Переосмысление карьерного поиска: как Jobright использует Zilliz Cloud, чтобы быстрее и умнее подбирать таланты за пределами LinkedIn
<50 мс
Задержка
Нулевое время простоя
с более быстрым развертыванием функций
Никаких хлопот
для администрирования баз данных
Сокращение затрат
За пользователя
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
О Jobright: переосмысление поиска работы в эпоху ИИ
Jobright — это нативная для ИИ платформа поиска работы, которая быстро укрепила свои позиции относительно таких устоявшихся игроков отрасли, как LinkedIn и Indeed. Всего за чуть более двух лет она достигла почти 100 000 ежедневных активных пользователей и теперь лидирует в отрасли по средней продолжительности пользовательской сессии, согласно SimilarWeb.
Созданная инженерами Eric Cheng и Ethan Zheng, которые ушли из Big Tech, чтобы исправить то, что они считали сломанной проблемой обнаружения. Jobright обеспечивает более умный и персонализированный подбор вакансий с помощью семантического поиска, графового анализа и обратной связи системы в реальном времени. Выдающиеся функции платформы, такие как фильтрация по спонсорству H-1B и поиск рефералов, сделали ее особенно ценной для международных специалистов и квалифицированных технических талантов.
Почему традиционный поиск сломался при 2 миллионах запросов в день
По мере того как Jobright набирала популярность, ее технические требования росли. Основная ценность платформы — персонализированный подбор вакансий в реальном времени — быстро выявила ограничения традиционных баз данных.
Постоянно меняющиеся данные: Вакансии постоянно меняются. Ежедневно добавляется или удаляется более 400 000 вакансий. Большинство баз данных не могут загружать и удалять данные с такой скоростью без проблем с производительностью.
Семантическое, многомерное сопоставление: Jobright не просто сопоставляет ключевые слова. Она выполняет поиск по описаниям вакансий, навыкам, карьерным траекториям и корпоративной культуре. Каждое взаимодействие пользователя включает несколько векторных поисков плюс фильтрацию по местоположению, визовому статусу, уровню опыта и многому другому.
Ответ в реальном времени в масштабе: Пользователи в среднем совершают более 40 взаимодействий в день. Это означает более 2 миллионов запросов в день, и все они должны возвращать результаты менее чем за 100 мс.
Непредсказуемые паттерны нагрузки: Массовый найм или увольнения у крупных работодателей вызывают всплески загрузки данных и запросов. Инфраструктура должна была выдерживать эти пики без ущерба для производительности.
"Это не похоже на типичную рекомендательную систему, где можно выполнять пакетную обработку ночью," — объясняет Ethan, сооснователь и CTO Jobright. "Пользователи ожидают мгновенных результатов, которые отражают последние вакансии и их меняющиеся предпочтения. Инфраструктура должна одновременно справляться и с огромным масштабом, и с отзывчивостью в реальном времени."
Как Jobright проводила бенчмаркинг рынка векторных баз данных
Когда простая система сопоставления Jobright на базе Python начала не справляться под нагрузкой, команда столкнулась с критически важным инфраструктурным решением. Вместо того чтобы поспешно внедрять быстрое исправление, Ethan потратил целую неделю на систематическую оценку всех основных вариантов векторных баз данных на рынке, включая FAISS, Pinecone, Elasticsearch, open-source Milvus и Zilliz Cloud. Его подход был методичным и практическим: "Мы не просто читаем документацию или слушаем презентации поставщиков. Мы создаем реальные MVP с каждым решением и тщательно тестируем их в нашей конкретной среде."
Каждый вариант выявил критические ограничения:
Facebook FAISS сначала казался перспективным, учитывая его проверенную в боевых условиях производительность в масштабе Meta. Однако когда Jobright попыталась обрабатывать параллельные запросы при постоянной вставке и удалении векторов, эта реализация на Python стала нестабильной, со скачками потребления памяти и сбоями во время пикового использования.
Pinecone предлагала управляемое решение, но региональные ограничения создавали неприемлемую задержку для их глобальной инфраструктуры на базе AWS. "Мы — глобальная платформа, обслуживающая пользователей по всему миру. Размещение нашей векторной базы данных только в определенных регионах серьезно ухудшило бы пользовательский опыт наших международных пользователей," — сказал Ethan.
Self-hosted Milvus хорошо справлялась с параллельными рабочими нагрузками и продемонстрировала масштабируемость, но требовала значительных операционных затрат на самостоятельное управление — затрат, которые отвлекли бы критически важные инженерные ресурсы от разработки продукта.
Elasticsearch, несмотря на надежность при выполнении базовых операций, не может эффективно сочетать векторное сходство с десятками измерений фильтрации Jobright, такими как визовая поддержка, уровень опыта и размер компании.
Затем Ethan протестировал Zilliz Cloud. Разница стала очевидна уже через несколько часов — в то время как другие решения требовали постоянной настройки и мониторинга, Zilliz Cloud безупречно справлялся с требовательной рабочей нагрузкой Jobright. Он поддерживал стабильную производительность в самых сложных сценариях: одновременных волнах загрузки данных и всплесках запросов, из-за которых другие решения выходили из строя. Что наиболее важно, Zilliz Cloud позволил реализовать сложные функции, такие как поиск потенциальных рекомендателей внутри компаний с помощью запросов, сочетающих несколько векторных поисков с графоподобным анализом отношений, — возможностей, которые ранее были невозможны на других платформах.
В отличие от самостоятельно размещаемых решений, Zilliz Cloud не требовал административных накладных расходов на управление базой данных, что позволило команде полностью сосредоточиться на разработке продукта. Поддержка динамической схемы платформы позволяет Jobright экспериментировать с алгоритмами сопоставления в реальном времени, внедряя улучшения в рабочее время без опасений за стабильность системы.
Роль векторной инфраструктуры в сопоставлении в реальном времени
Теперь Jobright использует шесть–семь специализированных экземпляров Zilliz Cloud, каждый из которых оптимизирован для определенного типа запросов:
Основной механизм сопоставления вакансий: сопоставляет профили пользователей с миллионами объявлений, учитывая сходство, местоположение, опыт, визовый статус и многое другое.
Поиск рекомендателей: находит потенциальных рекомендателей на основе образования, предыдущих работодателей и связей — используя векторные запросы, учитывающие отношения.
Аналитика компаний: выводит качественные сведения (например, соответствие культуре, модели найма) путем индексирования профилей компаний.
Моделирование карьерной траектории: рекомендует роли на основе развивающихся навыков и взвешенных по времени векторных представлений.
Прежде чем весь этот контент загружается, индексируется и извлекается в Zilliz Cloud, все данные кодируются в высокоразмерные векторные представления с использованием специализированных дообученных моделей Jobright. Команда использует различные модели представлений, оптимизированные для конкретных типов контента по всей системе: описания вакансий используют модели, обученные на профессиональном языке, тогда как описания корпоративной культуры применяют модели, оптимизированные для организационных характеристик и ценностей.
По мере того как алгоритмы сопоставления Jobright развиваются на основе отзывов пользователей, команда часто добавляет новые векторные измерения и изменяет критерии фильтрации. Гибкая поддержка схемы Zilliz Cloud позволяет вносить эти изменения без простоя системы, давая команде возможность внедрять улучшения алгоритмов в рабочее время — возможность, которая оказалась бесценной для сохранения конкурентного преимущества.
Платформа интегрирует Zilliz Cloud с комплексным технологическим стеком, рассчитанным на масштабируемость и надежность. Построенные на AWS с группами автомасштабирования и балансировщиками нагрузки для обработки всплесков трафика, экземпляры Zilliz Cloud распределены по зонам доступности для обеспечения высокой доступности. Интеграция с несколькими API досок вакансий, сайтами компаний, государственными базами данных для данных H-1B и профессиональными сетями обеспечивает беспрепятственное поступление полных и актуальных списков вакансий в инфраструктуру векторной базы данных.
Jobright также использует расширенные возможности Zilliz Cloud, чтобы реализовывать сложные сценарии поиска, сочетающие несколько типов сходства и фильтрации способами, которые ранее были невозможны. Сложные запросы вроде "вакансии в сфере машинного обучения в стартапах, предлагающих визовую поддержку, в радиусе 50 миль от Сан-Франциско" объединяют семантический векторный поиск с категориальными фильтрами и географическими ограничениями в одной операции. Поиск подходящих рефереров требует одновременного поиска по нескольким векторным пространствам — эмбеддингам образовательного бэкграунда, векторам опыта работы и картам связей с компаниями. Рекомендации по карьерному росту учитывают, как навыки и интересы пользователей меняются со временем, используя взвешенные по времени векторные операции для прогнозирования подходящих следующих карьерных шагов.
От тайм-аутов в 500 мс к мгновенному поиску — и ноль проблем с администрированием
Переход на Zilliz Cloud обеспечил немедленные и устойчивые улучшения по всем ключевым метрикам, превратив Jobright из испытывающего трудности стартапа в ведущего игрока отрасли.
От тайм-аутов в 500 мс к стабильным 50 мс
Время ответа на запросы резко улучшилось: с нестабильных 200–500 мс с частыми тайм-аутами до стабильной производительности менее 100 мс, с задержкой P95 менее 50 мс для основных операций сопоставления. После развертывания система достигла 99,9%+ времени безотказной работы, устранив частые сбои и ухудшения производительности, которые преследовали их предыдущую инфраструктуру. Платформа без проблем масштабировалась: от обработки тысяч ежедневных запросов до более чем 2 миллионов пользовательских взаимодействий в день — без необходимости менять инфраструктуру и без ухудшения производительности.
Нулевая нагрузка на администрирование базы данных
"Мы около года вообще не управляли этой системой. И я буквально забыл, что мы ее используем," — отмечает Ethan. "Это высшая похвала, которую я могу дать инфраструктуре: когда перестаешь замечать, что она существует, значит, она работает идеально."
Эта операционная простота позволила небольшой инженерной команде полностью сосредоточиться на продуктовых инновациях, а не на администрировании базы данных, значительно ускорив темпы разработки.
Превзойти LinkedIn и Indeed по вовлеченности пользователей
Эти улучшения инфраструктуры напрямую привели к более качественному пользовательскому опыту и лучшим в отрасли метрикам вовлеченности. Согласно аналитике SimilarWeb, Jobright теперь имеет самую высокую среднюю продолжительность пользовательского визита среди всех платформ поиска работы, опережая LinkedIn, Indeed и всех остальных конкурентов. Число ежедневных активных пользователей выросло с 10 в первый год до почти 100 000, при этом пользователи в среднем совершают более 40 взаимодействий с платформой за сессию — значительно выше отраслевых ориентиров. Расширенные функции, такие как поиск рекомендаций и помощь в подаче заявок на основе ИИ, достигают высоких показателей внедрения, потому что работают надежно и быстро выдают результаты.
Более быстрые развертывания функций без простоев
Надежная инфраструктура позволила Jobright сохранять конкурентное преимущество благодаря быстрому развитию функциональности. Теперь команда еженедельно выпускает новые функции с уверенностью, что базовая инфраструктура не сломается во время обновлений или всплесков трафика. Месячные показатели удержания значительно улучшились, поскольку пользователи получают стабильную, быструю работу и все более точные рекомендации вакансий, основанные на постоянно развивающихся алгоритмах.
Предсказуемые затраты, которые снижаются в расчете на пользователя
Экономические преимущества оказались столь же трансформирующими. Jobright перешла от непредсказуемых затрат, связанных с управлением отказывающей инфраструктурой, к предсказуемому ценообразованию на основе использования, которое масштабируется вместе с ростом бизнеса. Нагрузка на администрирование базы данных была полностью устранена, а инфраструктурные затраты в расчете на пользователя снижались по мере роста платформы, создавая благоприятную юнит-экономику, поддерживающую устойчивое расширение бизнеса.
Взгляд в будущее: масштабирование видения
Видение Jobright простирается далеко за пределы поиска работы: компания стремится стать комплексной площадкой для рынка талантов, соединяющей работодателей и кандидатов эффективнее, чем когда-либо прежде. Продвинутая аналитика позволит компаниям понимать динамику рынка талантов, конкурентное позиционирование и оптимальные стратегии найма, используя ту же векторную инфраструктуру, которая обеспечивает подбор кандидатов. Автоматизированные инструменты проверки и оценки навыков будут использовать векторное сходство для оценки возможностей кандидатов относительно требований к роли, а аналитика рынка труда в реальном времени, полученная из комплексных данных платформы, станет ценной информацией для работодателей и политиков, стремящихся понять тенденции рабочей силы.
Jobright также планирует выход на европейские и азиатские рынки, при этом глобальная инфраструктура Zilliz Cloud обеспечит предоставление сервисов с низкой задержкой на разных континентах. Гибкая инфраструктура эмбеддингов поддерживает развертывание моделей, адаптированных под конкретные рынки, позволяя Jobright приспосабливаться к местным практикам найма, требованиям к навыкам и карьерным траекториям без масштабной переработки системы.
"Мы планируем международную экспансию и одновременно добавляем B2B-сервисы для работодателей," — объясняет Ethan. "Нам нужна инфраструктура, способная работать с несколькими рынками, языками и нормативными требованиями без перестройки наших основных систем."
Уроки для создателей AI
Впечатляющий рост Jobright с 10 до 100 000 ежедневных пользователей дает ценные инсайты AI-предпринимателям, сталкивающимся с похожими вызовами. Ethan щедро поделился несколькими наблюдениями из их пути:
Близость к пользователям важнее технологической сложности. Лучший AI в мире не поможет, если вы не понимаете реальные проблемы своих пользователей. Jobright добивается успеха, потому что вложила больше, чем кто-либо другой, в понимание фактического опыта соискателей через еженедельные интервью с пользователями и циклы обратной связи.
Основателям нужно оставаться вовлеченными в практическую работу дольше, чем они ожидают. Соблазн нанять специалистов на раннем этапе велик, но преждевременное делегирование часто приводит к неудаче. Основатели должны освоить критически важные компетенции, такие как growth marketing и пользовательские исследования, прежде чем смогут эффективно их делегировать.
Частота принятия решений важнее скорости принятия решений. Хотя крайне важно быть в курсе быстрых изменений в AI, слишком частые стратегические повороты могут разрушить командный импульс и подорвать доверие пользователей.
Выбор инфраструктуры со временем дает кумулятивный эффект. Небольшие технические решения создают значительные конкурентные преимущества в масштабе. Правильная инфраструктура позволяет внедрять инновации, а не просто решать текущие проблемы.
"Когда мы впервые выбрали Zilliz Cloud, мы думали, что решаем проблему масштабирования," — размышляет Ethan. "Но на самом деле это решило проблему инноваций. Наличие надежной и мощной инфраструктуры векторного поиска позволяет нам экспериментировать с алгоритмами сопоставления, которые иначе мы не смогли бы даже попробовать."
Ethan подчеркивает, что многие AI-стартапы недооценивают операционные издержки управления сложной инфраструктурой. На самом деле надежность инфраструктуры напрямую влияет на скорость разработки: ненадежные системы замедляют разработку функций и снижают уверенность при выпуске новых возможностей.
На рынках, где у всех есть доступ к схожим AI-моделям, конкурентное преимущество все чаще возникает из инфраструктурных решений, которые обеспечивают превосходный пользовательский опыт и более быстрые циклы инноваций. __
"Наш самый сильный конкурентный ров — не наши AI-модели, а наша способность развертывать эти модели в масштабе с исключительным пользовательским опытом," — заключает Ethan. "Zilliz Cloud дала нам эту возможность."
Заключение: обеспечение следующего поколения AI-приложений масштабируемой инфраструктурой
Партнёрство между Jobright и Zilliz Cloud показывает, как инфраструктура корпоративного уровня позволяет создавать прорывные AI-приложения. Jobright сосредоточилась на понимании пользователей и создании превосходного пользовательского опыта, в то время как Zilliz Cloud предоставила надёжную, масштабируемую основу, которая сделала этот опыт возможным в масштабе.
По мере того как AI-приложения становятся всё более сложными, инфраструктурный слой становится всё более критически важным для успеха. Векторные базы данных — это не просто техническое требование, а инновационная платформа, определяющая, что возможно для продуктов на базе AI.
"Мы гордимся тем, что обеспечиваем впечатляющий рост Jobright," — отмечает James Luan, VP of Engineering at Zilliz. "Их платформа демонстрирует, что становится возможным, когда инновационные AI-алгоритмы сочетаются с инфраструктурой корпоративного уровня."
Для Jobright выбор инфраструктуры, сделанный год назад, продолжает приносить дивиденды, пока компания готовится к следующему этапу роста.
"Выбор Zilliz Cloud был одним из наших лучших ранних решений," — заключает Ethan. "Он позволил нам создать продукт, который мы задумали, а не продукт, который позволили бы ограничения нашей инфраструктуры. В AI-приложениях эта разница часто определяет успех или неудачу."
- О Jobright: переосмысление поиска работы в эпоху ИИ
- Почему традиционный поиск сломался при 2 миллионах запросов в день
- Как Jobright проводила бенчмаркинг рынка векторных баз данных
- Роль векторной инфраструктуры в сопоставлении в реальном времени
- От тайм-аутов в 500 мс к мгновенному поиску — и ноль проблем с администрированием
- Взгляд в будущее: масштабирование видения
- Уроки для создателей AI
- Заключение: обеспечение следующего поколения AI-приложений масштабируемой инфраструктурой
Контент
Пример использования
Отрасль
Подбор персонала
Используемая технология
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