AI Avatar Interview Platform

Il Contesto

Il progetto e stato realizzato per FediSRL, che voleva offrire ai propri clienti uno strumento per condurre i colloqui di selezione in modalita asincrona, senza bloccare l'agenda dei recruiter su ogni singolo primo screening. L'idea era costruire un software web-based in cui il candidato dialoga con un avatar AI rispondendo a una batteria di domande, mentre il sistema registra, trascrive e analizza la conversazione, restituendo al team HR un fascicolo strutturato e confrontabile tra candidati.

Il punto di partenza era il classico collo di bottiglia del recruiting: la prima fase di screening telefonico, ad alto volume e a basso valore aggiunto per persone senior, assorbiva una quota sproporzionata del tempo del team. L'obiettivo non era sostituire il giudizio umano, ma spostarlo a valle, su candidati gia filtrati e con materiale gia pronto da rivedere.

Il Problema

Lo screening tradizionale presentava tre criticita concrete che la piattaforma doveva risolvere:

• Vincolo di agenda: ogni primo colloquio richiedeva la sincronizzazione di due calendari. Su volumi alti, questo si traduceva in giorni di attesa e in candidati persi a favore di processi piu rapidi.
• Dati non strutturati e non confrontabili: gli appunti presi a mano durante le chiamate erano disomogenei, difficili da rileggere a distanza di tempo e impossibili da confrontare in modo oggettivo tra candidati diversi.
• Nessun segnale qualitativo registrato: tono, esitazioni e atteggiamento emotivo del candidato andavano persi al termine della chiamata, lasciando solo l'impressione soggettiva del recruiter.

La piattaforma doveva quindi garantire asincronia (il candidato risponde quando vuole, l'HR rivede quando vuole), output strutturato e persistente (trascrizione completa, archiviata e ricercabile) e un livello di analisi qualitativa sul testo e sul parlato, senza pretendere di automatizzare la decisione finale.

La Soluzione

L'architettura e stata divisa in due mondi che dialogano via API: un'applicazione web (backend Laravel, frontend Vue.js) che gestisce flusso del colloquio, autenticazione, persistenza e dashboard HR, e un servizio Python dedicato alla parte AI (trascrizione e sentiment analysis). Questa separazione permette di scalare e aggiornare la pipeline di intelligenza artificiale senza toccare la logica applicativa.

Flusso del colloquio

Il candidato accede tramite link e affronta una sequenza di domande presentate dall'avatar AI. Per ogni risposta il browser cattura l'audio (e, dove previsto, il video) e lo invia al backend Laravel, che lo inoltra al servizio Python. Il frontend Vue.js gestisce lo stato della sessione, la progressione tra le domande e il feedback in tempo reale al candidato, mantenendo l'esperienza fluida anche su connessioni non ideali.

Pipeline AI

Il servizio Python esegue prima lo speech-to-text per ottenere la trascrizione testuale di ogni risposta, poi una sentiment analysis sul testo prodotto, classificando il tono complessivo e i passaggi piu rilevanti. Il risultato (trascrizione + segnali emotivi + metadati della sessione) viene restituito al backend Laravel e persistito, in modo che ogni colloquio diventi un record completo, ricercabile e confrontabile.

Dashboard HR

Il team di selezione lavora su una dashboard che raccoglie i colloqui completati, mostra la trascrizione integrale, evidenzia i segnali di sentiment e consente di confrontare i candidati su una base omogenea. Il recruiter mantiene il pieno controllo della decisione: l'AI prepara e arricchisce il materiale, non lo giudica al posto suo.

Tecnologie Chiave

Lo stack combina un'applicazione web solida con un servizio AI dedicato, mantenendo le due responsabilita disaccoppiate.

Il Risultato

La piattaforma ha spostato il primo screening da un'attivita sincrona e manuale a un processo asincrono con output gia strutturato per la valutazione.

Nota: i valori riportati sono indicativi/stimati e si riferiscono a un progetto soggetto a riservatezza. Non rappresentano metriche certificate, ma l'ordine di grandezza degli impatti operativi osservati.

Sfide Tecniche

Trascrizione affidabile su audio reale

L'audio dei candidati arriva da microfoni e ambienti molto diversi: rumore di fondo, accenti, esitazioni e sovrapposizioni. Una trascrizione approssimativa avrebbe inquinato a cascata la sentiment analysis. La pipeline speech-to-text custom e stata isolata in un servizio Python dedicato per poter intervenire su pre-processing dell'audio e parametri di trascrizione senza riavviare l'applicazione web, e per gestire l'elaborazione in modo asincrono rispetto al flusso del colloquio.

Sentiment analysis utile, non un voto opaco

Restituire un singolo punteggio di sentiment sarebbe stato inutile per un recruiter e potenzialmente fuorviante in un contesto delicato come la selezione del personale. L'output e stato strutturato per ancorare i segnali emotivi a passaggi specifici della trascrizione, cosi che l'HR possa sempre risalire al contesto e mantenere il controllo del giudizio. Il disaccoppiamento tra app Laravel/Vue e servizio Python ha reso possibile iterare sul modello di analisi mantenendo stabile l'esperienza di colloquio.

Servizi Correlati

Se stai valutando un percorso simile, questi contenuti approfondiscono metodo, casi d'uso e roadmap di adozione dell'AI:

Per il profilo professionale e l'esperienza in applicazioni AI vedi la pagina Chi sono; per altri progetti realizzati vedi il portfolio completo.