Pariti 如何借助 Qdrant 将招聘成功率提高一倍

从手动瓶颈到毫秒级匹配：连接非洲顶尖人才

Pariti 的使命大胆而清晰：快速连接非洲顶尖人才与非洲最有前途的初创公司。其推荐驱动的市场让任何人都能提名优秀候选人，但病毒式增长引发了海量数据。现在，一个职位发布在 72 小时内吸引超过 300 名申请者，但 Pariti 仍然承诺在同样 5 天内为客户提供一份面试候选人短名单。

到 2023 年，压力显而易见。分析师花费 4 分钟审查每份简历，并经常处理 400 多个候选人积压。随着疲劳的加剧，埋藏在底部的优秀档案无人问津。与此同时，大约 70,000 名历史候选人处于闲置状态，因为没有实际方法将他们重新浮出水面。招聘成功率停滞在 20%。

一次笔记本电脑实验指明了方向

数据科学家 Chiara Stramaccioni 在她的笔记本电脑上编写了一个简单的 Python 脚本：编码新职位的文本要求，嵌入每个候选人的经验，比较向量，并对结果进行排名。质量看起来很好，但每次查询都需要半分钟的本地计算，并且只有 Chiara 可以运行它。该原型证明了可行性，但未能解决规模问题。

将 Qdrant 投入生产

工程主管 Elvis Moraa 需要一个生产级的矢量数据库，该数据库能够立即投入使用并且不占用团队资源。他选择 Qdrant Cloud 的原因有三点

1. 零运维部署——在几分钟内启动托管集群，并在 Google Cloud 上进行区域托管，保持低延迟。

2. 直观的 Python SDK——分析师可以像调用 Pandas 一样轻松地调用它，而无需与 Kafka 或索引调优仪式搏斗。

3. 清晰的文档，可以在一个下午从“Hello, vectors”过渡到实时集成。

Pariti 摄取了全部 70,000 名候选人的语料库，并且轻量级后端在新数据到达时立即创建嵌入。查询通过 HTTP 传输，并在 22 到 40 毫秒之间返回，自上线以来零停机时间。

如今的工作流程是怎样的

招聘分析师打开一个内部网络应用程序，粘贴或调整职位描述，并调整权重特征（例如行业专业知识或发表历史）的滑块。该应用程序会命中 Qdrant，Qdrant 会立即返回一个排名靠前的候选人短名单。由于向量已经驻留在内存中，因此与旧的每月刷新 pickle 文件相比，每次检索平均节省 34 秒。

每份推荐仍然需要人工审核，但现在审核时间很短：每位候选人的审核时间已从四分钟缩短到一分钟，减少了 70%。当新的空缺职位与过去的职位非常相似时，分析师几乎完全跳过手动筛选。他们完善筛选条件，审查热门建议，然后将其转发。对于这些“数据库发现”，24% 的候选人进入面试环节，是传统渠道 6% 成功率的四倍。

准确性仍然是北极星。Pariti 将“真正的高绩效者”定义为最终获得客户录用通知的申请人。在过去的一个季度中，94% 的这些成功者已经位列应用程序的前 10%，这使得招聘经理几乎完全相信他们正在优先看到最优秀的人才。

更好的搜索结果 = 更多的招聘

• 招聘成功率从 20% 飙升至 48%，Pariti 现在平均每月成功安置八名员工，维持了远高于 40% 的职位填补率。

• 分析师每周可以重新利用一整个工作日；他们不再沉溺于简历分类，而是将时间花在指导客户和候选人上。

• 该平台每天处理 100 多次搜索，毫不费力，并且自迁移到 Qdrant 以来，未记录任何意外中断。

“Qdrant 是我最不担心出故障的东西。”——Elvis Moraa，Pariti 工程主管

未来之路

该团队正在将该工具产品化为面向客户的门户。招聘经理将能够自行调整排名滑块，并实时查看候选人短名单的刷新情况。为了应对即将到来的流量高峰，Pariti 正在评估 GPU 辅助索引和向量量化——这些功能已内置于 Qdrant 中——同时将成本控制在许多非洲初创公司预算的挑战性现实范围内。

当初在单个笔记本电脑上进行的业余实验，如今已成为一个以初创公司速度运作的人才市场骨干。有了 Qdrant 在 22 毫秒内完成繁重工作，Pariti 就能专注于其真正的工作：解锁机会。