Comment l’IA de Hellowork vous aide à trouver le bon candidat parmi des millions
Cérès Carton, data scientist chez Hellowork, nous explique comment l’IA fonctionne pour faire les meilleures recommandations possibles aux recruteurs, comme aux candidats.
Comment expliquer simplement ce que fait l’IA chez Hellowork ?
Cérès Carton : Le principe est le même que Spotify avec la musique ou Netflix avec les séries : on recommande le bon contenu à la bonne personne. Sauf que chez nous, les contenus, ce sont des offres d’emploi et des profils candidats. Concrètement, on transforme toute l’information disponible en une empreinte numérique, puis on mesure à quel point deux empreintes se ressemblent. Plus elles sont proches, meilleur est le match. La difficulté, c’est l’échelle, car on cherche les meilleures correspondances parmi 10 millions d’offres récentes et 9 millions de profils.
C'est quoi, une empreinte numérique ?
Un peu comme une empreinte digitale identifie une personne de façon unique, une empreinte numérique convertit chaque CV et chaque offre en une longue suite de nombres qui leur est propre. Deux empreintes proches signalent un bon match. C’est ce qui permet de faire correspondre un profil à des millions d’offres en quelques instants.
Comment le système lit-il un CV ou une offre ?
C.C. : On essaie d’en extraire le maximum d’informations : formations, langues, certifications, expériences datées, mais aussi ce que le candidat recherche à un instant T. Et c’est la même logique pour les offres postées sur notre plateforme.
Et ensuite, que se passe-t-il ?
C.C. : Plusieurs modèles tournent en parallèle. Le premier rapproche un CV et une offre par le sens du texte. D’autres travaillent sur les comportements : ce que le candidat consulte, met en favoris, les offres auxquelles il candidate. Côté recruteur, on exploite les mêmes signaux (un profil consulté, un contact pris…) pour identifier dans la CVthèque des profils similaires.
Tout ça se met à jour en temps réel. On regarde la répétition des actions, la concordance entre les signaux. C’est cette consolidation permanente qui fait que nos recommandations reflètent ce que l’utilisateur cherche aujourd’hui, pas il y a six mois. Un candidat qui cherchait un stage en janvier et consulte désormais des CDI, nous n’allons pas continuer à lui recommander des stages.
Ces modèles, ce sont les mêmes que ChatGPT ?
C.C. : Non, pas du tout. ChatGPT est conçu pour générer du texte. Si on lui pose deux fois la même question, il peut donner deux réponses différentes. Et il peut inventer des choses, ce qu’on appelle les hallucinations. Pour du matching, c’est inenvisageable. Nos modèles fonctionnent différemment : on leur donne un CV et une offre, ils donnent un score de compatibilité. Et ce score sera toujours le même. Cela permet au recruteur de faire confiance à la recommandation.
De plus, on a fait le choix que nos modèles de matching, que nous avons développés en interne, s’appuient sur des modèles d’IA développés en Europe, ce qui limite certains risques. Les modèles américains sont entraînés sur des données qui reflètent un contexte culturel et réglementaire différent : certaines données qu’il est légal de collecter outre-Atlantique sont interdites en Europe. Le risque, dans le cadre du matching notamment, est qu’un modèle entraîné sur ces données ait intégré ces signaux sans que ce soit visible, et reproduise ainsi des biais.
Un CV mentionne « business developer », alors que le recruteur recherche un « chargé d’affaires ». Comment le système fait-il le lien ?
C.C. : On a d’abord construit un référentiel métiers, c’est-à-dire une représentation structurée des métiers du marché de l’emploi. Chaque métier y est défini de manière unique afin de servir de point de référence commun entre les offres et les CV.
Ensuite, nos modèles d’extraction analysent le contenu des CV et des offres pour identifier les métiers qui y sont évoqués. Lorsqu’ils rencontrent des intitulés comme « business developer » ou « biz dev », ils reconnaissent qu’ils désignent le métier de référence « chargé d’affaires » et les rattachent à celui-ci. Cette étape de normalisation permet de faire correspondre des offres et des candidats qui utilisent des termes différents pour parler du même métier. C’est un élément essentiel pour produire des recommandations pertinentes. Nous appliquons le même principe aux compétences, afin de rapprocher différentes façons d’exprimer un même savoir-faire.
La qualité des données en entrée change-t-elle vraiment les résultats ?
C.C. : Complètement. Quand ChatGPT est arrivé, certains recruteurs trouvaient amusant de rédiger leurs offres de façon très créative. On avait des offres d’aide-ménagère sur le ton d’une mission spatiale, avec des « si tu aspires les étoiles… ». Notre système détectait le métier d’astronaute. À partir de là, c’est tout le matching qui se détraque. Nous travaillons actuellement sur nos modèles pour qu’ils soient capables de détecter ces anomalies et de redresser la donnée, afin que le système continue à produire des recommandations justes.
Pour afficher ce contenu issu des réseaux sociaux, vous devez accepter les cookies et traceurs publicitaires.
Ces cookies et traceurs permettent à nos partenaires de vous proposer des publicités et des contenus personnalisés en fonction de votre navigation, de votre profil et de vos centres d’intérêt.Plus d’infos.
