Как мы создали AI-платформу Headz для подбора IT-команд без стресса

В 2022 году мы начали проект по созданию платформы, которая решит ключевую проблему найма в IT — несоответствие ожиданий между компаниями и разработчиками. Клиент пришел с гипотезой: если мы научим алгоритм понимать, кто кому подходит, и избавим обе стороны от перегрузки информацией — скорость и качество подбора вырастут кратно.

Платформа задумывалась не просто как каталог профилей, а как цифровой ассистент, умеющий учитывать контекст каждой стороны: корпоративную культуру, особенности стеков, графики, этапы карьерного роста. Мы хотели создать не витрину, а партнерскую экосистему, где интересы обеих сторон совпадают.

Проблема: перегруз и «слепые» отклики

На классических job-платформах каждый кандидат видит десятки предложений, большая часть которых не соответствует его критериям: не тот стек, формат, зарплата или стиль команды. Работодатели в ответ тратят часы на сортировку резюме, а все равно получают нерелевантные отклики. Мы сфокусировались на проблеме избыточности: как показать только то, что важно?

Этап 1: Проектирование логики интеллектуального матчинга

Сначала мы декомпозировали сценарии поведения пользователей: что они выбирают, как отказываются, что лайкают. На основе этого составили модель: каждый отклик, лайк или отказ — это сигнал, обучающий систему. Платформа начала «понимать», какие сочетания работают, а какие — нет.

Мы отказались от фильтров в классическом смысле. Вместо этого создали алгоритм на основе исторических действий: если 10 похожих команд нанимали backend-разработчика уровня Middle с определенным опытом — система предлагает таких кандидатов в похожих контекстах.

Этап 2: Создание кабинетов с разной логикой

Платформа разделена на две логики — для компаний и разработчиков. В кабинете работодателя: воронка кандидатов, история действий, быстрые отклики. В кабинете кандидата — прозрачные предложения, история взаимодействий, возможность управлять видимостью профиля.

Каждый кабинет — это полноценный интерфейс принятия решений. Мы внедрили аналитику, уведомления, управление задачами по команде. Система запоминает не только, что пользователь выбрал, но и как — в какое время, в каком контексте, после каких действий. Все это — данные для алгоритма.

Этап 3: Архитектура и масштабируемость

На backend мы использовали Python и Node с ML-ядром, которое собирает и обрабатывает действия пользователей. Frontend — на React. Дизайн — минималистичный, понятный без инструкций.

Мы заложили масштабируемость в основу: каждая компания может создавать «паттерны команд» — готовые модели под конкретный формат проекта. В будущем это позволит расширить платформу за пределы IT.

Этап 4: MVP с фокусом на обучение модели

Первый релиз был сфокусирован на обучении: мы отслеживали, как пользователи взаимодействуют с системой, и ежедневно обновляли параметры матчинга. Благодаря этому Headz уже через 3 месяца начал показывать рост релевантности совпадений.

Мы выстроили воронку обратной связи, где кандидаты могли объяснить, почему отказались от оффера, а работодатели — почему не пригласили. Эти данные стали частью постоянного обучения алгоритма.