---

Einführung in das Problem

An einem der stressigen Tage, als wir aktuelle Probleme in Slack diskutierten, brachte einer der Entwickler das Thema des langsamen AI-Parsings zur Sprache. Die Diskussion eskalierte, als wir erkannten, dass die Nutzer anfingen, sich über Verzögerungen bei der Datenverarbeitung zu beschweren. In diesem Moment wurde klar: Es musste etwas geändert werden.

Kontext: Warum das wichtig ist

Langsame Datenanalyse bremste nicht nur unsere internen Prozesse, sondern hatte auch negative Auswirkungen auf die Nutzererfahrung. Kunden, die unser Produkt zur Analyse von Lebensläufen verwendeten, begannen, das Vertrauen in das System zu verlieren. Wenn wir dieses Problem nicht schnell lösen konnten, könnte dies zu einem Rückgang der Abonnements und damit zu einem Verlust von Einnahmen führen. In dieser Situation fühlte jeder von uns den Druck: Es war wichtig für das Team, das Geschäft und vor allem für unsere Nutzer.

Details zum Problem

Das Problem zeigte sich darin, dass die Anfragen an den AI-Parser zu viel Zeit in Anspruch nahmen – manchmal bis zu 10 Sekunden pro Lebenslauf. Wenn mehrere Nutzer gleichzeitig im System arbeiteten, stieg die Last und die Wartezeit erhöhte sich auf bis zu 20 Sekunden. Dies führte zu einer Reihe von Beschwerden, und ein Beispiel, das wir erhielten, war von einem Kunden, der die Analyse seiner Kandidaten nicht rechtzeitig erhalten konnte. Wir erkannten, dass, wenn sich die Situation nicht änderte, dies zu einem Kundenverlust führen würde.

Erste Lösungsversuche

Als ersten Schritt entschieden wir uns, den Parser selbst zu optimieren, indem wir die Größe der verarbeiteten Daten reduzierten. Doch das brachte nicht die erhofften Ergebnisse. Wir versuchten auch, die Anzahl der Server zu erhöhen, die die Anfragen bearbeiteten, aber das erhöhte die Kosten ohne merkliche Verbesserung der Leistung. Jede dieser Lösungen stieß auf neue Probleme, und wir verstanden, dass wir andere Ansätze suchen mussten, um diese Herausforderung zu bewältigen.

Technischer Ansatz: Implementierung von Laravel Queue

Letztendlich kamen wir zu der Entscheidung, Laravel Queue zu verwenden. Dies ermöglichte es uns, die Aufgaben zur Verarbeitung von Lebensläufen auf mehrere Worker zu verteilen, was die Verarbeitungsgeschwindigkeit erheblich steigerte. So haben wir es umgesetzt:

use App\Jobs"ParseResume";

foreach ($resumes as $resume) {
    ParseResume::dispatch($resume);
}

Diese Lösung erlaubte es uns, die Anfragen asynchron zu verarbeiten, was die Reaktionsfähigkeit des Systems erheblich verbesserte und die Last auf den Servern reduzierte.

Änderungen im Produkt

Nach der Implementierung von Laravel Queue konnten wir die Bearbeitungszeit für Lebensläufe auf 3-5 Sekunden reduzieren. Die Nutzer erhielten die Ergebnisse nahezu sofort. Dies steigerte nicht nur die Kundenzufriedenheit, sondern half uns auch, das Vertrauen in das Produkt zurückzugewinnen. Wir erhielten positives Feedback und die Anzahl der Beschwerden ging drastisch zurück. Jetzt konnten die Nutzer sich auf andere Aspekte ihrer Arbeit konzentrieren, ohne Zeit mit dem Warten auf Ergebnisse zu verlieren.

Lektionen, die wir gelernt haben

Dieser Prozess lehrte uns einige wichtige Lektionen:

• Asynchrone Verarbeitung von Aufgaben erhöht die Produktivität erheblich.
• Nicht alle Lösungen sind offensichtlich; manchmal lohnt es sich, mehrere Ansätze auszuprobieren, bevor man die richtige findet.
• Es ist wichtig, das Feedback der Nutzer zu berücksichtigen und schnell auf Beschwerden zu reagieren.
• Optimierung auf Code-Ebene kann ohne die richtige Architektur unzureichend sein.
• Teamarbeit und offene Diskussionen über Probleme helfen, effektivere Lösungen zu finden.

Was das für Kandidaten bedeutet

Für Kandidaten bedeutet das, dass wir bei Fitlane AI aktiv nach Ingenieuren suchen, die bereit sind, reale Probleme zu lösen und die Nutzererfahrung zu verbessern. Wir bieten die Möglichkeit, eigene Ideen einzubringen und zu sehen, wie sie das Produkt beeinflussen. Wenn Sie in einem Team arbeiten möchten, das Ihre Ideen schätzt und nach kontinuierlicher Entwicklung strebt, freuen wir uns, Sie kennenzulernen.

Was das für Recruiter bedeutet

Recruiter sollten verstehen, dass wir nicht nur technische Fähigkeiten suchen, sondern auch die Fähigkeit zum kritischen Denken. Wir benötigen Fachleute, die Lösungen anbieten können, anstatt nur Aufgaben zu erledigen. Wenn Sie Kandidaten haben, die bereit sind, in einem dynamischen Umfeld zu arbeiten und sich anpassen können, sollten Sie unbedingt auf sie achten.

Nächste Schritte

Trotz des Erfolgs verstehen wir, dass wir die Leistung weiterhin überwachen und nach neuen Optimierungsmöglichkeiten suchen müssen. Wir ziehen in Betracht, andere Technologien wie Containerisierung zu integrieren, um die Skalierbarkeit des Systems zu verbessern. Wenn wir von vorne anfangen müssten, würden wir vielleicht diesen Ansatz früher testen, um schneller zu einer effektiven Lösung zu kommen. ---