Redéfinir la découverte de carrière : comment Jobright utilise Zilliz Cloud pour offrir des mises en relation de talents plus rapides et plus intelligentes au-delà de LinkedIn
<50 ms>
Latence
Zéro interruption de service
avec des déploiements de fonctionnalités plus rapides
Zéro tracas
pour l’administration de bases de données
Réduction des coûts
Par utilisateur
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
À propos de Jobright : redéfinir la recherche d’emploi à l’ère de l’IA
Jobright est une plateforme de recherche d’emploi native de l’IA qui a rapidement gagné du terrain face à des acteurs établis du secteur comme LinkedIn et Indeed. En un peu plus de deux ans, elle a atteint près de 100 000 utilisateurs actifs quotidiens et est désormais en tête du secteur en matière de durée moyenne des sessions utilisateur, selon SimilarWeb.
Créée par les ingénieurs Eric Cheng et Ethan Zheng, qui ont quitté des postes dans la Big Tech pour résoudre ce qu’ils considéraient comme un problème de découverte défaillant. Jobright propose une mise en relation avec les offres d’emploi plus intelligente et plus personnalisée grâce à la recherche sémantique, à l’analyse de graphes et au retour système en temps réel. Les fonctionnalités phares de la plateforme, comme le filtrage des parrainages H-1B et la découverte de recommandations, l’ont rendue particulièrement précieuse pour les professionnels internationaux et les talents techniques qualifiés.
Pourquoi la recherche traditionnelle a atteint ses limites à 2 millions de requêtes par jour
À mesure que Jobright gagnait en popularité, ses exigences techniques se sont intensifiées. La valeur centrale de la plateforme, la mise en relation personnalisée et en temps réel avec les offres d’emploi, a rapidement mis en évidence les limites des bases de données traditionnelles.
Données en constante évolution : Les offres d’emploi changent en permanence. Plus de 400 000 offres sont ajoutées ou supprimées chaque jour. La plupart des bases de données ne peuvent pas ingérer et supprimer des données à ce rythme sans problèmes de performance.
Correspondance sémantique et multidimensionnelle : Jobright ne se contente pas de faire correspondre des mots-clés. La plateforme effectue des recherches dans les descriptions de poste, les compétences, les trajectoires de carrière et la culture d’entreprise. Chaque interaction utilisateur implique plusieurs recherches vectorielles, ainsi qu’un filtrage par localisation, statut de visa, niveau d’expérience, et plus encore.
Réponse en temps réel à grande échelle : Les utilisateurs effectuent en moyenne plus de 40 interactions par jour. Cela représente plus de 2 millions de requêtes par jour, toutes censées renvoyer des résultats en moins de 100 ms.
Schémas de charge imprévisibles : Les vagues de recrutement ou les licenciements chez de grands employeurs provoquent des pics d’ingestion de données et de requêtes. L’infrastructure devait absorber ces pics sans compromettre les performances.
"Ce n’est pas comme un système de recommandation typique où l’on peut traiter les données par lots pendant la nuit," explique Ethan, cofondateur et CTO de Jobright. "Les utilisateurs attendent des résultats instantanés qui reflètent les dernières offres d’emploi et l’évolution de leurs préférences. L’infrastructure doit gérer simultanément une échelle massive et une réactivité en temps réel."
Comment Jobright a comparé le marché des bases de données vectorielles
Alors que le système de mise en correspondance simple de Jobright, basé sur Python, commençait à flancher sous la charge, l’équipe s’est retrouvée face à une décision d’infrastructure critique. Plutôt que de se précipiter vers une solution rapide, Ethan a passé une semaine entière à évaluer systématiquement toutes les principales options de bases de données vectorielles du marché, notamment FAISS, Pinecone, Elasticsearch, Milvus open-source et Zilliz Cloud. Son approche était méthodique et pratique : "Nous ne nous contentons pas de lire la documentation ou d’écouter les argumentaires des fournisseurs. Nous construisons de vrais MVP avec chaque solution et les testons rigoureusement dans notre environnement spécifique."
Chaque option a révélé des limites critiques :
Facebook FAISS semblait initialement prometteur, compte tenu de ses performances éprouvées à l’échelle de Meta. Cependant, lorsque Jobright a tenté de gérer des requêtes concurrentes tout en insérant et supprimant constamment des vecteurs, cette implémentation Python est devenue instable, avec des pics de mémoire et des plantages lors des périodes de forte utilisation.
Pinecone proposait une solution managée, mais les limitations régionales créaient une latence inacceptable pour leur infrastructure mondiale basée sur AWS. "Nous sommes une plateforme mondiale au service d’utilisateurs du monde entier. Avoir notre base de données vectorielle uniquement dans certaines régions aurait gravement nui à l’expérience de nos utilisateurs internationaux," a déclaré Ethan.
Milvus auto-hébergé fonctionnait bien avec des charges de travail concurrentes et démontrait une bonne évolutivité, mais exigeait une charge opérationnelle importante pour l’autogestion — une charge qui aurait détourné des ressources d’ingénierie critiques du développement produit.
Elasticsearch, bien que fiable pour les opérations de base, ne peut pas combiner efficacement la similarité vectorielle avec les dizaines de dimensions de filtrage de Jobright, telles que le parrainage de visa, le niveau d’expérience et la taille de l’entreprise.
Ethan a ensuite testé Zilliz Cloud. La différence est devenue évidente en quelques heures : alors que d’autres solutions nécessitaient un ajustement et une surveillance constants, Zilliz Cloud gérait sans accroc la charge de travail exigeante de Jobright. Il a maintenu des performances constantes lors de ses scénarios les plus difficiles : des vagues d’ingestion de données simultanées et des pics de requêtes qui avaient fait planter d’autres solutions. Plus important encore, Zilliz Cloud a permis des fonctionnalités sophistiquées, comme la recherche de référents potentiels au sein des entreprises grâce à des requêtes combinant plusieurs recherches vectorielles avec une analyse des relations de type graphe — des capacités qui étaient auparavant impossibles avec d’autres plateformes.
Contrairement aux solutions auto-hébergées, Zilliz Cloud n’exigeait aucune charge d’administration de base de données, permettant à l’équipe de se concentrer entièrement sur le développement du produit. La prise en charge des schémas dynamiques par la plateforme permet à Jobright d’expérimenter des algorithmes de mise en correspondance en temps réel, en déployant des améliorations pendant les heures de bureau sans se soucier de la stabilité du système.
Le rôle de l’infrastructure vectorielle dans la mise en correspondance en temps réel
Jobright utilise désormais six à sept instances Zilliz Cloud spécialisées, chacune optimisée pour un type de requête spécifique :
Moteur principal de mise en correspondance d’emplois : met en correspondance les profils utilisateurs avec des millions d’offres, en tenant compte de la similarité, de la localisation, de l’expérience, du statut de visa, et plus encore.
Découverte de recommandations : trouve des référents potentiels en fonction de la formation, des anciens employeurs et des connexions — à l’aide de requêtes vectorielles sensibles aux relations.
Informations sur les entreprises : fait émerger des informations qualitatives (par ex., adéquation culturelle, tendances de recrutement) en indexant les profils d’entreprise.
Modélisation de la trajectoire de carrière : recommande des postes en fonction de l’évolution des compétences et de vecteurs d’embedding pondérés dans le temps.
Avant que tout ce contenu ne soit ingéré, indexé et récupéré dans Zilliz Cloud, toutes les données sont encodées en embeddings vectoriels de haute dimension à l’aide des modèles spécialisés affinés de Jobright. L’équipe utilise différents modèles d’embedding optimisés pour des types de contenu spécifiques dans l’ensemble du système : les descriptions de poste utilisent des modèles entraînés sur le langage professionnel, tandis que les descriptions de culture d’entreprise emploient des modèles optimisés pour les caractéristiques et les valeurs organisationnelles.
À mesure que les algorithmes de mise en correspondance de Jobright évoluent en fonction des retours des utilisateurs, l’équipe ajoute fréquemment de nouvelles dimensions vectorielles et modifie les critères de filtrage. La prise en charge flexible des schémas par Zilliz Cloud permet ces changements sans interruption du système, permettant à l’équipe de déployer des améliorations algorithmiques pendant les heures de bureau — une capacité qui s’est révélée inestimable pour maintenir son avantage concurrentiel.
La plateforme intègre Zilliz Cloud à une pile technologique complète conçue pour l’évolutivité et la fiabilité. Construite sur AWS avec des groupes d’auto-scaling et des équilibreurs de charge pour gérer les pics de trafic, les instances Zilliz Cloud sont réparties sur plusieurs zones de disponibilité afin d’assurer une haute disponibilité. L’intégration avec plusieurs API de sites d’emploi, sites web d’entreprises, bases de données gouvernementales pour les données H-1B et réseaux professionnels garantit que des offres d’emploi complètes et à jour circulent de manière fluide dans l’infrastructure de base de données vectorielle.
Jobright exploite également les fonctionnalités avancées de Zilliz Cloud pour permettre des scénarios de recherche sophistiqués qui combinent plusieurs types de similarité et de filtrage de manières auparavant impossibles. Des requêtes complexes comme « postes en machine learning dans des startups offrant un parrainage de visa dans un rayon de 50 miles autour de San Francisco » combinent recherche vectorielle sémantique, filtres catégoriels et contraintes géographiques en une seule opération. Trouver des référents appropriés nécessite de rechercher simultanément dans plusieurs espaces vectoriels : embeddings de parcours éducatif, vecteurs d’expérience professionnelle et cartographies des relations avec les entreprises. Les recommandations de progression de carrière tiennent compte de l’évolution des compétences et des intérêts des utilisateurs au fil du temps, en utilisant des opérations vectorielles pondérées dans le temps pour prédire les prochaines évolutions de carrière appropriées.
De délais d’attente de 500 ms à une recherche instantanée — et zéro casse-tête administratif
La transition vers Zilliz Cloud a apporté des améliorations immédiates et durables sur tous les indicateurs clés, transformant Jobright d’une startup en difficulté en un acteur majeur du secteur.
De délais d’attente de 500 ms à une régularité de 50 ms
Les temps de réponse aux requêtes se sont considérablement améliorés, passant de 200 à 500 ms de manière irrégulière, avec de fréquents délais d’attente, à des performances constamment inférieures à 100 ms, avec une latence P95 inférieure à 50 ms pour les opérations principales de mise en correspondance. Le système a atteint une disponibilité de plus de 99,9 % après le déploiement, éliminant les pannes fréquentes et les dégradations de performance qui avaient affecté leur infrastructure précédente. La plateforme est passée sans heurts de la gestion de milliers de requêtes quotidiennes au traitement de plus de 2 millions d’interactions utilisateur par jour, sans nécessiter de modifications d’infrastructure ni subir de dégradation des performances.
Zéro charge d’administration de base de données
« Nous avons passé environ un an sans avoir à gérer ce système du tout. Et j’ai littéralement oublié que nous l’utilisions », note Ethan. « C’est le plus beau compliment que je puisse faire à une infrastructure : quand on cesse de remarquer qu’elle existe, c’est qu’elle fonctionne parfaitement. »
Cette simplicité opérationnelle a permis à la petite équipe d’ingénierie de se concentrer entièrement sur l’innovation produit, plutôt que sur l’administration de bases de données, accélérant considérablement leur rythme de développement.
Dépasser LinkedIn et Indeed en engagement utilisateur
Ces améliorations d’infrastructure se sont directement traduites par des expériences utilisateur supérieures et des indicateurs d’engagement parmi les meilleurs du secteur. Selon les analyses de SimilarWeb, Jobright affiche désormais la durée moyenne de visite utilisateur la plus élevée de toutes les plateformes de recherche d’emploi, dépassant LinkedIn, Indeed et tous les autres concurrents. Les utilisateurs actifs quotidiens sont passés de 10 la première année à près de 100 000, avec une moyenne de plus de 40 interactions sur la plateforme par session — un niveau nettement supérieur aux références du secteur. Les fonctionnalités avancées, telles que la découverte de recommandations et l’assistance aux candidatures alimentée par l’IA, atteignent des taux d’adoption élevés parce qu’elles fonctionnent de manière fiable et fournissent des résultats rapidement.
Déploiements de fonctionnalités plus rapides sans temps d’arrêt
Une infrastructure fiable a permis à Jobright de maintenir son avantage concurrentiel grâce à un développement rapide de fonctionnalités. L’équipe livre désormais de nouvelles fonctionnalités chaque semaine, avec la certitude que l’infrastructure sous-jacente ne se rompra pas lors des mises à jour ou des pics de trafic. Les taux de rétention mensuelle se sont considérablement améliorés, les utilisateurs bénéficiant de performances constantes et rapides ainsi que de recommandations d’emploi de plus en plus précises, alimentées par des algorithmes en évolution continue.
Des coûts prévisibles qui diminuent par utilisateur
Les avantages en matière de coûts se sont révélés tout aussi transformateurs. Jobright est passé de coûts imprévisibles liés à la gestion d’une infrastructure défaillante à une tarification prévisible, basée sur l’usage, qui évolue avec la croissance de l’entreprise. La charge d’administration de bases de données a été entièrement éliminée, et les coûts d’infrastructure par utilisateur ont diminué à mesure que la plateforme grandissait, créant une économie unitaire favorable qui a soutenu une expansion durable de l’activité.
Perspectives : faire évoluer la vision
La vision de Jobright va bien au-delà de la recherche d’emploi pour devenir une place de marché complète des talents, reliant les employeurs et les candidats plus efficacement que jamais. Des analyses avancées permettront aux entreprises de comprendre la dynamique du marché des talents, leur positionnement concurrentiel et les stratégies de recrutement optimales, en utilisant la même infrastructure vectorielle qui alimente la mise en relation avec les candidats. Des outils automatisés de vérification et d’évaluation des compétences utiliseront la similarité vectorielle pour évaluer les capacités des candidats par rapport aux exigences des postes, tandis que les informations en temps réel sur le marché du travail, dérivées des données complètes de la plateforme, deviendront une source de renseignements précieuse pour les employeurs et les décideurs cherchant à comprendre les tendances de la main-d’œuvre.
Jobright prévoit également de s’étendre aux marchés européens et asiatiques, l’infrastructure mondiale de Zilliz Cloud permettant une prestation de services à faible latence sur différents continents. L’infrastructure flexible d’embeddings prend en charge le déploiement de modèles propres à chaque marché, permettant à Jobright de s’adapter aux pratiques de recrutement locales, aux exigences en matière de compétences et aux progressions de carrière sans refontes majeures du système.
« Nous prévoyons une expansion internationale tout en ajoutant des services B2B pour les employeurs », explique Ethan. « Nous avons besoin d’une infrastructure capable de gérer plusieurs marchés, langues et exigences réglementaires sans reconstruire nos systèmes centraux. »
Leçons pour les bâtisseurs de l’IA
La croissance remarquable de Jobright, passée de 10 à 100 000 utilisateurs quotidiens, offre des enseignements précieux aux entrepreneurs de l’IA confrontés à des défis similaires. Ethan a généreusement partagé plusieurs observations tirées de leur parcours :
La proximité avec les utilisateurs compte davantage que la sophistication technologique. La meilleure IA au monde ne vous aidera pas si vous ne comprenez pas les vrais problèmes de vos utilisateurs. Jobright réussit parce qu’ils ont investi plus que quiconque dans la compréhension des expériences réelles des chercheurs d’emploi grâce à des entretiens hebdomadaires avec les utilisateurs et à des boucles de retour d’information.
Les fondateurs doivent rester impliqués sur le terrain plus longtemps qu’ils ne le prévoient. La tentation d’embaucher des spécialistes tôt est forte, mais une délégation prématurée mène souvent à l’échec. Les fondateurs doivent maîtriser les capacités critiques, telles que le marketing de croissance et la recherche utilisateur, avant de pouvoir les déléguer efficacement.
La fréquence de la prise de décision compte davantage que la rapidité de la prise de décision. Bien qu’il soit crucial de rester informé des évolutions rapides de l’IA, effectuer des pivots stratégiques trop fréquemment peut détruire l’élan de l’équipe et éroder la confiance des utilisateurs.
Les choix d’infrastructure s’accumulent avec le temps. De petites décisions techniques créent des avantages concurrentiels significatifs à grande échelle. La bonne infrastructure permet l’innovation plutôt que de simplement résoudre des problèmes immédiats.
« Lorsque nous avons choisi Zilliz Cloud pour la première fois, nous pensions résoudre un problème de mise à l’échelle », se souvient Ethan. « Mais cela a en fait résolu un problème d’innovation. Disposer d’une infrastructure de recherche vectorielle fiable et puissante nous permet d’expérimenter des algorithmes de mise en relation que nous n’aurions pas pu tenter autrement. »
Ethan souligne que de nombreuses startups d’IA sous-estiment la charge opérationnelle liée à la gestion d’une infrastructure sophistiquée. En réalité, la fiabilité de l’infrastructure a un impact direct sur la vitesse de développement : des systèmes peu fiables ralentissent le développement de fonctionnalités tout en réduisant la confiance dans le déploiement de nouvelles capacités.
Sur des marchés où tout le monde a accès à des modèles d’IA similaires, l’avantage concurrentiel provient de plus en plus de décisions d’infrastructure qui permettent des expériences utilisateur supérieures et des cycles d’innovation plus rapides. __
« Notre fossé concurrentiel le plus solide, ce ne sont pas nos modèles d’IA, c’est notre capacité à déployer ces modèles à grande échelle avec une expérience utilisateur exceptionnelle », conclut Ethan. « Zilliz Cloud nous a donné cette capacité. »
Conclusion : Alimenter la prochaine génération d’applications d’IA avec une infrastructure évolutive
Le partenariat entre Jobright et Zilliz Cloud montre comment une infrastructure de niveau entreprise permet le développement d’applications d’IA révolutionnaires. Jobright s’est concentré sur la compréhension des utilisateurs et la création d’expériences produit supérieures, tandis que Zilliz Cloud a fourni la base fiable et évolutive qui a rendu ces expériences possibles à grande échelle.
À mesure que les applications d’IA deviennent de plus en plus sophistiquées, la couche d’infrastructure devient plus essentielle au succès. Les bases de données vectorielles ne sont pas seulement une exigence technique : elles constituent une plateforme d’innovation qui détermine ce qui est possible pour les produits propulsés par l’IA.
"Nous sommes fiers d’alimenter la croissance remarquable de Jobright", note James Luan, VP of Engineering chez Zilliz. "Leur plateforme démontre ce qui est possible lorsque des algorithmes d’IA innovants rencontrent une infrastructure de niveau entreprise."
Pour Jobright, le choix d’infrastructure fait il y a un an continue de porter ses fruits alors qu’ils se préparent à la prochaine phase de croissance.
"Choisir Zilliz Cloud a été l’une de nos meilleures décisions initiales", conclut Ethan. "Cela nous a permis de créer le produit que nous avions imaginé plutôt que le produit que les limites de notre infrastructure nous auraient permis de créer. Dans les applications d’IA, cette différence détermine souvent le succès ou l’échec."
- À propos de Jobright : redéfinir la recherche d’emploi à l’ère de l’IA
- Pourquoi la recherche traditionnelle a atteint ses limites à 2 millions de requêtes par jour
- Comment Jobright a comparé le marché des bases de données vectorielles
- Le rôle de l’infrastructure vectorielle dans la mise en correspondance en temps réel
- De délais d’attente de 500 ms à une recherche instantanée — et zéro casse-tête administratif
- Perspectives : faire évoluer la vision
- Leçons pour les bâtisseurs de l’IA
- Conclusion : Alimenter la prochaine génération d’applications d’IA avec une infrastructure évolutive
Contenu
Secteur d'activité
Recrutement
Technologie utilisée
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