Приглашаем на GenAI MeetUp от hh team × Lamoda Tech

Сегодня значительная часть времени у тех, кто нанимает, уходит на однообразные задачи. В результате повышается риск упустить сильного кандидата. Чтобы решить эту проблему, мы в hh создали ИИ-помощника на базе LLM, который автоматизирует часть рутины и возвращает время рекрутерам на живое общение и взвешенную оценку. В докладе расскажу, как устроен диалоговый навык (общение с соискателем) нашего ассистента, а также с какими трудностями мы столкнулись при его разработке и выводев продакшен.

19:40 — Контролируемый агент поддержки: как мы превратили обратную связь из прода в роадмап

LLM-агенты всё чаще становятся частью реальных бизнес-процессов, но вместе с этим возникает главный вопрос: как сохранить контроль над их поведением и развитием?

В докладе расскажу, как команда выстраивала контролируемого support-агента и почему система оценки стала таким же важным компонентом, как и сам агент. На примере нашего решения покажу, как превратить обратную связь, мониторинг и observability в инструмент развития продукта и источник изменений для roadmap.

Обсудим:

Компании в hr tech уже используют LLM для оценки кандидатов, но регулярно сталкиваются с проблемой: такие оценки сложно проверить, стандартизировать и сделать воспроизводимыми. Чтобы разобраться, насколько вообще можно доверять нейромоделям в этой задаче, мы в hh разработали решение с LLM-судьёй — отдельной моделью, которая оценивает качество ответов и резюме по заданным критериям.

21:00 — Как мы строим GenAI-платформу в Lamoda: от MVP к production-решениям

В докладе разберём эволюцию GenAI-инфраструктуры в Lamoda: от быстрого старта на Yandex DataSphere до появления production-требований к latency, стабильности и масштабируемости.

Покажем реальные архитектурные компромиссы при построении векторного поиска или почему мы выбрали именно Yandex DataBase.

Отдельно разберём инженерные паттерны для GenAI: как с опорой на python-экспертизу команды организовали polling / callback запросов к модели генерации образов внутри Triton Inference Server, когда ответа нужно ждать некоторое количество секунд.

В завершении обсудим, как по мере роста платформы трансформируется взаимодействие DS и MLOps, и какие организационные решения позволяют масштабировать разработку без потери скорости.