การจับคู่ผู้สมัครด้วย AI
วิธีที่MREของ Mira ตีความความต้องการของคุณ ก้าวข้ามการค้นหาด้วย keyword เพื่อเข้าใจบริบท สัญญาณความอาวุโส และเกณฑ์ที่ไม่ชัดเจน
เมื่อคุณค้นหาผู้สมัครบน platform ส่วนใหญ่ คุณกำลังทำ keyword matching พิมพ์ "Python developer Berlin" แล้วได้ทุกคนที่มีคำเหล่านี้อยู่ในโปรไฟล์ มันเร็วแต่พลาดเยอะ
Mira ทำงานต่างออกไป MRE (Mira Reasoning Embedding) อ่านคำอธิบายของคุณ ให้เหตุผลว่าคุณต้องการอะไรจริงๆ แล้วประเมินประวัติอาชีพทั้งหมดของผู้สมัครเทียบกับความต้องการของคุณ ต่อไปนี้คือความหมายในทางปฏิบัติ
สิ่งที่ MRE เข้าใจได้ แต่ keyword ทำไม่ได้
"ประสบการณ์ backend 5 ปี"
Keyword search: มองหา "5 ปี" ในข้อความโปรไฟล์ MRE: คำนวณจำนวนปีจริงจากไทม์ไลน์ประวัติงานของผู้สมัคร ถ้าเขามีประสบการณ์ 3 ปีที่บริษัท A และ 2.5 ปีที่บริษัท B ทำงาน backend MRE นับถูก แม้โปรไฟล์ไม่เขียนว่า "5 ปี" เลยก็ตาม
"คนที่เคยสร้าง product จาก 0 ถึง 1"
Keyword search: มองหาวลี "0 ถึง 1" ตรงตัว MRE: ระบุผู้สมัครที่เข้าร่วมบริษัท early-stage (ก่อน Series A, น้อยกว่า 20 คน) ในตำแหน่ง product หรือ engineering แล้วอยู่ต่อจนผ่านช่วง growth MRE อ่านรูปแบบอาชีพ ไม่ใช่ keyword
"พื้นฐานบริษัท high-growth"
Keyword search: ทำไม่ได้เลย MRE: เช็คข้อมูลบริษัท รอบการระดมทุน การเติบโตของจำนวนพนักงาน สัญญาณรายได้ แล้วระบุผู้สมัครที่นายจ้างเข้ากับรูปแบบ "high-growth"
"ประสบการณ์บริษัทมหาชน + startup"
Keyword search: filter สองชุดแยกกันและไม่เกี่ยวกัน MRE: ประเมินเส้นทางอาชีพทั้งหมด หาคนที่เคยทำงานในบริษัทจดทะเบียน และ ที่ startup ในช่วงเวลาต่างกันของอาชีพ โดยเข้าใจว่าการผสมผสานนี้บ่งชี้ความเก่งรอบด้านแบบเฉพาะ
ความหมายสำหรับคุณ
คุณอธิบายตำแหน่งงานเหมือนที่คุณจะอธิบายให้เพื่อน recruiter ฟังได้เลย
"ต้องการคน senior ที่เป็นเทคนิคแต่ทำงานกับลูกค้าได้ เคยทำ enterprise sales ที่ startup ที่มี product-market fit จริงๆ ไม่ใช่บริษัทที่แค่ระดมทุนมาเยอะ"
MRE แยกสิ่งนี้ออกเป็นเกณฑ์ประเมินหลายข้อแล้วเอามาใช้ คุณไม่ต้องใช้ Boolean string, filter หรือ "search syntax"
เทคโนโลยีมาจากไหน
MRE มาจากงานวิจัยของ Mira เองเรื่องการค้นหาด้วยการให้เหตุผล ปัจจุบันอยู่อันดับ 1 ในหมวด Embedding และอันดับ 1 โดยรวมบน BRIGHT ซึ่งเป็นเกณฑ์มาตรฐานสาธารณะสำหรับการค้นหาด้วยการให้เหตุผล Mira ยังสร้าง PJBenchmark ชุดประเมินเฉพาะทางสรรหาโดยใช้ข้อมูลการจ้างงานจริง
มีเปเปอร์ 4 ฉบับอธิบายแนวทาง
สิ่งที่มันไม่ทำ
- ไม่ใช่เวทมนตร์ ถ้าผู้สมัครที่ใช่ไม่มีในแหล่งข้อมูล MRE ก็ไม่สร้างขึ้นมา
- ไม่ใช่การตัดสินใจจ้าง MRE แสดงการจับคู่ที่ดีที่สุดเท่าที่มีให้คุณรีวิว การตัดสินใจสุดท้ายเป็นของคุณเสมอ
- ความแม่นยำขึ้นกับความสมบูรณ์ของข้อมูล โปรไฟล์ที่มีข้อมูลไม่ครบให้การจับคู่ที่แม่นน้อยกว่า รีวิว Shortlist ทั้งชุดไม่ใช่แค่อันดับต้น จึงคุ้มค่าเสมอ
การได้ผลลัพธ์ที่ดีกว่า
คุณภาพการจับคู่ขึ้นกับคุณภาพของอินพุต
- เจาะจง → จับคู่ดีขึ้น
- ใส่สิ่ง "ที่ไม่ชัดเจน" → เปิดใช้การให้เหตุผล
- ปรับหลังเห็นผลลัพธ์ → แต่ละรอบคมขึ้น
ดู Write an Effective JD สำหรับ tip เชิงปฏิบัติ