其他行业 · AI应用
Ubidy 借助 Amazon Bedrock 上的 AI 管道将简历审查时间减少 95% 并提高准确性
Ubidy 面临简历审查流程冗长且低效的挑战，这给企业招聘人员带来负担并增加了内部成本。为解决这一问题，他们在 Amazon Bedrock 上实施了先进的大语言模型，实现了简历数据的按需处理。这种创新方法使评估简历所需的时间减少了 95%，客户只需 10 秒即可收到基于职位匹配度的排名靠前的候选人。结果，Ubidy 不仅简化了招聘流程，还提高了候选人筛选的准确性，显著提升了组织的整体招聘效率。
简历审查时间减少
95%
来源披露
AI模型响应时间
10
来源披露
填补职位速度
更快填补利基职位
来源披露
01
业务背景
Ubidy 面临简历审查流程冗长且低效的挑战，这给企业招聘人员带来负担并增加了内部成本。为解决这一问题，他们在 Amazon Bedrock 上实施了先进的大语言模型，实现了简历数据的按需处理。这种创新方法使评估简历所需的时间减少了 95%，客户只需 10 秒即可收到基于职位匹配度的排名靠前的候选人。结果，Ubidy 不仅简化了招聘流程，还提高了候选人筛选的准确性，显著提升了组织的整体招聘效率。
02
遇到的问题
客户要求为利基职位提供更精准的候选人匹配，原有AI管道导致企业招聘人员需要审查大量不匹配的简历，过程耗时且低效。Ubidy需要提升简历与职位描述的匹配准确度，减少审查时间。
03
AI 解决方案
Ubidy将基础设施迁移至AWS，通过Amazon Bedrock按需部署Llama 2 70B等大语言模型处理简历数据，实现简历与职位描述的自动化高精度匹配，仅返回最匹配的候选人，并通过自动化单元测试保障模型输出准确性和成本可控。
- 1将整体基础设施从其他云服务商迁移至AWS，并集成核心服务
- 2尝试使用Amazon SageMaker运行AI模型，但发现不适合按需处理用例
- 3在AWS解决方案架构师建议下，迁移至Amazon Bedrock以按需部署模型，降低成本与架构复杂度
- 4经过评估选择Llama 2 70B模型作为最具成本效益的选项
- 5实施自动化单元测试，使用固定的简历和职位描述集验证模型输出准确性
- 6为两家企业客户McConnell Dowell和Europ Assistance上线修订后的AI管道
04
实施结果
简历审查时间减少：95%（减少95%）
AI模型响应时间：10（达到10秒）
填补职位速度：更快填补利基职位（显著提升）
所需招聘人员：减少在岗招聘人员（减少）
05
风险与边界
AI偏见问题：大型语言模型可能产生与操作者价值观不一致的偏见搜索结果（AI对齐问题）。数据隐私与法规合规风险：根据欧盟AI法案，Ubidy的应用被归类为高风险，因此必须满足严格的数据隐私和驻留要求，部分开源平台因不符合隐私要求而被排除。
“We found that we couldn’t run our models as quickly, securely, or cost-effectively on any other platforms as we could on AWS.”
Evan Shellshear · Managing Director and CEO at Ubidy
信息来源
1 个来源页面内容为结构化改写；关键结论应可追溯到以下材料。