ScoreWorker — это система анализа обратной связи сотрудников, предназначенная для оценки и генерации сводной информации о сотрудниках на основе отзывов коллег и руководителей. Система построена на базе Django для бэкенда, HTML/CSS/JavaScript для фронтенда, Python для обработки данных и Figma для разработки интерфейса.
Основная задача ScoreWorker — создание динамичной системы, которая позволяет:
- Суммировать оценки сотрудников на основе обратной связи.
- Оценивать навыки по заданным критериям.
- Выделять технические навыки (hard skills), указанные в отзывах.
- Определять общую оценку сотрудника по шкале от 1 до 5 на основе всех отзывов.
Система использует графическое представление "колесо баланса" для визуализации оценки soft skills и применяет методы машинного обучения для анализа стиля самооценки сотрудника.
-
Оценка компетенций
Мы передали большой языковой модели все отзывы и выявили часто встречающиеся компетенции:- Профессионализм
- Инициативность
- Решение конфликтов
- Лидерство
- Тайм-менеджмент
- Адаптивность
- Ответственность
- Целеустремленность
- Саморазвитие
- Коммуникация
-
Выделение hard skills
На основе обработки естественного языка система извлекает технические навыки, упомянутые в отзывах, исключая soft skills, и возвращает только ключевые профессиональные компетенции. -
Анализ самооценки
Система анализирует согласованность самооценки сотрудника с обратной связью от коллег, определяя склонность к чрезмерно положительной или отрицательной самооценке. -
Автоматическая генерация краткого резюме
На основе методов обработки естественного языка (NLP) система генерирует краткое резюме производительности сотрудника.
- Бэкенд: Django, Python, SQLite
- Фронтенд: HTML, CSS, JavaScript
- Продвинутые техники больших языковых моделей: PyTorch, LLM API (llama70B), bart-large-mnli и zero-shot классификаторы, prompt-engineering, embedder (Оценка сотрудника на основе отзывов коллег)
- Обработка данных: Python, NLP, transformers (paraphrase-multilingual-MiniLM-L12-v2), кластеризация (KMeans)
- Дизайн: Figma
- Сбор данных: Получение отзывов, удаление неинформативных, слишком позитивных или негативных, а так же устранение дополнительных и невидимых символов, чтобы оставить только полезные отзывы.
- Обработка данных:
- Генерация индивидуальных ID для каждого отзыва
- Генерация сводного резюме.
- Выделение soft skills, их оценка, описание, а так же цитата напрямую из отзыва, чтобы увеличить уровень доверия к модели.
- Выделение hard skills напрямую из отзыва где это возможно.
- Анализ: Дополнительная информация, которую может использовать HR:
- Система оценивает самооценку сотрудника, сравнивая его отзывы с оценками коллег, и сообщает, нужна ли сотруднику психологическая или другая помощь, а так же курсы повышения квалификации.
- Можно будет прочитать какой стиль написания фидбэка другим использует сотрудник и стоит ли учитывать его отзывы, если они слишком негативные или позитивные.
- Визуализация: Представление оценок soft skills на круговой диаграмме для наглядного восприятия и подробное описание каждого критерия с ссылкой на отзыв, повлиявший на решение системы в большей степени.
- Вывод: Генерация и сохранение детализированного отчета в формате JSON, который можно отобразить в HTML с использованием CSS.
На нашем сервисе можно увидеть айди или имя сотрудника, его рейтинг, резюме производительности и дополнительную информацию, описанную выше. Для наглядного представления оценок soft skills используется круговая диаграмма, отображающая значения следующих шагов:
- Генерация оценок компетенций
- Построение диаграммы
- Отображение итогового рейтинга в виде средней оценки по всем компетенциям.
- Описание компетенций и ссылка на отзыв с цитатой оттуда.
- Топ отзывов, просортированных в порядке полезности.
- API URL: Используется для NLP-задач и анализа текста
- Библиотека requests: Применяется для выполнения API-запросов, генерации сводок, анализа отзывов и оценки компетенций
- Дополнительные визуализации: Добавление временных линий для анализа динамики изменения оценок, чтобы посмотреть улучшились или ухудшились отзывы о сотрудниках с течением времени.
- Автоматизация отчетности: Автоматическая генерация и отправка отчетов при добавлении новых отзывов.
- Обновление отчета по потребности: Возможность обновлять отчет для отдельного сотрудника, при добавлении новых отзывов только на него без перегенерации всей базы данных.
- Права доступа и аккаунты: Админские и пользовательские права, а так же возможность писать отзыв в любому сотруднику в любое время.
-
Склонируйте репозиторий:
git clone https://github.com/Chehmet/InnoglobalHack.git
-
Подключите API url:
Создайте файл
.envв корне проекта и заполните поля нижеDATASET_DIR = "" WORKER_DATASET_DIR = "" API_URL = "" API_URL_BACKUP = "" EMBEDDER_URL = "" -
Установите зависимости:
pip install -r requirements.txt
-
Запуск ML-сервера:
uvicorn ml.src.api:app --reload --port 8001- Подготовка frontend и backend серверов:
cd score_worker python manage.py makemigrations python manage.py migrate - Запустите сервер Django:
python manage.py runserver python manage.py import_employee_data
- Откройте панель управления: Перейдите по адресу
http://localhost:8000, чтобы получить доступ к интерфейсу.
- Сгенерированное резюме с одной компетенцией для экономии места:
{ "competencies": [{"competency": "Инициативность", "score": 5, "reason": "Отмечена способность брать на себя ответственность и решать задачи", "confirmation": "Не боишься брать на себя ответственность, устойчив к стрессу и терпелив."}], "hard skills": ["Программирование", "Аналитика"], "score": 4.6 }
Проект распространяется под лицензией MIT.
Для более подробной информации по настройке и дизайну системы, обращайтесь к исходному коду и не стесняйтесь писать разработчикам напрямую: