В статье рассматривается проблема автоматизации профориентации на основе анализа цифрового следа пользователей социальной сети «ВКонтакте». Цель исследования заключается в повышении доступности и точности диагностики профессиональных интересов посредством мини-приложения «AI профориентатор» на платформе VK Mini Apps. В основе методологии лежит задача классификации с несколькими метками: для каждого из шести профессиональных типов модели RIASEC формируется отдельный бинарный выход с сигмоидальной активацией, а обучение осуществляется с использованием функции потерь Binary Cross-Entropy. Модель обучена на данных пользователей, прошедших тест Голланда, и их подписках на сообщества, собранных через приложение «Психологические тесты». Техническая реализация построена по принципу клиент–серверного взаимодействия с архитектурой REST API, включающей обработку данных, взаимодействие с ML-сервером и формирование результатов. Разработанная система обеспечивает полный цикл работы: извлечение и валидация подписок, предсказание профессионального типа личности по шести категориям Голланда и отображение результатов пользователю. Модель продемонстрировала Top-1 точность 47,1 % и Top-2 - 72,3 %, что подтверждает её применимость в профориентационной диагностике. Созданная система автоматизирует процесс первичной профориентации и может использоваться как индивидуальными пользователями, так и организациями для оптимизации подбора и развития персонала. Новизна работы заключается в комплексной интеграции нейросетевых методов и архитектуры клиент-серверного приложения в социальную сеть, обеспечивающей персонализированный и масштабируемый подход к профориентации. С. 36-47.

The paper addresses the problem of automating career guidance through the analysis of digital footprints of VKontakte users. The aim of the study is to enhance the accessibility and accuracy of diagnosing professional interests by means of the “AI Proforientator” mini-application on the VK Mini Apps platform. The methodology is based on a multi-label classification approach: each of the six RIASEC professional types is represented by a separate binary output with sigmoid activation, and the model is trained using the Binary Cross-Entropy loss function. Training data included users who had completed the Holland test, along with their community subscriptions collected through the Psychological Tests app. The technical implementation follows a client–server architecture with REST API, covering data preprocessing, interaction with the ML server, and result delivery. The developed system provides a full processing cycle: extraction and validation of subscriptions, probabilistic prediction of professional personality types according to Holland’s six categories, and presentation of results to the user. The model achieved a Top-1 accuracy of 47.1 % and a Top-2 accuracy of 72.3 %, confirming its applicability to career guidance diagnostics. The system automates the initial career guidance process and can be employed both by individual users and organisations to support educational trajectories, optimise recruitment, and improve staff development. The novelty of the work lies in the comprehensive integration of neural network methods for multi-label classification with a client–server application embedded in a social network, ensuring a personalised and scalable approach to career guidance.