Namen diplomskega dela je bil razviti prototip sistema, ki v enoten delovni proces povezuje video intervju, reševanje programerske naloge in avtomatizirano analizo kandidatove predaje z velikim jezikovnim modelom.
Odjemalski del sistema je implementiran z ogrodjem Next.js, knjižnico React in jezikom TypeScript.
Funkcionalno, scenarijsko in uporabniško testiranje s 15 udeleženci je pokazalo, da prototip podpira celoten potek simuliranega tehničnega intervjuja in ustvarja povratne informacije, prilagojene vsebini kandidatove predaje.
Tehnični intervjuji za programsko-inženirska delovna mesta pogosto vključujejo več ločenih orodij, ocenjevanje kandidatovih rešitev pa je lahko odvisno od subjektivne presoje intervjuvarja. Namen diplomskega dela je bil razviti prototip sistema, ki v enoten delovni proces povezuje video intervju, reševanje programerske naloge in avtomatizirano analizo kandidatove predaje z velikim jezikovnim modelom.
Zakaj je problem resničen
Tehnični intervjuji za programsko-inženirska delovna mesta pogosto vključujejo več ločenih orodij, ocenjevanje kandidatovih rešitev pa je lahko odvisno od subjektivne presoje intervjuvarja. Namen diplomskega dela je bil razviti prototip sistema, ki v enoten delovni proces povezuje video intervju, reševanje programerske naloge in avtomatizirano analizo kandidatove predaje z velikim jezikovnim modelom.
Metoda
Odjemalski del sistema je implementiran z ogrodjem Next.js, knjižnico React in jezikom TypeScript. Platforma Convex zagotavlja podatkovno bazo in zaledno logiko, Clerk avtentikacijo uporabnikov, Stream pa video komunikacijo. Kandidat reševanje naloge opravi v štirih korakih: seznani se z zahtevami, pripravi načrt, napiše programsko kodo in razloži rešitev.
Kodo ureja v urejevalniku Monaco, za preverjanje njenega izhoda jo lahko prek strežniške poti izvede v ločenem okolju storitve Piston. Načrt, koda, razlaga in morebitni rezultat izvajanja se med intervjujem samodejno shranjujejo v zapis submissions v podatkovni bazi Convex. Ko intervjuvar zaključi intervju, sistem predajo označi kot dokončno in asinhrono sproži analizo. Zaledni del iz shranjenih podatkov sestavi strukturiran poziv, ki poleg kandidatove predaje vsebuje opis naloge, njeno težavnost, omejitve in merila ocenjevanja.
Odgovor LLM v obliki JSON preveri glede na zahtevano strukturo in ga shrani kot poročilo v zapis ai Reports. Poročilo vsebuje področne ocene, obrazložitve, prednosti, področja za izboljšanje in priporočila, skupno oceno zaledni del izračuna iz štirih področnih ocen. Kandidat in intervjuvar lahko poročilo pregledata v aplikaciji ter ga preneseta v obliki PDF.
Kaj je nastalo
Funkcionalno, scenarijsko in uporabniško testiranje s 15 udeleženci je pokazalo, da prototip podpira celoten potek simuliranega tehničnega intervjuja in ustvarja povratne informacije, prilagojene vsebini kandidatove predaje. Rezultati podpirajo izvedljivost razvite rešitve v simuliranem okolju, za presojo zanesljivosti avtomatiziranih ocen pa bi bilo potrebno obsežnejše testiranje s strokovnimi ocenjevalci.
Analiza temelji na kandidatovi predaji in kontekstu naloge, pri čemer uspešno izvajanje kode samo po sebi ne zagotavlja pravilnosti rešitve. Sistem je zasnovan kot podpora intervjuvarju, ki ostaja odgovoren za končno presojo kandidata.
Objavljeno 29. 10. 2026 · licenca CC BY-NC 4.0 (besedilo in PDF diplomskega dela; fotografije in videi © Academia) · izvirna objava: academia.si.
Slike, sheme in zaslon
Še iz modula Programsko inženirstvo
Varnostna analiza lokalnega in oblačnega shranjevanja podatkov pri celičnih terapijah
Avtomatizacija backend procesov z uporabo umetne inteligence
Primerjava dveh orodij za statično analizo kode (SAST) za začetnike: SonarQube CE proti Semgrep
Želite v dveh letih narediti tak projekt?
Pustite e-pošto. V enem delovnem dnevu dobite osebni odgovor karierne svetovalke: ali je modul pravi za vas, kako se prizna vaša služba kot praksa in koliko stane – plus predmetnik, urnik in cenik.
Go Higher.