Avrio ist eine Rekrutierungsplattform, die den Einstellungsprozess für Recruiter erleichtert und es ihnen ermöglicht, die besten Talente auszuwählen, die ihren Anforderungen entsprechen. Sie optimiert den gesamten Prozess, einschließlich der Kandidatensuche, -prüfung und Terminplanung für Vorstellungsgespräche.
Avrio verbessert den Einstellungsprozess sowohl für Kandidaten als auch für Einstellungsteams. Für Kandidaten bietet es eine personalisierte, unvoreingenommene Erfahrung anstelle traditioneller langer Bewerbungsformulare, bei denen der Kandidat möglicherweise keine Rückmeldung erhält und sich respektlos und ignoriert fühlt. Für die Einstellungsteams hilft es ihnen, Top-Talente schnell und effizient zu finden, anstatt ineffektive Interviewprozesse zu durchlaufen und schlecht qualifizierte Mitarbeiter einzustellen.
Herausforderungen & Chancen
Avrio bemerkte die Lücken und Mängel traditioneller Rekrutierungsprozesse, von erhöhten Zeiten bis zur Einstellung, über geringe Qualität der Einstellungen bis hin zu ineffizienten Vorstellungsgesprächen. Sie wollten eine Lösung anbieten, die eine automatisierte und effektive Einstellungs-Pipeline sowohl für Kandidaten als auch für Personalvermittler schafft.
Mithilfe eines proprietären Software-Algorithmus haben sie eine Plattform entwickelt, die globale Talente mit Jobangeboten abgleichen kann. Die Plattform analysiert die Stellenanforderungen und die unterschiedlichen Fähigkeiten der Kandidaten und liefert dann einen “Fit-Score”, der Kandidaten mit einem höheren übereinstimmenden Fähigkeitsprofil für die spezifischen Stellenanforderungen fördert und so sicherstellt, dass die Teams, die einstellen, auf die qualitativ hochwertigsten Talente zugreifen können.
Die Plattform bietet außerdem ein personalisiertes Erlebnis für Kandidaten, einschließlich einer “Kandidaten-Lückenanalyse”, die zeigt, welche ihrer Fähigkeiten zum Job passen und wo ihre Lücken bestehen, was ein häufiges Problem bei traditionellen, intransparenten Einstellungsverfahren löst.
Rekrutierer und Personalverantwortliche auf der Plattform wünschten sich jedoch maßgeschneidertere Kandidatenergebnisse mit noch höherer Genauigkeit bei den übereinstimmenden Kriterien. Außerdem wollten sie die Zeit reduzieren, die die Plattform benötigt, um die Kandidaten zu analysieren und das Ergebnis mit dem höchsten Übereinstimmungsgrad zu melden.
Zusätzlich war die Komplexität der Bereitstellung und Wartung des großen Software-Codebasen eine Herausforderung für Avrio, insbesondere da es auf einer traditionellen Infrastruktur basierte Elastic Beanstalk.
Gleichzeitig waren sie sich des zunehmenden Einsatzes und der Fortschritte bei bewusst LLMs. Sie sahen darin also eine Gelegenheit, ihre Plattform zu modernisieren und das digitale Recruiting durch den Einsatz von LLMs zu revolutionieren.
Ziele
Avrio wollte die Leistung und Genauigkeit der Plattform für die Abwicklung einer riesigen Anzahl von Kandidaten-zu-Job-Profilabstimmungen verbessern, indem ihre Kernlösung umgestaltet wurde, um den Zugriff auf KI-Modelle für die On-Demand-Analyse von Job- und Kandidatendetails zu ermöglichen, während der Betriebsaufwand, die Komplexität der Bereitstellung und die Kosten auf einem Minimum gehalten wurden.
Lösung
Avrio hat eine Partnerschaft mit Aland Cloud geschlossen, um diese Ziele zu erreichen und ihre Plattform durch den Einsatz von AWS-Technologien zu verbessern. Wir konnten die Lösung durch die Integration von Amazon Bedrock KI in einem voll Ereignisgesteuerte Architektur, sowie das Migrieren von Teilen der Architektur von Beanstalk zu ECS. Hier ist eine Aufschlüsselung des vollständigen Ablaufs und der verschiedenen Komponenten des Systems nach der von uns implementierten Modernisierung:
- Ein Recruiter übermittelt eine Stelle mit allen Details wie Stellentitel, erforderlichen Fähigkeiten, bevorzugten Fähigkeiten, Ausbildung und anderen Parametern zur Kandidatensuche auf die Plattform. Diese Übermittlung kann manuell erfolgen, wobei er die verschiedenen Felder mit den entsprechenden Daten ausfüllt, oder er kann ein PDF-Dokument einreichen, das bereits all diese Details enthält.
- Die Webanwendung, die nun auf ECS gehostet wird, speichert die Jobdetails als PDF-Dokument auf S3. Wenn die Jobinformationen manuell durch Ausfüllen der Felder eingegeben werden, wird aus diesen Informationen zuerst ein PDF-Dokument generiert. Wenn der Job bereits über PDF bereitgestellt wurde, wird er direkt in S3 gespeichert.
- Wenn die Datei hochgeladen wird, löst ein S3-Ereignis, das einer ereignisgesteuerten Methodik folgt, eine Lambda-Funktion aus, die die Datei abruft und verwendet Bedrock Data Automation API um es zu analysieren und die Jobmetadaten zu parsen. Jobmetadaten werden in einer DynamoDB-Tabelle gespeichert.
- Eine ereignisgesteuerte Architektur wird verwendet, um eine Lambda-Funktion auszulösen, wenn Job-Metadaten in der Datenbank gespeichert werden. Job-Metadaten, die aus der PDF extrahiert werden, werden für den Vergleich mit Kandidaten-Lebensläufen und Informationen verwendet. Einige dieser Kandidaten werden intern gespeichert, während andere von externen APIs abgerufen werden, wie zum Beispiel Nexxt. Wir haben die Abfrage an Nexxt verbessert, indem wir mehr Kandidaten aufgenommen haben, um die Genauigkeit der abgerufenen Kandidaten zu erhöhen. Eine DLQ wird verwendet, um fehlgeschlagene Ereignisse für spätere Analysen und zur Verbesserung des Systems zu erfassen und zu speichern.
- Die Bedrock Knowledge Base wird ausgelöst, um Daten zu zerlegen, einzubetten und in die Vektordatenbank von OpenSearch zu indexieren.
- Die CV-IDs und Informationen der gefilterten Kandidaten werden gespeichert in DynamoDB gegen die Job-ID.
- Aus dieser Dateneinfügung werden DynamoDB Streams verwendet, um dann eine weitere Lambda-Funktion auszulösen. Diese Lambda-Funktion verwendet AWS Bedrock AgentCore einschließlich des Arbeitsspeichers, der zum Vergleich der Lebensläufe mit der Stellenbeschreibung verwendet wird, jedoch mit zusätzlichen Informationen und Dimensionen wie der aktuellen und früheren Position des Kandidaten, der Erfahrung, zusätzlichen Fähigkeiten usw.
- Nach jedem Vergleich wird ein Fit-Score für jeden Kandidaten in Bezug auf die spezifische Stelle generiert und in einer weiteren DynamoDB-Tabelle gespeichert.
- Schließlich werden ein Backend und eine Webanwendung verwendet, um die Daten abzurufen und dem Personalvermittler eine Liste der am besten passenden Kandidaten mit ihrem Eignungsgrad anzuzeigen. Er kann deren Lebensläufe herunterladen, Vorstellungsgespräche planen und sie zu weiteren Schritten im Einstellungsprozess einladen.
Ergebnisse & Resultate
Die Plattform konnte nach dieser Modernisierung eine bessere Leistung mit höherer Genauigkeit der Ergebnisse erzielen. Auch die Bereitstellungs- und Wartungsaufgaben sind erheblich vereinfacht. Avrio-Kunden berichten nun:
- 40% Steigerung der Produktivität bei der Personalbeschaffung
- Passgenauigkeit, die Talente höherer Qualität besser einstuft
- Schnellere Kandidatenergebnisse, die innerhalb von ca. 10 Sekunden angezeigt werden, im Vergleich zu den zuvor berichteten ca. 4 Minuten
Schlussfolgerung
Wir konnten die Rekrutierungsplattform von Avrio durch die Nutzung von KI-Funktionen von Amazon Bedrock modernisieren und zusätzlich einige Komponenten von der traditionellen Infrastruktur auf Elastic Beanstalk zu ECS migrieren. Diese Modernisierung erfüllte die Kundenanforderungen nach verbesserter Plattformleistung mit höherer Genauigkeit der Ergebnisse beim Abgleich von Kandidaten mit Stellen.
Personalvermittler berichten nun von einer gesteigerten Einstellungsleistung durch die Möglichkeit, Top-Talente weltweit zu finden, ohne traditionelle lange Einstellungsverfahren und ineffektive Interviews. Auch konnten sie verschiedene administrative Aufgaben wie die Vorauswahl von Bewerbungen und die Terminplanung für Vorstellungsgespräche automatisieren, während sie gleichzeitig den Kandidaten eine persönliche und positive Erfahrung boten, die effektive Kommunikation und Feedback einschließt.