利用AI篩選求職者履歷，BRILENT瞄準1,200億美元的美國人力資源市場|數位時代 BusinessNext

利用AI篩選求職者履歷，BRILENT瞄準1,200億美元的美國人力資源市場

透過機器學習＋大數據，矽谷新創BRILENT瞄準美國1,200億美元HR市場，要幫人資縮減1/8的工時。

作為提升效率的有力工具，AI正被運用在諸多產業。在市場規模超過4,500億美元的招聘市場，不少公司已經開始利用機器學習技術挖掘大數據的價值，提升招聘的效率。中國該領域的創業公司，諸如e成、枇杷派等公司都是在做這個方向，都已獲得了投資。

我們近期接觸的矽谷公司BRILENT，想要立足美國1,200億美元的招聘市場，為B端企業開發一套招聘管理系統，透過機器學習+大數據，提升招聘的效率。

一般來說，一位HR要找到合適的求職者，需要面對來自不同渠道的大量候選人，要看從幾十份到幾千份不等的履歷，很難快速地篩選出優秀人才；在這個過程中，往往也會有意或者無意的帶有偏見，從而錯失優秀的人才。篩選履歷的工作重複性強，時間長。 BRILENT現階段在做的事情，就是利用演算法自動細化匹配，給求職者進行評級，並直接篩選出最靠前的求職者，提升HR招聘的效率。

BRILENT的這套系統目前主要針對履歷篩選的過程，企業將自有的履歷數據庫和職位上傳，系統進行自動匹配、評級。共同創辦人廖宜華告訴36氪，目前這套系統實際使用中，透過數據和條件匹配搜索，能在幾秒鐘內迅速找出條件匹配度最靠前的2%-3%的求職者，整體來看可以幫助企業HR縮減1/8的工時。

讓履歷初評的過程自動化，首先要對大量非結構化的數據數據結處理。 BRILENT的創始人朱穗生曾創辦過三家大數據公司，包括廖宜華在內的兩名共同創辦人均是前Facebook的數據科學家，早期員工還包括在Facebook做過內部HR系統的工程師。他們在數據爬取、挖掘、結構化方面積累了經驗，抓取了大量的公開履歷及相關信息，並將其結構化，以方便實現更多維度的搜索。

在履歷評級環節，BRILENT利用大數據方面的積累，提供多維度演算法實現細化匹配。比如，BRILENT利用機器學習分析了大量的人才數據，總結出候選人換工作的規律，可以將換工作的意願強度加入到評估裡；針對履歷庫時效性會下降的問題，BRILENT會自動抓取候選人在社交網站上的相關信息，進行補充。

BRILENT的這套系統目前還比較適合積累了自己履歷庫的獵頭公司及大公司。目前公司已經獲得了電商公司Wish、美國獵頭公司等客戶，會針對註冊帳號按月收取數百美元的費用，BRILENT預計2017年將會產生幾百萬的收入。 BRILENT的匹配技術，也可以為大型的候選人跟踪系統（Applicant Tracking System）、客戶管理系統（Customer Relationship Management）和工作公告板（Job Boards）提供底層的匹配引擎。

BRILENT的模式很像國內的「e成」，後者已經在2014年獲得光速創投數千萬的融資，2016年初獲得來自凱輝創新基金和光速安振的數千萬美元B輪融資，起步更早。不過，BRILENT認為e成是端到端的ATS，但ATS與BRILENT是合作關係；e成採用的還是以流程為主的匹配技術，匹配體驗還可以優化；目前市面上的匹配多還停留在文字匹配的層面，BRILENT則將行為反饋也加入了其中。

數據顯示，美國人才招聘軟體市場規模為15億美元，年成長率在40%以上。在招聘市場大頭還是來自於提供候選履歷。 BRILENT也是希望透過業務不斷擴大，自建履歷數據庫，並提供增值服務。目前，BRILENT抓取了市面上公開的億級人才信息，並進行了整理，企業客戶可以付費查看這些推薦候選人。這一功能還在開發中，預計明年會正式對外開放。

招聘產業的模式創新往往都很難繞開LinkedIn這些擁有大量履歷的大玩家。這些公司自帶數據，自有客戶，如果增強在技術方面的投入，對創業公司來說會產生不小的衝擊，比如近期在AI領域擁有技術優勢的微軟近期收購了LinkedIn，Google也在將AI技術與招聘相結合。對於諸如BRILENT這樣的新創公司來說，如何在短時間內完成更多的探索，並拓展市場，與相關公司達成合作，就很關鍵。

目前，BRILENT組建了15人的團隊，並獲得了來自軟通動力、盛景網聯、ATA公司等公司的戰略投資。

本文授權轉載自：36 氪

從生成式AI訓練、推論，到代理式工作流程（Agentic Workflow）與未來的實體AI，資料流量正以指數級成長，讓記憶體從過去支援運算的配角躍升為決定AI效能與能源效率的關鍵角色。

全球知名的半導體與微電子技術分析機構TechInsights指出，AI競爭正逐漸從晶片算力擴展到記憶體架構設計能力，加速「Computational Memory」等新架構興起；在這波浪潮中，深耕記憶體與儲存技術數十年的美光科技，正與關鍵夥伴展開深度協同設計，包含攜手NVIDIA共同開發適用於新世代資料中心的低功耗記憶體技術，在AI基礎建設的新賽局中成為不可或缺的關鍵。

當GPU不再是唯一主角，記憶體為何躍上AI舞台中央？

過去，半導體的焦點多圍繞在晶片，例如CPU、GPU跟AI加速器等，市場普遍認為，晶片運算能力是左右科技產業發展速度的關鍵，但在進入生成式AI世代後，產業逐漸發現另一個事實：真正限制AI效能的瓶頸不是運算，而是資料能否快速被存取與傳輸。

從大型語言模型訓練，到AI推論、代理式工作流程（Agentic Workflow），甚至未來的機器人與自駕車，龐大的資料流量正持續推升對高頻寬、低延遲、高容量記憶體的需求，讓記憶體產業從過去相對標準化、以價格競爭為主的市場，逐漸轉變為AI基礎建設的重要核心。

「仔細觀察AI應用服務會發現，大多數工作負載都被頻寬限制。」美光科技全球業務執行副總裁Mike Cordano認為，記憶體是突破（頻寬）瓶頸的關鍵，也讓AI競賽從晶片算力升級到記憶體與儲存架構的系統級競爭。這樣的產業洞察，也正是Mike在歷經二十餘年的儲存產業資歷，加上四年半的創投生涯後，選擇加入美光的核心原因之一：在AI重塑產業結構的浪潮下，記憶體將成為這波成長最直接的動能所在。

從零組件供應商到策略夥伴，記憶體共創時代來臨

AI的崛起，正在改變記憶體廠商與客戶的關係。

過去，記憶體產品多是標準化元件，客戶關注的是價格、供貨與規格；合作模式也偏向短期採購與交易導向。然而隨著AI系統規模愈來愈大，從資料中心、雲端平台到終端裝置，記憶體已經成為決定系統效能的重要關鍵，也因如此，越來越多企業將記憶體視為「策略性資產」，而非單純零組件。

Mike表示：「現在，我們跟客戶合作的時間跨度改變了，在產品正式上市前三到四年便開始合作，從系統架構階段就共同規劃未來需求。」例如，美光科技與NVIDIA共同研發的資料中心所使用的低功耗記憶體，便是雙方提前多年展開深度合作（co-design）的成果。

值得特別注意的是，美光科技除從技術層面與晶片製造商等夥伴共創產品，也在需求層面與客戶進行密切合作，例如，將過去較無約束力、期限僅一年的長期協議（LTA）轉變成為期五年、條款更具約束力的策略性客戶協議（SCA），藉此掌握客戶的未來需求，進而在技術層面做更深度的合作。Mike坦言，深度協同設計是高成本的投入，美光的做法是先廣泛進行市場感知，理解不同場域的需求方向，再與生態系統中的夥伴們展開客製化合作。

從裝置導向轉為Token導向，AI浪潮重寫記憶體成長模式

除了合作模式改變，更大的典範轉移是需求的改變。

Mike解釋，過去記憶體需求跟PC、手機跟伺服器出貨量息息相關，但在AI新世代，推動記憶體需求成長的核心不再是設備數量，而是AI模型所產生的運算與資料消耗量。「AI產業逐漸走向以『Consumption』或『Token』為主的新經濟模式，每一次的模型運算都需要消耗大量的記憶體跟儲存資源，這意味著，即使設備銷量成長趨緩，記憶體需求仍可能持續上升。」

更重要的是，AI應用正從資料中心外擴至手機、PC、自駕車與機器人等場域，儘管不同場域對記憶體的需求不盡相同，但是，Mike認為：所有AI裝置都存在三項共同需求：更快的速度、更大的容量，以及更高的能源效率。

正如Mike在受訪時提到的：「我們最大的挑戰，是如何與客戶和整個生態系保持高度一致，一方面創造供給與產能，另一方面持續推動技術創新。」可以預期，在接下來的五年，記憶體產業面臨的挑戰不僅僅是擴展產能，而是如何與客戶共同規劃需求、同步投入技術創新，而這也是美光科技積極經營AI生態體系的原因。

總的來說，AI帶來的改變，不只是算力提升，而是重新定義整個運算架構：過去，記憶體被視為支援運算的基礎元件；現在，則是決定AI效能、能源效率與創新速度的關鍵資源；當產業競爭從晶片性能延伸到資料流動效率，從裝置數量轉向Token消耗量，記憶體的重要性也將隨之水漲船高，對美光科技來說，這將是其從供應商走向AI生態系核心夥伴的關鍵角色轉變。