Skip to content
BranchesTags

Repository files navigation

HR Assistant — AI-Powered Interview Platform

Комплексная Open-Source платформа для автоматизации технических интервью с использованием AI.

Этот проект представляет собой сложную микросервисную систему, предназначенную для проведения, анализа и оценки собеседований. Она включает в себя транскрипцию речи, семантический анализ, антифрод-механизмы и генерацию ИИ-объяснений для рекрутеров.

Java Spring Python React Docker Kubernetes PostgreSQL RabbitMQ Redis MinIO Prometheus Grafana ELK License

⚠️ Важное замечание

Этот проект в первую очередь является демонстрацией масштабируемой, событийно-ориентированной архитектуры и конвейера обработки данных (data pipeline) для сложных AI/ML задач. Фронтенд-часть (UI) является функциональной, но не была в фокусе разработки. Основное внимание уделено бэкенду, микросервисам, инфраструктуре и обработке данных.

🚀 Ключевые возможности

  • Проведение интервью: Запись аудио и видео кандидатов.
  • Авто-транскрипция: Высокоточная расшифровка речи с помощью WhisperX.
  • Семантический анализ: Сравнение ответов кандидата с требованиями вакансии через SBERT.
  • Классификация: Оценка соответствия кандидата с помощью RuBERT.
  • AI-объяснения: Генерация развернутых отчетов для HR с помощью LLM (Mistral-7B).
  • Антифрод-система:
    • Текст: Детекция текста, сгенерированного ИИ (DetectGPT).
    • Видео: Верификация личности и детекция "живости" (DeepFace/MediaPipe).
  • Синтез речи: Озвучивание текста на русском языке (Coqui TTS).
  • Генерация аватара: Создание анимированного аватара по фото (SadTalker).

🏗️ Архитектура системы

Диаграмма ниже иллюстрирует взаимодействие между компонентами системы.

graph TD
    A["User"]

    subgraph "User Interface"
        Frontend["Frontend<br/>(React, Vite)"]
    end

    subgraph "Core Backend"
        Backend["Backend API<br/>(Spring Boot, Java 17)"]
    end

    subgraph "Data & Messaging"
        Postgres[("PostgreSQL")]
        Redis[("Redis")]
        MinIO[("MinIO S3")]
        RabbitMQ[("RabbitMQ")]
    end

    subgraph "AI/ML Microservices (Python)"
        WhisperX["WhisperX<br/>ASR"]
        SBERT["SBERT<br/>Embeddings"]
        LLM["LLM<br/>Mistral-7B"]
        RuBERT["RuBERT<br/>Classifier"]
        DetectGPT["DetectGPT<br/>AI Text"]
        VideoAntifraud["Video Antifraud<br/>Face/Liveness"]
        TTS["Coqui TTS<br/>Speech Synthesis"]
        Avatar["SadTalker<br/>Avatar Gen"]
    end

    subgraph "Monitoring & Observability"
        Prometheus["Prometheus"]
        Grafana["Grafana"]
        ELK["ELK Stack<br/>(Elastic, Logstash, Kibana)"]
    end

    A --> Frontend
    Frontend <--> Backend

    Backend --> Postgres
    Backend --> Redis
    Backend --> MinIO
    Backend --> RabbitMQ

    Backend --> WhisperX
    Backend --> SBERT
    Backend --> LLM
    Backend --> RuBERT
    Backend --> DetectGPT
    Backend --> VideoAntifraud
    Backend --> TTS
    Backend --> Avatar

    Backend --> Prometheus
    Backend --> ELK
    WhisperX --> Prometheus
    SBERT --> Prometheus
    LLM --> Prometheus
    RuBERT --> Prometheus
    DetectGPT --> Prometheus
    VideoAntifraud --> Prometheus
    TTS --> Prometheus
    Avatar --> Prometheus

    Prometheus --> Grafana
Loading

📦 Структура проекта

hr-assist/
  backend/                   # Spring Boot API (Java 17)
  frontend/                  # React UI (TypeScript, Vite)
  avatar-service/            # SadTalker аватар
  detectgpt-service/         # DetectGPT антифрод
  embed-service/             # SBERT эмбеддинги
  llm-service/               # LLM (Mistral-7B)
  rubert-service/            # RuBERT анализ текста
  tts-service/               # Coqui TTS
  video-antifraud-service/   # DeepFace + MediaPipe
  whisperx-service/          # ASR (WhisperX)
  models/                    # ML модели (ONNX, GGUF, etc.)
  monitoring/                # Prometheus, Grafana, ELK
  helm/                      # Helm-чарты для Kubernetes
  docker-compose.yml         # Оркестрация для локального запуска

📋 Системные требования

Аппаратные требования

Для запуска этого проекта требуется значительный объем ресурсов, особенно при одновременной работе всех ML-сервисов.

Минимальная конфигурация (только backend, DB, и 1-2 ML сервиса)

  • CPU: 4+ ядер (Intel i5 / AMD Ryzen 5)
  • RAM: 8+ GB
  • Диск: 20 GB свободного места (SSD рекомендуется)

Рекомендуемая конфигурация (все сервисы для разработки)

  • CPU: 8+ ядер (Intel i7 / AMD Ryzen 7)
  • RAM: 16+ GB
  • Диск: 50+ GB свободного места (SSD обязательно)
  • GPU: NVIDIA RTX 3060+ (опционально, для ускорения ML-моделей)

Профессиональная конфигурация (для production-like окружения)

  • CPU: 16+ ядер (Intel i9 / AMD Ryzen 9 / Xeon)
  • RAM: 32+ GB
  • Диск: 100+ GB NVMe SSD
  • GPU: NVIDIA RTX 4080+ / A100 (для ML-ускорения)

Программные требования

  • Java 17+
  • Node.js 18+
  • Docker & Docker Compose
  • Git

Используемые порты

Убедитесь, что следующие порты свободны на вашей машине:

  • Frontend: 3000
  • Backend: 8081
  • PostgreSQL: 5432
  • Redis: 6379
  • RabbitMQ: 5672 (AMQP), 15672 (Management UI)
  • MinIO: 9002 (API), 9003 (Console)
  • WhisperX: 9100
  • SBERT: 8088
  • LLM: 8090
  • Video Antifraud: 8091
  • DetectGPT: 8092
  • Avatar: 8093
  • TTS: 8094
  • RuBERT: 8095
  • Prometheus: 9090
  • Grafana: 3001
  • Elasticsearch: 9200
  • Kibana: 5601

Производительность ML-сервисов (ориентировочно)

Сервис CPU (ядра) RAM (GB) Время обработки (на CPU) GPU Ускорение
WhisperX 2-4 2-4 ~2-5 сек / 1 мин аудио Да
SBERT 1-2 1-2 ~100-500 мс / запрос Да
LLM (Mistral-7B) 6-8 8-12 ~2-10 сек / запрос x3-5
RuBERT 2-4 2-4 ~0.5-2 сек / запрос Да
DetectGPT 1-2 1-2 ~200-800 мс / запрос Да
Video Antifraud 4-6 4-6 ~3-8 сек / видео Рекомендуется
TTS (Coqui) 2-4 2-4 ~1-3 сек / предложение Нет
Avatar (SadTalker) 4-6 4-8 ~10-30 сек / аватар Рекомендуется

Скрипты проверки системы

Windows (PowerShell)

# Проверка версий
java -version
node --version
docker --version
docker-compose --version

# Проверка свободного места на диске C:
Get-WmiObject -Class Win32_LogicalDisk -Filter "DeviceID='C:'" | Select-Object @{Name="FreeSpace(GB)";Expression={[math]::Round($_.FreeSpace/1GB,2)}}

# Проверка общего объема RAM
(Get-WmiObject -Class Win32_ComputerSystem).TotalPhysicalMemory / 1GB

Linux / macOS (Bash)

# Проверка версий
java -version
node --version
docker --version
docker-compose --version

# Проверка свободного места
df -h /

# Проверка RAM
free -h  # Linux
sysctl -n hw.memsize | awk '{print $0/1073741824 " GB"}' # macOS

# Проверка количества ядер CPU
nproc # Linux
sysctl -n hw.ncpu # macOS

⚙️ Запуск и установка

Примечание: docker-compose предназначен для быстрой настройки локального dev-окружения. Все сервисы запускаются с профилем dev.

Быстрый старт

# 1. Клонировать репозиторий
git clone <repository-url>
cd hr-assist

# 2. Создать .env файл из примера
cp env.example .env

# 3. Запустить все сервисы
docker-compose up --build -d

# 4. Проверить статус контейнеров
docker-compose ps

Доступ к сервисам

  • Frontend: http://localhost:3000
  • Backend API: http://localhost:8081/api/v1
  • Swagger UI: http://localhost:8081/api/v1/swagger-ui/index.html
  • Grafana: http://localhost:3001 (admin/admin)
  • Prometheus: http://localhost:9090
  • MinIO Console: http://localhost:9003 (minioadmin/minioadmin)
  • RabbitMQ: http://localhost:15672 (guest/guest)
  • Kibana: http://localhost:5601

🧪 Тестирование

Тестовые пользователи

  • ADMIN: admin@hr-assistant.com / admin123
  • HR: hr@hr-assistant.com / admin123

Пример API запроса (через cURL)

# 1. Получить JWT токен
TOKEN=$(curl -s -X POST http://localhost:8081/api/v1/auth/login \
  -H "Content-Type: application/json" \
  -d '{"email":"admin@hr-assistant.com","password":"admin123"}' | jq -r .token)

# 2. Тест транскрипции
curl -X POST http://localhost:8081/api/v1/asr/transcribe \
  -H "Authorization: Bearer $TOKEN" \
  -F "file=@path/to/your/test.wav"

🚀 Развертывание в Kubernetes

Примечание: Kubernetes (через Helm) является рекомендуемым способом развертывания системы в production-окружении.

Платформа готова к развертыванию в Kubernetes с помощью предоставленных Helm-чартов.

# Установка
helm install hr-assist ./helm/hr-assist -n hr --create-namespace

# Обновление
helm upgrade hr-assist ./helm/hr-assist -n hr

📄 Лицензия

Этот проект распространяется под лицензией MIT. См. файл LICENSE для получения дополнительной информации.

About

hack

Resources

Readme
Activity

Stars

0 stars

Watchers

0 watching

Forks

0 forks
Report repository

Releases

Packages

Contributors

Languages