Wie geht MRE mit Erfahrungsanforderungen wie „5 Jahre Backend" um?

MRE berechnet die tatsächlichen Jahre aus der Karriere-Timeline des Kandidaten, statt nach der wörtlichen Zeichenfolge „5 Jahre” zu suchen. Wenn jemand 3 Jahre bei Firma A und 2,5 Jahre bei Firma B Backend-Arbeit geleistet hat, zählt MRE das korrekt, auch wenn im Profil nirgends „5 Jahre” steht.

Wie versteht Mira den „Hintergrund bei Wachstumsunternehmen"?

MRE prüft Unternehmensdaten einschließlich Finanzierungsrunden, Personalwachstum und Umsatzsignalen und identifiziert dann Kandidaten, deren Arbeitgeber dem Muster „Wachstumsunternehmen” entsprechen. Die Keyword-Suche kann das überhaupt nicht.

MRE ist keine Magie — wenn der richtige Kandidat in den Datenquellen nicht existiert, erfindet es keinen. Es ist keine Einstellungsentscheidung; es zeigt die besten verfügbaren Matches zu Ihrer Prüfung, die endgültige Entscheidung liegt immer bei Ihnen. Die Genauigkeit hängt zudem von der Datenvollständigkeit ab; Profile mit unvollständigen Informationen liefern weniger präzise Matches.

Wie erziele ich bessere Matching-Ergebnisse?

Die Matching-Qualität hängt von der Qualität Ihrer Eingabe ab: Seien Sie in Ihrer Beschreibung spezifisch, beziehen Sie implizite Kriterien wie Unternehmenshintergrund oder Karrieremuster ein, um Reasoning zu aktivieren, und verfeinern Sie nach den Ergebnissen — jede Runde wird schärfer.

KI-Kandidaten-Matching

Q: Worin unterscheidet sich Miras Matching von der Keyword-Suche?

Die Keyword-Suche gleicht lediglich Zeichenfolgen im Profiltext ab. Mira Reasoning Embedding (MRE) liest Ihre Beschreibung, durchdenkt, was Sie tatsächlich brauchen, und bewertet den gesamten Karriereverlauf jedes Kandidaten anhand Ihrer Anforderungen — einschließlich impliziter Kriterien, die nirgendwo als Keywords im Profil auftauchen.

Q: Kann Mira Kandidaten mit „0 auf 1"-Produkterfahrung finden?

Ja. MRE identifiziert Kandidaten, die in Frühphasen-Unternehmen (Pre-Series A, unter 20 Mitarbeiter) in Produkt- oder Engineering-Rollen eingestiegen sind und eine Wachstumsphase durchlaufen haben. Es liest Karrieremuster, statt nach der wörtlichen Formulierung „0 auf 1” zu suchen.

Wie Mira Reasoning Embedding Ihre Anforderungen interpretiert. Geht über Keyword-Suche hinaus, um Kontext, Senioritätssignale und implizite Kriterien zu verstehen.

Wenn Sie auf den meisten Plattformen nach Kandidaten suchen, machen Sie Keyword-Matching, tippen Sie „Python-Entwickler Berlin" ein und erhalten alle mit diesen Worten im Profil. Schnell, aber es entgeht viel.

Mira arbeitet anders. MRE (Mira Reasoning Embedding) liest Ihre Beschreibung, durchdenkt, was Sie tatsächlich brauchen, und bewertet den gesamten Karriereverlauf jedes Kandidaten anhand Ihrer Anforderungen. Was das in der Praxis bedeutet:

Was MRE versteht, aber Keywords nicht können

„5 Jahre Backend-Erfahrung"

Keyword-Suche: sucht nach „5 Jahre" im Profiltext. MRE: berechnet tatsächliche Jahre aus dem Karriereverlauf. Wenn jemand 3 Jahre bei Firma A und 2,5 Jahre bei Firma B Backend-Arbeit geleistet hat, zählt MRE korrekt, auch wenn im Profil nirgends „5 Jahre" steht.

„Jemand, der ein Produkt von 0 auf 1 gebracht hat"

Keyword-Suche: sucht wörtlich nach „0 auf 1". MRE: identifiziert Kandidaten, die in Frühphasen-Unternehmen (Pre-Series A, unter 20 Mitarbeiter) in Produkt- oder Engineering-Rollen eingestiegen sind und eine Wachstumsphase durchlaufen haben. Es liest Karrieremuster, keine Keywords.

„Hintergrund bei Wachstumsunternehmen"

Keyword-Suche: kann das nicht. MRE: prüft Unternehmensdaten, Finanzierungsrunden, Personalwachstum, Umsatzsignale, und identifiziert Kandidaten, deren Arbeitgeber dem „Wachstums"-Muster entsprechen.

„Börsennotiertes Unternehmen + Startup-Erfahrung"

Keyword-Suche: zwei separate, unverbundene Filter. MRE: bewertet den gesamten Karrierebogen, findet Personen, die an verschiedenen Karrierepunkten sowohl bei einem börsennotierten Unternehmen als auch bei einem Startup gearbeitet haben, und versteht, dass diese Kombination eine bestimmte Art von Vielseitigkeit signalisiert.

Was das für Sie bedeutet

Sie können Rollen so beschreiben, wie Sie sie einem Recruiter-Freund beschreiben würden:

„Ich brauche jemand Senioriges, technisch, aber kundenorientiert, der bei einem Startup Enterprise Sales gemacht hat, das wirklich Product-Market Fit hatte, kein Unternehmen, das nur viel Geld eingesammelt hat."

MRE zerlegt dies in mehrere Bewertungskriterien und wendet sie an. Sie brauchen keine Boolean-Strings, Filter oder „Suchsyntax".

Woher die Technologie stammt

MRE stammt aus Miras eigener Forschung zum Reasoning-basierten Retrieval. Es belegt derzeit den ersten Platz in der Embedding-Kategorie und den ersten Platz insgesamt bei BRIGHT, einem öffentlichen Benchmark für Reasoning Retrieval. Mira hat auch PJBenchmark entwickelt, ein Recruiting-spezifisches Evaluierungsset mit realen Einstellungsdaten.

Vier Paper beschreiben den Ansatz:

Was es nicht kann

Es ist keine Magie. Wenn der richtige Kandidat in den Datenquellen nicht existiert, erfindet MRE keinen.
Es ist keine Einstellungsentscheidung. MRE zeigt die besten verfügbaren Matches zur Prüfung. Die endgültige Entscheidung liegt immer bei Ihnen.
Die Genauigkeit hängt von der Datenvollständigkeit ab. Profile mit unvollständigen Informationen liefern weniger präzise Matches. Die gesamte Shortlist zu prüfen, nicht nur das Top-Ergebnis, lohnt sich immer.

Bessere Ergebnisse erzielen

Die Matching-Qualität hängt von der Qualität Ihrer Eingabe ab:

Spezifischer → bessere Matches.
„Implizite" Dinge einbeziehen → aktiviert Reasoning.
Nach Ergebnissen verfeinern → jede Runde wird schärfer.

Praktische Tipps unter Eine effektive JD schreiben.

KI-Kandidaten-Matching

Auf dieser Seite