L’intervention de Kernix s’est articulée autour de la conception d’une solution de recherche sémantique sur-mesure, capable de comprendre le sens d’un CV ou d’une offre au-delà des simples mots-clés.

1. Sélection et évaluation de modèles d’IA

Nous avons évalué plusieurs modèles multilingues performants afin d’identifier le meilleur compromis entre précision, vitesse d’exécution et maîtrise des coûts d’infrastructure Cloud.

2. Entraînement et adaptation aux métiers tech
Afin d’adapter les modèles au vocabulaire spécifique des métiers de la tech, nous avons procédé à un entraînement ciblé basé sur l’historique de la plateforme :

• Constitution des jeux de données d’apprentissage : mise en place d’une méthodologie rigoureuse pour structurer les données d’entraînement et de validation, garantissant une représentativité équilibrée de l’ensemble des secteurs d’activité tout en évitant les risques de biais.
• Prise en compte du feedback métier : intégration des signaux historiques de recrutement (parcours de présélection et candidatures retenues) afin d’aligner le modèle sur la réalité du terrain et la pertinence constatée des profils.

3. Traitement des CV et fiches de poste complexes

Pour analyser l’intégralité du parcours des candidats sans diluer l’information, l’algorithme a été conçu pour isoler et valoriser les compétences cibles correspondant précisément au besoin de la mission.

• Gain de pertinence mesuré : lors des phases d’évaluation, le modèle réentraîné a atteint 70% à 72% de précision (présence de l’expert ciblé dans le Top 40). Ce bon score est mesuré sur un jeu de test aveugle respectant la temporalité réelle (seules les expériences passées du candidat au moment de l’offre ont été fournies). Il prend en compte le fait que certains profils non retenus dans l’historique auraient pu l’être si la sélection n’avait pas été soumise à des contraintes opérationnelles non documentées dans la donnée (ex. disponibilité immédiate).
• Industrialisation et passage en production réussis : grâce aux livrables packagés (images Docker, API et scripts d’intégration), la solution a été déployée avec succès en production directement par l’équipe technique interne, démontrant la simplicité de reprise de la solution.
• Autonomie technologique et souveraineté : la solution s’appuie sur des composants ouverts sélectionnés selon des licences adaptées. Déployable directement sur l’infrastructure du client, elle garantit la maîtrise complète des données et affranchit LeHibou des dépendances aux services propriétaires tiers.
• Prêt pour l’échelle : l’architecture est dimensionnée pour absorber l’ensemble de la base de données (plus de 90 000 profils) avec des temps d’inférence très rapides pour la recherche au quotidien.