Career Quest

AI-навигатор развития сотрудников для кейса Halyk Bank · HackAlem AI 2026

Career Quest превращает разрозненные данные о навыках, карьерной цели и истории обучения в конкретный следующий шаг. Сотрудник видит что развивать, зачем и какой результат ожидается, а HR — где сосредоточены дефициты команды и кому нужна поддержка.

Профиль + история + цель → 1–3 объяснимые рекомендации → личный план → проверенный результат → обновлённый прогресс

Проблема

Корпоративный каталог обучения отвечает на вопрос «что доступно», но не отвечает на вопрос сотрудника: «что поможет именно мне приблизиться к следующей роли?»

• рекомендации без карьерного контекста выглядят случайными;
• пройденная активность не всегда означает приобретённый навык;
• HR видит множество записей, но не получает понятной картины дефицитов;
• повторный курс может быть формально подходящим, но уже не давать прироста.

Решение

Career Quest строит путь от карьерной цели к проверяемому действию:

flowchart LR
    A[Профиль и история] --> B[Актуальные навыки]
    B --> C[Разрывы до цели]
    C --> D[Допустимые активности]
    D --> E[AI ранжирует 1–3 шага]
    E --> F[Сотрудник добавляет шаг в план]
    F --> G[Результат проходит проверку]
    G --> H[Навыки и прогресс пересчитываются]

Система не рекомендует мероприятие только потому, что оно совпало по названию навыка. Она проверяет аудиторию, требования, расписание, историю участия, уже начатые и завершённые шаги, реальный прирост и потолок каждого мероприятия.

Ценность продукта

Для сотрудника	Для HR и бизнеса
Понятный следующий шаг вместо длинного каталога	Карта дефицитов по подразделениям и грейдам
Объяснение через цель, разрыв и историю	Список сотрудников, которым нужна поддержка
Ожидаемый прирост навыков до начала активности	Проверяемый цикл от рекомендации до результата
Личный план и прогноз покрытия цели	Загрузка новых профилей без изменения кода

Что реализовано

Персональные рекомендации

• до трёх подходящих активностей;
• численный эффект, например System Design 1 → 2;
• объяснение через карьерный разрыв и историю сотрудника;
• исключение обязательных, недоступных, бесполезных и уже пройденных шагов;
• честное пустое состояние: цель достигнута, шаг уже в плане или каталог не закрывает потребность.

Личная траектория

• текущие уровни и требования целевой роли;
• приоритетный критичный разрыв;
• состояния плана: запланировано → в работе → на проверке → завершено;
• прогноз прогресса отдельно от фактических навыков;
• сохранение версий работы и обратной связи.

Навыки не меняются от одного нажатия «начать». Прирост применяется только после подтверждённого результата и не начисляется повторно.

HR-пространство

• дефициты команды относительно индивидуальных целей;
• фильтры по подразделению, грейду, навыку и сигналу поддержки;
• поиск по имени, ID и роли;
• согласованные показатели и список сотрудников для выбранного фильтра;
• импорт новых профилей и истории через безопасный предпросмотр.

HR выступает координатором развития. Технические задания и их содержательную оценку должен согласовывать компетентный руководитель или эксперт. В прототипе проверка доступна через общий HR-кабинет; отдельного назначения экспертов пока нет.

Если каталога недостаточно

Сотрудник может запросить индивидуальную практику по незакрытому навыку. HR согласует ожидаемый результат и критерии, после чего сотрудник добровольно добавляет задание в план. Для демонстрации подготовлен редактируемый кейс по проектированию сервиса уведомлений.

Это дополнительный сценарий. Основная ценность продукта — качественный и объяснимый подбор из существующего каталога.

Как работает AI

1. Сервер вычисляет актуальные навыки, разрывы и список допустимых мероприятий.
2. В модель передаются обезличенные признаки: роль, грейд, стаж, формат работы, цель, разрывы и агрегированная история.
3. Модель ранжирует до трёх кандидатов и выбирает подтверждающие факты.
4. Сервер проверяет каждый event_id, факт, критичность и численный эффект.
5. Только проверенный результат показывается пользователю.

Модель не может придумать мероприятие, навык или число. Имена, ID сотрудников и сырые строки истории не отправляются. При недоступности провайдера включается явно обозначенный многофакторный подбор по правилам — основной сценарий остаётся рабочим.

Используются OpenAI Responses API и Structured Outputs. Модель по умолчанию — gpt-4.1-mini. Один контрольный live-вызов занял 4,44 с; это отдельный замер, не гарантия задержки под нагрузкой.

Данные и расчёт прогресса

Исходный синтетический набор:

Сущность	Количество
Сотрудники	200
Мероприятия	40
Навыки	60
Профили ролей	32
Записи истории за 24 месяца	2 743

Навыки из последней аттестации дополняются завершениями после last_review_date. Эффект активности ограничен шкалой 0–5 и её собственным потолком:

new_level = max(current_level, min(5, max_level, current_level + gain))

Покрытие цели показывает долю уже достигнутых уровней целевого профиля. Это индикатор развития, а не вероятность повышения.

Дополнительные employees.json и activity_history.csv проходят проверку схемы, связей, дат и повторов. До сохранения HR видит, сколько записей будет создано, изменено или оставлено без изменений. Подтверждение выполняется одной транзакцией.

Быстрый запуск

Требуются Docker Desktop или Docker Engine с Compose.

git clone https://github.com/BAITC-Hacks/hack-3cd2281d-meta-juniors.git
cd hack-3cd2281d-meta-juniors
docker compose up --build -d

Открыть http://localhost:8000. Первый запуск применит миграции, загрузит датасет и создаст демо-аккаунты. PostgreSQL хранится в Docker volume и не сбрасывается при обычном перезапуске.

Роль	Логин	Пароль
Сотрудник, профиль E0028	employee	career-demo-2026
HR	hr	career-demo-2026

На странице входа есть кнопки обеих демо-ролей. Если порт 8000 занят, добавьте в .env строку APP_PORT=8001 и откройте http://localhost:8001.

Полезные команды:

docker compose ps
docker compose logs --tail=50 web
docker compose down

docker compose down сохраняет данные. Не добавляйте -v, если PostgreSQL volume нужно оставить.

Подключение OpenAI

Создайте .env, только если его ещё нет:

if (!(Test-Path .env)) { Copy-Item .env.example .env }

Добавьте ключ OpenAI Platform:

OPENAI_API_KEY=ваш_API_ключ
OPENAI_MODEL=gpt-4.1-mini

Пересоздайте web-контейнер:

docker compose up -d --force-recreate web

Ключ используется только сервером, не передаётся в браузер и исключён из Git. Без ключа приложение автоматически работает в резервном режиме и показывает это в интерфейсе.

Демо за 3 минуты

1. Войти как employee и показать цель, разрывы и карточки рекомендаций.
2. Открыть «Почему этот шаг подходит» и численный ожидаемый прирост.
3. Добавить рекомендацию в план: прогноз изменится, фактические навыки — нет.
4. Войти как HR и показать дефициты команды и фильтр по навыку.
5. Открыть загрузку данных и объяснить предпросмотр неизвестных профилей.

Для отдельного примера корректного исключения откройте через HR профиль E0028 после завершения Designing High-Load Systems: повторный System Design Fundamentals с потолком 3 уже не даёт прироста и не должен рекомендоваться для цели Senior с требованием 4.

Подробный сценарий: docs/DEMO.md.

Архитектура

Django Templates + JavaScript
            │
       Django / DRF
       ├── career.py          актуальные навыки и разрывы
       ├── recommendations.py AI, валидация и fallback
       ├── plans.py           переходы личного плана
       ├── practice.py        задания, версии и проверка
       ├── trajectory.py      прогноз без записи в навыки
       └── importer.py        preview и атомарный импорт
            │
       PostgreSQL 16

Стек: Python 3.12 · Django 5.2 LTS · DRF · PostgreSQL 16 · OpenAI Responses API · Pydantic · JavaScript · Docker Compose · Waitress · WhiteNoise.

Ролевой доступ построен на Django sessions, группах и CSRF. Сотрудник видит только собственные профиль, план и работы. HR не может менять карьерную цель или план за сотрудника. Самопроверка результата запрещена.

Проверка качества

.\.venv\Scripts\python.exe manage.py test
.\.venv\Scripts\python.exe manage.py check
.\.venv\Scripts\ruff.exe check .

В финальной сборке:

• 68 тестов проходят на SQLite и PostgreSQL 16;
• контейнеры web и db проходят healthcheck;
• проверены вход, роли, CSRF, импорт, рекомендации, переходы плана, возврат работы и идемпотентность подтверждения;
• медиана локального HTTP-ответа: профиль 61,1 мс, HR-обзор 200 сотрудников 253,4 мс;
• мобильный интерфейс проверен при ширине 390 px.

Автотесты не расходуют API-кредиты: ответы модели там заменены контролируемыми данными. Live-проверка описана отдельно в docs/VERIFICATION.md.

Ограничения прототипа

• нет промышленной интеграции с корпоративными SSO и LMS;
• нет отдельной роли и механизма назначения технического эксперта;
• интерфейс преимущественно на русском, названия каталога сохранены на английском;
• прирост навыка основан на правилах синтетического датасета и не заменяет аттестацию;
• влияние на вовлечённость ещё не измерено на реальных пользователях;
• качество и задержка live-AI зависят от модели, сети и API.

Документация

• Discovery Matrix — исходный анализ
• Solution Validation Matrix — реализация и доказательства
• Архитектура, формулы и принятые решения
• Сценарий защиты
• Результаты проверок и измерений
• Описание исходного датасета

Команда

Meta Juniors · HackAlem AI 2026 · трек «Управление» · кейс Halyk Bank.

Данные предоставлены организатором и являются синтетическими. Код решения разработан командой во время хакатона с использованием Codex. Готовый сторонний проект Career Quest не использовался.

OpenAI: Structured Outputs · GPT-4.1 mini