Trier des candidatures avec un algorithme n'a de sens que si l'on peut expliquer chaque score à la personne concernée et prouver qu'il ne pénalise personne pour de mauvaises raisons. C'est le principe « Business to Human » appliqué au recrutement.
Contexte
La présélection des candidatures est lente et exposée à la subjectivité. Les CV arrivent en français, en anglais et en arabe, dans des formats très variés. La réglementation impose par ailleurs de pouvoir expliquer toute décision assistée par un algorithme. Le projet s'appuie sur le module d'offres et de candidatures déjà en place dans le back-office B2H.
Ce que vous ferez
- Extraire de façon structurée le contenu de CV multilingues (FR/EN/AR) à l'aide d'un modèle vision-langage
- Relier les compétences extraites à un graphe de compétences fondé sur l'ontologie ESCO
- Entraîner un modèle de classement candidat–offre par apprentissage contrastif
- Expliquer chaque score compétence par compétence (SHAP), dans une forme lisible par un recruteur
- Auditer les biais (genre, région, établissement) et mettre en œuvre des corrections mesurables
- Proposer un mode de présélection anonymisée
- Constituer le jeu d'évaluation et le protocole de mesure
Défis techniques
- Peu de données étiquetées : il faudra être inventif sur la supervision faible et l'évaluation
- Équité algorithmique : choisir les bonnes métriques et assumer leurs compromis
- Protection des données personnelles à chaque étape du traitement
- Robustesse face à des CV mal structurés ou mêlant plusieurs langues
Livrables
- Un prototype intégré au module d'offres et de candidatures du back-office B2H
- Un rapport d'audit de biais, avant et après correction
- Un jeu d'évaluation annoté et les résultats de classement
- Une documentation technique et une démonstration
- Le mémoire de fin d'études
Critères de réussite
- NDCG@10 mesuré sur le jeu d'évaluation, comparé à une ligne de base simple
- Écart d'équité réduit après correction, chiffré par groupe
- Temps de présélection gagné, mesuré sur un scénario réaliste
- Chaque score accompagné d'une explication par compétence
Environnement technique
- Modèles vision-langage, OCR
- Embeddings de phrases, ontologie ESCO
- SHAP, Fairlearn
- Python, Next.js, Prisma
Profil recherché
- Étudiant(e) en dernière année d'école d'ingénieurs ou de master, profil data science ou IA
- Bases solides en NLP et en apprentissage automatique
- Intérêt pour l'éthique de l'IA et la protection des données
- Capacité à présenter clairement des résultats chiffrés
- Français et anglais technique ; la lecture de l'arabe est un vrai atout
Modalités
- Durée : 4 à 6 mois (février – juin 2027 à titre indicatif)
- Encadrement par l'équipe technique B2H, avec un point hebdomadaire
- Intégration à la plateforme interne B2H (identité unique, bus d'événements, données partagées)
- Candidature : CV + lettre de motivation, 2 sujets maximum par candidat
- Date limite : 15/12/2026