Karrierefindung neu definiert: Wie Jobright Zilliz Cloud nutzt, um schnellere, intelligentere Talent-Matches über LinkedIn hinaus zu liefern
<50 ms>
Latenz
Null Ausfallzeit
mit schnelleren Feature-Bereitstellungen
Null Aufwand
für Datenbankadministration
Kostensenkung
Pro Benutzer
Choosing Zilliz Cloud was one of our best early decisions. It enabled us to build the product we envisioned rather than the product our infrastructure limitations would allow. In AI applications, that difference often determines success or failure.
Ethan Zheng
Über Jobright: Die Neudefinition der Jobsuche im KI-Zeitalter
Jobright ist eine KI-native Jobsuchplattform, die gegenüber etablierten Branchenakteuren wie LinkedIn und Indeed schnell an Boden gewonnen hat. In etwas mehr als zwei Jahren hat sie fast 100.000 täglich aktive Nutzer erreicht und ist laut SimilarWeb inzwischen branchenführend bei der durchschnittlichen Sitzungsdauer der Nutzer.
Entwickelt wurde sie von den Ingenieuren Eric Cheng und Ethan Zheng, die Positionen bei Big Tech verließen, um ein aus ihrer Sicht kaputtes Discovery-Problem zu beheben. Jobright bietet intelligenteres, stärker personalisiertes Job-Matching durch semantische Suche, Graphanalyse und Echtzeit-Systemfeedback. Die herausragenden Funktionen der Plattform, wie H-1B-Sponsorship-Filterung und Referral Discovery, haben sie besonders wertvoll für internationale Fachkräfte und qualifizierte technische Talente gemacht.
Warum die traditionelle Suche bei 2 Millionen Abfragen pro Tag an ihre Grenzen stieß
Als Jobright an Zugkraft gewann, stiegen auch die technischen Anforderungen. Der zentrale Mehrwert der Plattform, Echtzeit-, personalisiertes Job-Matching, legte schnell die Grenzen traditioneller Datenbanken offen.
Ständig wechselnde Daten: Stellenausschreibungen ändern sich ständig. Täglich werden über 400.000 Ausschreibungen hinzugefügt oder entfernt. Die meisten Datenbanken können Daten in diesem Tempo nicht aufnehmen und löschen, ohne Performance-Probleme zu bekommen.
Semantisches, multidimensionales Matching: Jobright gleicht nicht nur Keywords ab. Es durchsucht Stellenbeschreibungen, Fähigkeiten, Karriereverläufe und Unternehmenskultur. Jede Nutzerinteraktion umfasst mehrere Vektorsuchen plus Filterung nach Standort, Visastatus, Erfahrungsniveau und mehr.
Echtzeit-Antworten im großen Maßstab: Nutzer führen durchschnittlich über 40 Interaktionen täglich durch. Das entspricht über 2 Millionen Abfragen pro Tag, von denen alle Ergebnisse in unter 100 ms erwartet werden.
Unvorhersehbare Lastmuster: Einstellungswellen oder Entlassungen bei großen Arbeitgebern verursachen Spitzen bei Datenaufnahme und Abfragen. Die Infrastruktur musste diese Spitzen abfedern, ohne die Performance zu beeinträchtigen.
„Das ist nicht wie ein typisches Empfehlungssystem, bei dem man die Verarbeitung über Nacht im Batch durchführen kann“, erklärt Ethan, Mitgründer & CTO von Jobright. „Nutzer erwarten sofortige Ergebnisse, die die neuesten Stellenausschreibungen und ihre sich weiterentwickelnden Präferenzen widerspiegeln. Die Infrastruktur muss sowohl massive Skalierung als auch Echtzeit-Reaktionsfähigkeit gleichzeitig bewältigen.“
Wie Jobright den Markt für Vektordatenbanken benchmarkte
Als Jobrights einfaches, Python-basiertes Matching-System unter Last zu versagen begann, stand das Team vor einer kritischen Infrastrukturentscheidung. Statt sich überstürzt für eine schnelle Lösung zu entscheiden, verbrachte Ethan eine ganze Woche damit, systematisch jede wichtige Vektordatenbankoption auf dem Markt zu evaluieren, darunter FAISS, Pinecone, Elasticsearch, Open-Source-Milvus und Zilliz Cloud. Sein Ansatz war methodisch und praxisnah: „Wir lesen nicht einfach nur Dokumentation oder hören uns Anbieterpräsentationen an. Wir bauen echte MVPs mit jeder Lösung und testen sie rigoros in unserer spezifischen Umgebung.“
Jede Option offenbarte kritische Einschränkungen:
Facebook FAISS schien zunächst vielversprechend, angesichts seiner im Praxiseinsatz bewährten Performance im Maßstab von Meta. Als Jobright jedoch versuchte, gleichzeitige Abfragen zu verarbeiten und dabei ständig Vektoren einzufügen und zu löschen, wurde diese Python-Implementierung instabil, mit Speicher-Spitzen und Abstürzen während der Spitzenauslastung.
Pinecone bot eine verwaltete Lösung, aber regionale Einschränkungen verursachten inakzeptable Latenz für ihre globale AWS-basierte Infrastruktur. „Wir sind eine globale Plattform, die Nutzer weltweit bedient. Unsere Vektordatenbank nur in bestimmten Regionen zu haben, hätte unsere internationale Nutzererfahrung massiv beeinträchtigt“, sagte Ethan.
Self-hosted Milvus funktionierte gut bei gleichzeitigen Workloads und zeigte Skalierbarkeit, erforderte jedoch erheblichen operativen Aufwand für die Eigenverwaltung—Aufwand, der kritische Engineering-Ressourcen von der Produktentwicklung abgezogen hätte.
Elasticsearch ist zwar für grundlegende Operationen zuverlässig, kann Vektorähnlichkeit jedoch nicht effizient mit den Dutzenden von Filterdimensionen von Jobright kombinieren, wie z. B. Visa-Sponsoring, Erfahrungsniveau und Unternehmensgröße.
Dann testete Ethan Zilliz Cloud. Der Unterschied wurde innerhalb weniger Stunden deutlich – während andere Lösungen ständiges Tuning und Monitoring erforderten, bewältigte Zilliz Cloud die anspruchsvolle Workload von Jobright nahtlos. Die Plattform hielt selbst in den herausforderndsten Szenarien eine konstante Performance aufrecht: gleichzeitige Wellen der Datenaufnahme und Abfragespitzen, die andere Lösungen zum Absturz gebracht hatten. Am wichtigsten ist, dass Zilliz Cloud anspruchsvolle Funktionen ermöglichte, etwa das Finden potenzieller Empfehlungsgeber innerhalb von Unternehmen durch Abfragen, die mehrere Vektorsuchen mit graphähnlicher Beziehungsanalyse kombinieren – Fähigkeiten, die zuvor mit anderen Plattformen unmöglich waren.
Im Gegensatz zu selbst gehosteten Lösungen erforderte Zilliz Cloud keinen Aufwand für die Datenbankadministration, sodass sich das Team vollständig auf die Produktentwicklung konzentrieren konnte. Die Unterstützung dynamischer Schemata der Plattform ermöglicht es Jobright, in Echtzeit mit Matching-Algorithmen zu experimentieren und Verbesserungen während der Geschäftszeiten bereitzustellen, ohne sich Sorgen um die Systemstabilität machen zu müssen.
Die Rolle der Vektorinfrastruktur beim Echtzeit-Matching
Jobright nutzt inzwischen sechs bis sieben spezialisierte Zilliz Cloud-Instanzen, die jeweils für einen bestimmten Abfragetyp optimiert sind:
Core Job Matching Engine: Gleicht Nutzerprofile mit Millionen von Stellenangeboten ab und berücksichtigt dabei Ähnlichkeit, Standort, Erfahrung, Visastatus und mehr.
Referral Discovery: Findet potenzielle Empfehlungsgeber basierend auf Ausbildung, früheren Arbeitgebern und Verbindungen – mithilfe beziehungsbewusster Vektorabfragen.
Company Insights: Macht qualitative Erkenntnisse sichtbar (z. B. kulturelle Passung, Einstellungsmuster), indem Unternehmensprofile indexiert werden.
Career Trajectory Modeling: Empfiehlt Rollen basierend auf sich entwickelnden Fähigkeiten und zeitgewichteten Embedding-Vektoren.
Bevor all diese Inhalte in Zilliz Cloud aufgenommen, indexiert und abgerufen werden, werden alle Daten mithilfe der spezialisierten, feinabgestimmten Modelle von Jobright in hochdimensionale Vektor-Embeddings kodiert. Das Team verwendet im gesamten System verschiedene Embedding-Modelle, die für bestimmte Inhaltstypen optimiert sind – Stellenbeschreibungen nutzen Modelle, die auf professioneller Sprache trainiert wurden, während Beschreibungen der Unternehmenskultur Modelle verwenden, die für organisatorische Merkmale und Werte optimiert sind.
Da sich die Matching-Algorithmen von Jobright auf Grundlage von Nutzerfeedback weiterentwickeln, fügt das Team häufig neue Vektordimensionen hinzu und ändert Filterkriterien. Die flexible Schemaunterstützung von Zilliz Cloud ermöglicht diese Änderungen ohne Systemausfallzeiten, sodass das Team Algorithmusverbesserungen während der Geschäftszeiten bereitstellen kann – eine Fähigkeit, die sich als unschätzbar wertvoll erwiesen hat, um den Wettbewerbsvorteil zu wahren.
Die Plattform integriert Zilliz Cloud in einen umfassenden Technologie-Stack, der auf Skalierbarkeit und Zuverlässigkeit ausgelegt ist. Zilliz Cloud-Instanzen basieren auf AWS mit Auto-Scaling-Gruppen und Load Balancers zur Bewältigung von Traffic-Spitzen und sind für hohe Verfügbarkeit über Availability Zones verteilt. Die Integration mit mehreren Jobbörsen-APIs, Unternehmenswebsites, Regierungsdatenbanken für H-1B-Daten und beruflichen Netzwerken stellt sicher, dass umfassende und aktuelle Stellenangebote nahtlos in die Vektordatenbank-Infrastruktur fließen.
Jobright nutzt außerdem die fortschrittlichen Funktionen von Zilliz Cloud, um anspruchsvolle Suchszenarien zu ermöglichen, die mehrere Arten von Ähnlichkeit und Filterung auf zuvor unmögliche Weise kombinieren. Komplexe Abfragen wie "Machine-Learning-Rollen bei Startups mit Visa-Sponsoring im Umkreis von 50 Meilen um San Francisco" kombinieren semantische Vektorsuche mit kategorialen Filtern und geografischen Einschränkungen in einem einzigen Vorgang. Geeignete Empfehlungsgeber zu finden, erfordert die gleichzeitige Suche über mehrere Vektorräume hinweg—Embeddings zum Bildungshintergrund, Vektoren zur Berufserfahrung und Zuordnungen von Unternehmensbeziehungen. Empfehlungen zur Karriereentwicklung berücksichtigen, wie sich Fähigkeiten und Interessen der Nutzer im Laufe der Zeit entwickeln, und nutzen zeitgewichtete Vektoroperationen, um passende nächste Karriereschritte vorherzusagen.
Von 500-ms-Timeouts zu sofortiger Suche—und null Admin-Kopfschmerzen
Der Wechsel zu Zilliz Cloud brachte sofortige und nachhaltige Verbesserungen bei allen wichtigen Kennzahlen und verwandelte Jobright von einem kämpfenden Startup in einen führenden Branchenakteur.
Von 500-ms-Timeouts zu 50-ms-Konstanz
Die Antwortzeiten bei Abfragen verbesserten sich dramatisch: von inkonsistenten 200–500 ms mit häufigen Timeouts zu einer konstanten Performance unter 100 ms, mit einer P95-Latenz von unter 50 ms für zentrale Matching-Vorgänge. Das System erreichte nach der Bereitstellung eine Verfügbarkeit von über 99,9 % und eliminierte die häufigen Ausfälle und Leistungseinbrüche, die die frühere Infrastruktur geplagt hatten. Die Plattform skalierte nahtlos von der Verarbeitung Tausender täglicher Abfragen auf über 2 Millionen Nutzerinteraktionen pro Tag, ohne Infrastrukturänderungen zu erfordern oder Leistungseinbußen zu verzeichnen.
Kein Aufwand für Datenbankadministration
"Wir waren etwa ein Jahr lang nicht gezwungen, dieses System überhaupt zu verwalten. Und ich habe buchstäblich vergessen, dass wir es nutzen," merkt Ethan an. "Das ist das höchste Kompliment, das ich Infrastruktur machen kann—wenn man nicht mehr bemerkt, dass sie existiert, funktioniert sie perfekt."
Diese operative Einfachheit ermöglichte es dem kleinen Engineering-Team, sich vollständig auf Produktinnovation statt auf Datenbankadministration zu konzentrieren, was ihre Entwicklungsgeschwindigkeit deutlich beschleunigte.
LinkedIn und Indeed bei Nutzerengagement übertreffen
Diese Infrastrukturverbesserungen führten direkt zu besseren Nutzererlebnissen und branchenführenden Engagement-Kennzahlen. Laut SimilarWeb-Analysen hat Jobright inzwischen die höchste durchschnittliche Besuchsdauer aller Jobsuchplattformen und übertrifft damit LinkedIn, Indeed und alle anderen Wettbewerber. Die Zahl der täglich aktiven Nutzer stieg von 10 im ersten Jahr auf nahezu 100.000, wobei Nutzer durchschnittlich über 40 Plattforminteraktionen pro Sitzung durchführen—deutlich mehr als Branchenbenchmarks. Fortschrittliche Funktionen wie Empfehlungssuche und KI-gestützte Unterstützung bei Bewerbungen erzielen hohe Akzeptanzraten, weil sie zuverlässig funktionieren und schnell Ergebnisse liefern.
Schnellere Feature-Bereitstellungen ohne Ausfallzeiten
Zuverlässige Infrastruktur ermöglichte es Jobright, seinen Wettbewerbsvorteil durch schnelle Feature-Entwicklung zu wahren. Das Team veröffentlicht nun wöchentlich neue Funktionen, mit der Gewissheit, dass die zugrunde liegende Infrastruktur bei Updates oder Lastspitzen nicht ausfällt. Die monatlichen Bindungsraten verbesserten sich deutlich, da Nutzer eine konsistente, schnelle Performance und zunehmend präzise Jobempfehlungen erlebten, die von sich kontinuierlich weiterentwickelnden Algorithmen angetrieben werden.
Vorhersehbare Kosten, die pro Nutzer sinken
Die Kostenvorteile erwiesen sich als ebenso transformativ. Jobright wechselte von unvorhersehbaren Kosten im Zusammenhang mit der Verwaltung ausfallender Infrastruktur zu vorhersehbaren, nutzungsbasierten Preisen, die mit dem Geschäftswachstum skalieren. Der Aufwand für Datenbankadministration wurde vollständig eliminiert, und die Infrastrukturkosten pro Nutzer sanken mit dem Wachstum der Plattform, wodurch günstige Unit Economics entstanden, die eine nachhaltige Geschäftsexpansion unterstützten.
Ausblick: Die Vision skalieren
Jobrights Vision geht weit über die Jobsuche hinaus und zielt darauf ab, zu einem umfassenden Talentmarktplatz zu werden, der Arbeitgeber und Kandidaten effizienter als je zuvor verbindet. Fortschrittliche Analysen werden es Unternehmen ermöglichen, Dynamiken des Talentmarkts, Wettbewerbspositionierung und optimale Einstellungsstrategien zu verstehen, indem sie dieselbe Vektorinfrastruktur nutzen, die das Matching von Kandidaten antreibt. Automatisierte Tools zur Kompetenzverifizierung und -bewertung werden Vektorähnlichkeit nutzen, um die Fähigkeiten von Kandidaten anhand der Anforderungen einer Rolle zu bewerten, während Echtzeit-Einblicke in den Arbeitsmarkt, die aus den umfassenden Daten der Plattform abgeleitet werden, zu wertvollen Informationen für Arbeitgeber und politische Entscheidungsträger werden, die Arbeitskräftetrends verstehen möchten.
Jobright plant außerdem, in europäische und asiatische Märkte zu expandieren, wobei die globale Infrastruktur von Zilliz Cloud eine Dienstbereitstellung mit niedriger Latenz über verschiedene Kontinente hinweg ermöglicht. Die flexible Embedding-Infrastruktur unterstützt marktspezifische Modellbereitstellungen, sodass Jobright sich an lokale Einstellungspraktiken, Kompetenzanforderungen und Karriereverläufe anpassen kann, ohne größere Systemüberholungen vornehmen zu müssen.
"Wir planen eine internationale Expansion und fügen gleichzeitig B2B-Services für Arbeitgeber hinzu", erklärt Ethan. "Wir benötigen eine Infrastruktur, die mehrere Märkte, Sprachen und regulatorische Anforderungen bewältigen kann, ohne unsere Kernsysteme neu aufzubauen."
Lektionen für KI-Builder
Jobrights bemerkenswertes Wachstum von 10 auf 100.000 tägliche Nutzer bietet wertvolle Erkenntnisse für KI-Unternehmer, die ähnliche Herausforderungen meistern. Ethan teilte großzügig mehrere Beobachtungen aus ihrer Reise:
Nähe zu den Nutzern ist wichtiger als technologische Raffinesse. Die beste KI der Welt hilft nicht, wenn man die echten Probleme seiner Nutzer nicht versteht. Jobright ist erfolgreich, weil sie mehr als jeder andere darin investiert haben, die tatsächlichen Erfahrungen von Jobsuchenden durch wöchentliche Nutzerinterviews und Feedbackschleifen zu verstehen.
Gründer müssen länger hands-on bleiben, als sie erwarten. Die Versuchung, früh Spezialisten einzustellen, ist groß, aber verfrühte Delegation führt oft zum Scheitern. Gründer müssen kritische Fähigkeiten wie Growth Marketing und Nutzerforschung beherrschen, bevor sie effektiv delegiert werden können.
Die Häufigkeit der Entscheidungsfindung ist wichtiger als die Geschwindigkeit der Entscheidungsfindung. Auch wenn es entscheidend ist, über rasante KI-Entwicklungen informiert zu bleiben, können zu häufige strategische Kurswechsel die Teamdynamik zerstören und das Vertrauen der Nutzer untergraben.
Infrastrukturentscheidungen potenzieren sich im Laufe der Zeit. Kleine technische Entscheidungen schaffen in großem Maßstab erhebliche Wettbewerbsvorteile. Die richtige Infrastruktur ermöglicht Innovation, anstatt nur unmittelbare Probleme zu lösen.
"Als wir uns zunächst für Zilliz Cloud entschieden, dachten wir, wir würden ein Skalierungsproblem lösen", erinnert sich Ethan. "Aber tatsächlich hat es ein Innovationsproblem gelöst. Eine zuverlässige, leistungsstarke Vektorsuchinfrastruktur ermöglicht es uns, mit Matching-Algorithmen zu experimentieren, die wir sonst nicht hätten versuchen können."
Ethan betont, dass viele KI-Startups den operativen Aufwand für die Verwaltung anspruchsvoller Infrastruktur unterschätzen. Tatsächlich wirkt sich die Zuverlässigkeit der Infrastruktur direkt auf die Entwicklungsgeschwindigkeit aus – unzuverlässige Systeme verlangsamen die Feature-Entwicklung und verringern gleichzeitig das Vertrauen in die Auslieferung neuer Funktionen.
In Märkten, in denen jeder Zugang zu ähnlichen KI-Modellen hat, entsteht Wettbewerbsvorteil zunehmend durch Infrastrukturentscheidungen, die überlegene Nutzererlebnisse und schnellere Innovationszyklen ermöglichen. __
"Unser stärkster Wettbewerbsvorteil sind nicht unsere KI-Modelle – es ist unsere Fähigkeit, diese Modelle in großem Maßstab mit einem außergewöhnlichen Nutzererlebnis bereitzustellen", schließt Ethan. "Zilliz Cloud hat uns diese Fähigkeit gegeben."
Fazit: Die nächste Generation von KI-Anwendungen mit skalierbarer Infrastruktur antreiben
Die Partnerschaft zwischen Jobright und Zilliz Cloud zeigt, wie Infrastruktur auf Enterprise-Niveau die Entwicklung bahnbrechender KI-Anwendungen ermöglicht. Jobright konzentrierte sich darauf, Nutzer zu verstehen und überlegene Produkterlebnisse zu schaffen, während Zilliz Cloud die zuverlässige, skalierbare Grundlage bereitstellte, die diese Erlebnisse in großem Maßstab möglich machte.
Da KI-Anwendungen immer ausgefeilter werden, wird die Infrastrukturebene immer entscheidender für den Erfolg. Vektordatenbanken sind nicht nur eine technische Anforderung – sie sind eine Innovationsplattform, die bestimmt, was für KI-gestützte Produkte möglich ist.
"Wir sind stolz darauf, das bemerkenswerte Wachstum von Jobright zu unterstützen", merkt James Luan, VP of Engineering bei Zilliz, an. "Ihre Plattform zeigt, was möglich ist, wenn innovative KI-Algorithmen auf Infrastruktur auf Enterprise-Niveau treffen."
Für Jobright zahlt sich die vor einem Jahr getroffene Infrastrukturentscheidung weiterhin aus, während sie sich auf die nächste Wachstumsphase vorbereiten.
"Die Entscheidung für Zilliz Cloud war eine unserer besten frühen Entscheidungen", schließt Ethan. "Sie ermöglichte es uns, das Produkt zu entwickeln, das wir uns vorgestellt hatten, statt des Produkts, das unsere infrastrukturellen Einschränkungen zugelassen hätten. Bei KI-Anwendungen entscheidet dieser Unterschied oft über Erfolg oder Misserfolg."
- Über Jobright: Die Neudefinition der Jobsuche im KI-Zeitalter
- Warum die traditionelle Suche bei 2 Millionen Abfragen pro Tag an ihre Grenzen stieß
- Wie Jobright den Markt für Vektordatenbanken benchmarkte
- Die Rolle der Vektorinfrastruktur beim Echtzeit-Matching
- Von 500-ms-Timeouts zu sofortiger Suche—und null Admin-Kopfschmerzen
- Ausblick: Die Vision skalieren
- Lektionen für KI-Builder
- Fazit: Die nächste Generation von KI-Anwendungen mit skalierbarer Infrastruktur antreiben
Inhalte
Anwendungsfall
Branche
Personalbeschaffung
Verwendete Technologie
Our strongest competitive moat isn't our AI models—it's our ability to deploy those models at scale with an exceptional user experience. Zilliz Cloud gave us that capability.
Ethan Zheng