ראיתי את הפרסום על הפלטפורמה לסינון קורות חיים עם AI. יש שני דברים שבדרך כלל נופלים מאוחר בפרויקטים כאלה — ורציתי לפרט אותם לפני שנדבר.
AI-scoring של מועמדים נראה פשוט בתכנון: הכנס קו"ח, קבל ציון. אבל שני דברים מתגלים אחרי שהמוצר כבר בייצור — ושניהם דורשים שכתוב של הארכיטקטורה.
כל החלטה של המודל חייבת להישמר עם: קלט מלא (CV + job description), פלט (ציון + נימוק), גרסת מודל, timestamp, ומפעיל. 7 שנים אחסון. queryable להערות משפטיות.
זה לא עניין של "נוסיף logging". זה עניין של design decision מהיום הראשון — PostgreSQL table עם indexes נכונים, archive strategy, access controls.
סטאק טוב לבעיה הזאת. כמה דגשים:
FastAPI > Django לשימוש כזה. ה-endpoints צריכים להיות async — קריאה ל-LLM יכולה לקחת 5-15 שניות. יציאה הגיונית:
המגייסים רואים רשימה ממוינת. כל שורה פותחת drawer עם: הציון + הנימוק + השאלות הפתוחות שעולות לשיחת טלפון. אין tooltip של "למה נפסל" — יש explainer במילים אנושיות.
לא HR-Tech, אבל עם אותם אתגרים: AI-driven decisions שחייבות להיות ניתנות להסבר + compliance + audit.
מפעל תוכן AI שמפעיל 10 מותגים במקביל. כל תוכן עובר סינון, ניקוד, ובחירה על ידי המודל. כל החלטה מתועדת עם הנימוק, גרסת המודל, והקלט המקורי.
הלוגיקה של "למה המערכת בחרה תוכן X ולא Y" היא אותה לוגיקה של "למה המערכת דירגה מועמד X מעל Y" — רק עם regulatory stakes אחרים.
שיחה של 20 דקות. אני רוצה להבין את ה-stack הנוכחי שלכם, איך אתם היום מתמודדים עם explainability, ומי הלקוח הראשון. ואז אדע להציע הצעה אמיתית.
Full-Stack Developer + AI Specialist. בונה מערכות AI-driven עם audit, explainability, ו-compliance. הסטאק: Python (FastAPI), React, LLMs (Claude/GPT), PostgreSQL.