AI 候補者マッチング
Mira Reasoning Embeddingが要件をどのように解釈するか。キーワード検索を超えて、コンテキスト、シニアリティシグナル、暗黙の条件を理解します。
ほとんどのプラットフォームで候補者を検索する場合、キーワードマッチングを行っています : 「Python developer Berlin」と入力すると、プロフィールにその言葉がある全員が表示されます。速いですが、多くを見逃します。
Mira は違います。MREは入力された説明を読み、実際に何が必要かを推論し、各候補者の完全なキャリア履歴を要件に照らして評価します。実際にはどういう意味か見てみましょう。
キーワードでは理解できないが MRE が理解できるもの
「バックエンド経験 5 年」
キーワード検索：プロフィールテキスト内の「5 年」を探す。 MRE：候補者の職歴タイムラインから実際の年数を計算。A社で 3 年、B社で 2.5 年バックエンド業務を行っていた場合、プロフィールに「5 年」と書かれていなくても MRE は正確にカウントします。
「プロダクトを 0 から 1 にした人」
キーワード検索：「0 to 1」というフレーズをそのまま検索。 MRE：アーリーステージの企業（シリーズ A 前、20 人未満）にプロダクトまたはエンジニアリングの役職で入社し、成長フェーズを経験した候補者を特定。キーワードではなく、キャリアパターンを読み取っています。
「高成長企業出身」
キーワード検索：これはできない。 MRE：企業データ, 資金調達ラウンド、従業員数の増加、収益シグナル, をチェックし、「高成長」パターンに合致する企業に在籍した候補者を特定。
「上場企業 + スタートアップ経験」
キーワード検索：2 つの別々の、関連のないフィルター。 MRE：キャリア全体を評価, 上場企業とスタートアップの両方でキャリアの異なる時点で働いた人を見つけ、この組み合わせが特定の種類の多様性を示すことを理解。
あなたにとっての意味
リクルーター仲間に説明するように役職を描写できます：
「シニアで、技術的だがカスタマーフェーシング、プロダクトマーケットフィットを実際に達成したスタートアップでエンタープライズセールスをやった人が欲しい, 単にたくさん資金調達しただけの会社ではなく。」
MRE はこれを複数の評価基準に分解して適用します。Boolean 文字列、フィルター、「検索構文」は必要ありません。
テクノロジーの出自
MRE は Mira 独自の推論ベース検索研究から生まれました。現在、パブリックな推論検索ベンチマーク BRIGHT で Embedding カテゴリ 1 位、総合 1 位にランクされています。Mira は PJBenchmark（実際の採用データを使用した採用特化型評価セット）も構築しています。
4 つの論文がこのアプローチを説明しています：
できないこと
- 魔法ではありません。 データソースに適切な候補者が存在しない場合、MRE が候補者を捏造することはありません。
- 採用の意思決定ではありません。 MRE はレビュー用に最良のマッチを提示します。最終判断は常にユーザーのものです。
- 精度はデータの完全性に依存します。 情報が不完全なプロフィールからはマッチング精度が下がります。トップの結果だけでなく、Shortlist 全体を確認することをお勧めします。
より良い結果を得るには
マッチングの質は入力の質に依存します：
- 具体的に → より良いマッチ。
- 「暗黙」の条件を含める → 推論を活性化。
- 結果を見て絞り込む → 各ラウンドがより的確に。
実践的なヒントは 効果的な JD の書き方 をご覧ください。