AI 후보자 매칭
Mira Reasoning Embedding이 요구사항을 어떻게 해석하는지. 키워드 검색을 넘어 컨텍스트, 시니어리티 신호, 암묵적 기준을 이해합니다.
대부분의 플랫폼에서 후보자를 검색할 때, 키워드 매칭을 하게 됩니다 : "Python developer Berlin"을 입력하면 프로필에 그 단어가 있는 모든 사람이 나옵니다. 빠르지만, 많은 것을 놓칩니다.
Mira는 다르게 작동합니다. MRE은 설명을 읽고, 실제로 필요한 것을 추론하고, 각 후보자의 전체 경력을 요구사항에 비추어 평가합니다. 실제로 어떤 의미인지 살펴보겠습니다.
MRE가 이해하지만 키워드가 할 수 없는 것
"5년 백엔드 경험"
키워드 검색: 프로필 텍스트에서 "5년"을 찾음. MRE: 후보자의 직업 이력 타임라인에서 실제 연수를 계산. A사에서 3년, B사에서 2.5년 백엔드 업무를 했다면, 프로필에 "5년"이라고 적혀 있지 않아도 MRE는 정확히 합산합니다.
"제품을 0에서 1로 만든 경험이 있는 사람"
키워드 검색: "0 to 1"이라는 문구를 문자 그대로 검색. MRE: 초기 단계 기업(시리즈 A 이전, 20명 미만)에서 제품 또는 엔지니어링 역할로 입사하여 성장 단계를 경험한 후보자를 식별. 키워드가 아니라 경력 패턴을 읽습니다.
"고성장 기업 배경"
키워드 검색: 이것은 할 수 없음. MRE: 기업 데이터, 투자 라운드, 인원 성장, 매출 신호, 를 확인하고 "고성장" 패턴에 맞는 기업에 재직한 후보자를 식별.
"상장 기업 + 스타트업 경험"
키워드 검색: 두 개의 별개, 무관한 필터. MRE: 전체 경력 아크를 평가, 경력의 다른 시점에서 상장 기업과 스타트업 모두에서 일한 사람을 찾고, 이 조합이 특정한 종류의 다재다능함을 나타냄을 이해.
이것이 당신에게 의미하는 것
리크루터 친구에게 설명하듯 역할을 묘사할 수 있습니다:
"시니어하고, 기술적이지만 고객 대면이 가능하고, 실제로 PMF를 달성한 스타트업에서 엔터프라이즈 세일즈를 한 사람이 필요해, 그냥 많이 투자받은 회사가 아니라."
MRE는 이것을 여러 평가 기준으로 분해하여 적용합니다. 불리언 문자열, 필터, "검색 구문"이 필요 없습니다.
기술의 출처
MRE는 Mira의 추론 기반 검색 연구에서 탄생했습니다. 현재 공개 추론 검색 벤치마크 BRIGHT에서 Embedding 카테고리 1위, 전체 1위를 차지하고 있습니다. Mira는 실제 채용 데이터를 사용한 채용 특화 평가 세트 PJBenchmark도 구축했습니다.
네 편의 논문이 이 접근법을 설명합니다:
할 수 없는 것
- 마법이 아닙니다. 데이터 소스에 적합한 후보자가 없으면, MRE가 만들어내지 않습니다.
- 채용 결정이 아닙니다. MRE는 검토를 위해 최적의 매치를 보여줍니다. 최종 결정은 항상 당신의 몫입니다.
- 정확도는 데이터 완전성에 의존합니다. 정보가 불완전한 프로필은 덜 정확한 매치를 생성합니다. 상위 결과만이 아니라 Shortlist 전체를 검토하는 것이 좋습니다.
더 나은 결과 얻기
매칭 품질은 입력의 품질에 달려 있습니다:
- 구체적으로 → 더 나은 매치
- "암묵적" 기준 포함 → 추론 활성화
- 결과를 보고 조정 → 각 라운드가 더 정확해짐
실용적인 팁은 효과적인 JD 작성법을 참조하세요.