеджментом, будут показывать материалы и по редактуре, и по менеджменту. Это курсы, статьи, книги и другой контент с внешних и внутренних ресурсов. Алгоритм сопоставляет ключевые слова из описания единицы контента с тегами, указанными в профиле сотрудника, и понимает, что ему порекомендовать. Ниже — пример ленты с рекомендациями. Каждый день в ленте у сотрудника появляется примерно 10 новых единиц контента.

Все рекомендательные системы работают по одному принципу: они обучаются на реакциях пользователей и начинают предлагать то, что ему с высокой вероятностью понравится. Всё, как в вашем любимом музыкальном приложении или сервисе для просмотра сериалов. Наши алгоритмы работают так же. На каждую единицу контента человек может поставить лайк или дизлайк, и со временем сервис поймёт, что ему интересно, а что не очень. Кроме того, лайки и дизлайки помогают понять, насколько курс или статья в целом заинтересовали наших пользователей. Если курс собрал много хороших реакций, алгоритм начнёт активнее рекомендовать его остальным.

Всеми этими алгоритмами управляет специальный диспетчер моделей. Это необучаемая модель, мы настраиваем диспетчер вручную. Но в планах — обучить отдельный алгоритм, чтобы он был «главным» и управлял всеми остальными. Диспетчер помогает сделать рекомендации более сбалансированными. Допустим, из 10 единиц контента пять он порекомендует на основании реакций пользователя, три — потому что они популярны и ещё две — на основе интересов, указанных в профиле. Иногда мы меняем это соотношение и смотрим, что получается.

Контент нам поставляют коллеги из самых разных источников: это может быть статья в РБК, пост на «Хабре» или материалы из Виртуальной школы Сбера. Ниже — пример контента для IT-специалистов.

В целом мы довольны тем, как работает наша рекомендательная система. О популярности нашей ленты мы судим по нескольким показателям. Например, like2user и dislike2user — количество действий пользователя к количеству пользователей за период времени. А ещё — positive2user, то есть абсолютное число положительных реакций пользователя на все рекомендации, подобранные для него. Чем больше людей реагируют на обучающие материалы, тем умнее становится наша система и тем более релевантный контент предлагает каждому пользователю.

Искусственный интеллект давно всячески помогает нашей HR-команде, в том числе в поиске людей внутри Сбера. В Пульсе за рекомендации интересных вакансий сотрудникам отвечает специальный алгоритм. Поначалу мы обучали его на исторических данных.

У нас был довольно большой объём информации о том, как сотрудники мигрировали между отделами и внутри них. Потом мы дообучили алгоритм на более актуальных данных и продолжаем это делать. Сейчас алгоритм опирается на информацию о карьерных изменениях большого количества сотрудников и данные о конкретном человеке. Он учитывает должность, интересы, навыки, сертификаты о пройденных курсах. Сравниваются ключевые теги в вакансии и профиле сотрудника, а после ранжирования вакансий пользователь видит рекомендацию. Так, например, middle-тестировщик может узнать, что в соседнем подразделении появилась вакансия уровня senior, и откликнуться на неё.

Судя по продуктовым метрикам, сервис работает хорошо, и рекомендательные системы справляются со своей задачей. Но мы планируем их улучшать. Так, скоро у нас появятся рекомендации интересных профильных мероприятий и конференций, и они тоже будут персонализированными. А ещё мы начнём определять релевантность контента для каждого пользователя с указанием её процента. Благодаря этому алгоритмы будут работать ещё точнее.