En quoi la technologie M-Pearl est elle révolutionnaire pour le recrutement ?

En quoi la technologie M-Pearl est elle révolutionnaire pour le recrutement ?

Axes de recherche triplés, portée des données élargie à tous les métiers et tous les secteurs, détection de compétences non exprimées et interactions live avec l’IA: nous vous expliquons tout !

C’est un réel challenge de résumer en quoi ce que nous faisons révolutionne les solutions de recrutement. Quand nous décrivons nos technologies, nous rencontrons toutes sortes de résistances dont le plus souvent des tentatives de revenir sur un terrain connu. Par exemple on nous demande régulièrement “Savez-vous distinguer les mots écrits de la même manière mais qui ont des sens différents ?”. Comme si on écrivait dans son CV un synonyme entre parenthèses et à côté de chaque mot ambigu, juste pour lever l’ambiguïté. En fait c’est toute la langue française qui est chargée de polysémies et nous n’avons pas besoin de distinguer chaque application possible d’un mot ambiguë. Notre technologie le gère de façon native par la prise en compte du contexte, comme le fait l’être humain. On nous demande aussi parfois “Avez vous comparé vos résultats avec une recherche par mots clés ?”. En fait, nous n’avons pas besoin de moteur de recherche et nous intervenons sur tous secteurs et métiers, cadres comme non cadres: alors à quelle plateforme se comparer ?

Notre intelligence artificielle brasse des milliers de métiers mais aussi les dizaines de milliers de compétences qui leurs sont associées. Elle analyse et interprète vos expériences professionnelles et détecte pour vous des compétences non exprimées. Ainsi une description telle que ” Gestion des paies et notes de frais, établissement des fiches de paies, déclarations URSSAF ” va déclencher, en 260ms, la détection de plus de 110 compétences dans une douzaine de domaines dont la comptabilité bien sûr mais aussi le droit, le secrétariat, les ressources humaines etc.

Notre moteur vous projette instantanément dans ces milliers de métiers et de compétences. Cette rapidité est le fruit d’un travail d’optimisation de la performance qui autorise des interactions live sur lesquelles nous reviendrons plus loin. Notre IA estime et identifie pour vous plusieurs dizaines à quelques centaines de compétences sans que vous ayez eu à les décrire ou les inventorier. Tout cela sans $mot_clé ni #catégorie. Avec vos quelques lignes par expérience, quel que soit votre diplôme ou votre secteur d’activité, elle va trouver les opportunités qui vous correspondent.

Nous pensons que la technologie ne doit pas remplacer ni faire reculer les êtres humains mais au contraire les rapprocher en multipliant les opportunités de contact et de mise en relations. C’est la raison pour laquelle nous avons mis en service des interactions entre l’intelligence artificielle et l’utilisateur: grâce à ces interactions, nous faisons communiquer l’humain et la machine pour que chaque projet personnel et puisse accéder au maximum d’opportunités. Lorsque vous saisissez une expérience professionnelle, l’IA M-Pearl vous propose d’y associer quelques métiers pour valider son interprétation. Vous pourrez en valider plusieurs; si les propositions ne vous conviennent pas, vous serez invité à détailler ou à reformuler votre expérience. C’est une confirmation qui servira par la suite à vous suggérer des compétences. Prenons un exemple concret avec cette description: “dessin de pièces en dentelle pour lingerie et robes pour le secteur du prêt-à-porter ou de la haute-couture”. Notre IA propose d’y associer la série de métiers suivante.

Votre sélection de métiers ne doit pas tenir compte de considérations hiérarchiques ou de qualification. Il ne s’agit pas de s’associer à un métier dans le cadre d’une recherche mais plutôt de valider l’interprétation de l’IA: les métiers retenus seront utilisés pour la suggestion des compétences mais en aucun cas pour la recherche et l’évaluation des matchs.

Une fois cette opération réalisée avec l’ensemble de vos expériences, vous recevez des suggestions de compétences avec leur niveau de maîtrise que vous pouvez modifier, valider ou refuser.

Toutes ces compétences, que vous acceptez ou refusez, viennent renseigner et se consolider dans un arbre à compétences.

Grâce à notre technologie, vos compétences sont détectées et consolidées sans avoir eu besoin de les inventorier

Le score de compétence est calculé au regard de chaque opportunité, dans tous les secteurs et tous les métiers. Il vous permettra de matcher avec des opportunités issues de métiers et secteurs méconnus; sans que vous ayez eu à vous associer à une quelconque catégorie ni utiliser les “bons” mots.

 
L’analyse des compétences vient s’ajouter à l’analyse thématique pour tripler les axes de recherche face aux techniques classiques par mots-clés. L’analyse thématique détecte des mots significatifs grâce à des méthodes statistique (fréquence et répartition) et géométrique (proximité à des groupes). Une fois ces mots détectés, ils sont assemblés par proximité sémantique pour en faire des groupes qui seront considérés comme les thèmes abordés dans la description. Ils pourront alors être comparés sémantiquement avec les thèmes d’une autre description pour constituer un score thématique, représentant les proportions de thèmes abordés de part et d’autre. Ce score d’analyse thématique va détecter des expressions types liées à l’environnement de travail et donc des opportunités issus d’un même environnement même s’il s’agit de compétences et de métiers différents. Si l’on reprend notre premier exemple: “Gestion des paies et notes de frais, établissement des fiches de paies, déclarations URSSAF”, l’analyse thématique identifie un thème principal constitué des mots “déclarations”, “paie” et “urssaf” et dont le mot “paie” a été identifié comme étiquette ou titre le plus représentatif.
{"content_set": ["déclarations", "paie", "urssaf"], "title": "Paie"}

Les mots sont rassemblés selon un critère géométrique de rapprochement dans un ensemble vectoriel sémantique à 300 dimensions (sémantique distributionnelle). Pour le second exemple “dessin de pièces en dentelle pour lingerie et robes pour le secteur du prêt-à-porter ou de la haute-couture”, l’analyse thématique fait ressortir 5 thèmes “Robes”, “Dentelle”, “Dessin”, “Pièces”, “Secteur”. Le thème intitulé “Robes” comprend les mots “haute-couture”, “lingerie”, “prêt-à-porter” et “robes”; c’est un groupe parmi 5 mais il a été doté d’un poids (weight) relatif de 63% ce qui lui donne la dominance du thème général.

[
   {
      "content_set":["haute-couture", "lingerie", "prêt-à-porter","robes"],
      "title":"Robes",
      "weight":0.6259264200006551
   },
   {
      "content_set":["dentelle"],
      "title":"Dentelle",
      "weight":0.15214407713175912
   },
   {
      "content_set":["dessin"],
      "title":"Dessin",
      "weight":0.08717131778257028
   },
   {
      "content_set":["pièces"],
      "title":"Pièces",
      "weight":0.07298390216874102
   },
   {
      "content_set":["secteur"],
      "title":"Secteur",
      "weight":0.061774282916274494
   }

]

Les poids sont déterminés de façon statistique où chaque mot a une importance relative différente: ici que le mot “dentelle” est doté du double d’importance par rapport aux mots “dessin”, “pièces” et “secteur”. On voit que ces 5 thèmes ont chacun des contenus et des poids différents, respectivement 63%, 15%, 9%, 7%, 6%. Ces poids vont servir à définir une importance attribuée à chaque thèmes, reflétée visuellement dans le schéma ci-dessous.

Aucun texte alternatif pour cette image

S’il s’agit d’un profil candidat, l’analyse thématique prendra chacun de ces thèmes pour les comparer à l’ensemble des thèmes pour chaque opportunité recruteur. La comparaison se fera de façon géométrique au sein de l’espace vectoriel sémantique et non par reconnaissance, par mots-clés. Les correspondances thématiques sont pondérées en tenant compte des importances ou poids respectifs. Cette analyse permet d’évaluer une correspondance sur l’environnement, les produits et les techniques de travail.

Les analyses thématique et de compétences viennent tripler les axes de recherche face aux techniques classiques tout en ouvrant la portée de votre démarche à tous les métiers et tous les secteurs.

Ensuite, une fois satisfait de votre profil et de votre recherche, c’est vous qui restez aux commandes: vous validez vos opportunités, vous maîtrisez votre visibilité et qui vous souhaitez rencontrer. Vous accéderez ainsi à de nouvelles pistes issues de secteurs et métiers différents; vous serez aussi reconnu(e) pour vos compétences même de ceux qui ne pouvaient pas les détecter jusque là.

Avec quelques explications techniques illustrées de quelques exemples, nous avons montré à quel point ce que nous nous faisons est nouveau. En triplant les axes de recherches et en élargissant la portée des données, nous révolutionnons les outils d’analyse sémantique à destination du sourcing et du recrutement. Venez nous en parler, faites nous vos retours sur ces sujets et leur mise en pratique sur notre plateforme !

Article LinkedIn: lien

Une intelligence artificielle M-Pearl

Une intelligence artificielle M-Pearl

M-Pearl met en relation candidats et recruteurs directement, sans moteur de recherche de CVs ou de postes. Un utilisateur, qu’il soit candidat ou recruteur, ne peut donc consulter les informations des autres utilisateurs qu’en cas de match. C’est l’algorithme M-Pearl qui a pour finalité l’évaluation du match entre profil candidat et profil de poste en entreprise.

Cette évaluation se fait en comparant les sujets abordés de part et d’autre ; dit plus simplement, en mesurant « combien les deux profils parlent de la même chose ». Cette « même chose » n’est pas un ensemble fermé aux frontières strictes, c’est un ensemble complexe de sujets entremêlés; c’est la raison pour laquelle classer et chercher des mots clés n’est une méthode ni suffisante ni satisfaisante. On utilise souvent des mots différents pour parler de la même chose, ou à l’inverse, on peut parler de choses différentes en utilisant les mêmes mots. Il ne s’agit donc pas de vérifier que le candidat et le recruteur utilisent les mêmes mots ou ont le même « avis » mais bien de vérifier qu’ils abordent les mêmes sujets, des sujets dits similaires.

Alors comment évaluer cette similarité ? Elle s’évalue grâce à la prise en compte du contexte dans lequel les mots sont employés, c’est-à-dire les autres mots présents dans la phrase, le paragraphe et dans le document complet. Par exemple, prenons le mot « développement ». Dans quels contextes peut-il être utilisé ? On peut parler de « développement personnel », on peut parler de « développement commercial », on peut aussi parler de « développement logiciel ». On pourrait alors se dire qu’il y a trois contextes clairement délimités mais l’analyse sémantique est une question de niveaux de détails: on peut illustrer cela en disant que, pour une personne de l’aéronautique, le « développement logiciel » de par ses technologies propres, ses relations avec l’électronique, ses normes ou ses exigences de fiabilité n’a « rien à voir » avec le « développement logiciel » dans le web.  Une personne du web pourrait alors réagir en disant que le « développement web » ne veut « plus rien dire » ; qu’il peut s’agir d’API, de microservices, de PHP etc. Cette illustration montre toute la profondeur et l’importance d’une bonne évaluation des contextes et la nécessité d’une solution adaptée et performante.

Pour comprendre l’intérêt des ensembles à dimensions multiples, imaginons une boussole dont l’aiguille s’oriente selon le contexte d’une discussion: si on parle de « conception mécanique » elle s’arrête dans la zone « mécanique ». Cette boussole nous permet de détecter une discipline mais nous souhaitons aussi spécialiser notre discours sur le secteur Automobile et gérer cette information supplémentaire  : comment faire ?

Pour intégrer cette information, on ajoute à notre boussole un second axe qui lui permet de s’orienter dans les 3 dimensions de l’espace: elle est maintenant capable de détecter une discipline appliquée à un secteur d’activité.

Maintenant si nous souhaitons prendre en charge d’autres informations, comme les logiciels de Conception Assistée par Ordinateur ou les normes, il nous faut une boussole qui s’oriente dans plus de 3 dimensions.

Selon les sujets traités, les ensembles sémantiques que nous créons chez M-Pearl ont de 100 à 300 dimensions. Ces niveaux de dimensions nous permettent de distribuer les mots dans l’espace avec suffisamment de liberté pour qu’ils y soient répartis par co-occurrence (selon leurs voisinages courants) et ainsi les rassembler par contextes, par sujets. C’est la sémantique distributionnelle.

Par cette méthode et pour un profil détaillé, nous orientons notre « hyper boussole » de façon suffisamment précise, sans avoir recours à des catégories. Candidats et recruteurs peuvent se trouver, même s’ils utilisent des mots différents.


M-Pearl = Intelligence Artificielle sémantique ?

Nous composons plusieurs technologies pour évaluer un match : d’autres méthodes d’analyse sémantique sont mises en œuvre et nous avons aussi développé nos propres algorithmes pour l’analyse thématique, la détection de compétences non exprimées et le testing. Par ailleurs, pour rester les plus pertinents dans nos propositions, nous utilisons des algorithmes conventionnels pour la localisation et la mobilité géographique ainsi que pour les prétentions salariales.


L’assistance sémantique au recrutement

Nous avons donné une explication des principes en jeu dans la « sémantique distributionnelle ». M-Pearl déploie cette technologie dans l’assistance au recrutement en déclinant plusieurs évaluations sémantiques. Pour le rapprochement des responsabilités du poste avec l’expérience du candidat, nous mesurons la pertinence de chacune de ses expériences ainsi que celle de son parcours global. Cette opération nous permet de détecter si un poste représente une continuité professionnelle pour un candidat. Dans tous les cas, les motivations du candidat sont comparées aux objectifs du poste pour venir confirmer ou infirmer un match. En analysant les techniques, les responsabilités, les secteurs d’activité et les motivations, M-Pearl rapproche candidats et entreprises en évaluant leurs multiples points d’adéquation possibles.


La technologie M-Pearl

Ce que nous avons décrit ici relève de la sémantique distributionnelle en général. Pour l’assistance sémantique au recrutement, nous avons développé des briques technologiques supplémentaires pour spécialiser notre moteur dans le vocabulaire professionnel du recrutement. L’une des étapes clé du processus d’analyse est appelée tokenisation ou lemmatisation en français: elle vise à réduire et identifier certains mots selon leurs déclinaisons grammaticales mais aussi leur pluriel et leur féminin. Certains mots sont aussi polysémiques: ils ont des significations multiples et sont employés dans des contextes différents. Pour cette procédure de lemmatisation, nous avons développé notre propre algorithme qui n’utilise pas les outils standards. Par exemple, le mot « stagiaires » n’est pas identifié au mot « stagiaire » car le premier est utilisé dans un contexte de description d’une organisation alors que le second est associé à une description de poste. Notre développement spécifique en lemmatisation du vocabulaire professionnel fait actuellement l’objet d’une étude de dépôt de brevet.

Recruter par les compétences ?

Recruter par les compétences ?

Actuellement nous souffrons d’un manque de solutions pour recruter par les compétences. Les recruteurs utilisent des silos spécialisés, recherchent des mots clés et analyses les CV essentiellement par la description des postes et des opérations réalisées. Et pour cause, il existe peu d’alternative réelle à l’heure actuelle.

Recruter par les compétences, c’est trouver une personne qui sait ou peut réaliser les opérations qu’on souhaite lui confier. Peut-être a-t-il acquis cette compétence dans un poste et sûrement même dans un secteur différents. Mais pour trouver cette personne, dont on ignore totalement le contenu potentiel du CV, comment faire ?

Chez M-Pearl, nous recoupons les descriptions d’opérations avec des postes mais aussi des compétences. Par exemple, la simple description “organisation d’événements publiques pour des galeries d’art” génère une liste 78 compétences potentielles. Ces compétences ne correspondent pas à des compétences nécessaires mais à des compétences qu’ont statistiquement les personnes qui réalisent cette opération. Ainsi, à cette description “organisation d’événements publiques pour des galeries d’art”, l’intelligence artificielle (IA) M-Pearl associe 78 compétences réparties dans 33 groupes dont la communication, la coordination de partenariats, le pilotage d’un projet, les relations clients ou les transports…

Si attribuer les compétences n’est pas une science exacte, nous avons aussi a contrario des recoupements qui s’opèrent de façon complexe. Par exemple, si nous demandons à l’IA M-Pearl de comparer les opérations d’un “ingénieur du son pour des spectacles et concerts” avec un “préparateur de commandes en entrepôt logistique” alors l’IA nous décrit un score de matching des compétences comprenant au moins 7 compétences en commun dont notamment l’habilitation à la conduite d’engins de manutention. En effet, un ingénieur du son manipule des matériels et machines fragiles dans des caisses parfois volumineuses et lourdes.

Ces exemples permettent d’entrevoir le potentiel de l’analyse par les compétences. Cumuler les postes et les opérations génère une matrice de compétences comprenant des dizaines voir des centaines de compétences. Ainsi en intervenant sur tous les métiers et tous les secteurs, nous pouvons aller chercher le bon score de compétences dans des profils et des parcours qui ne peuvent être anticipés ou devinés. C’est donc s’offrir une nouvelle solution pour trouver les bons candidats, sans savoir à l’avance dans quel secteur ou métier les rechercher.

Julien MASCLEF (CTO M-Pearl)

“L’intelligence Artificielle, pour le recrutement, ça ne marche pas ! ” …

“L’intelligence Artificielle, pour le recrutement, ça ne marche pas ! ” …

Nous faisons régulièrement face à des questions et des doutes sur l’intérêt, ou l’efficacité de l’Intelligence Artificielle dans le recrutement. Afin d’apporter des réponses à ces interrogations, voici des éléments de démonstration sur des cas pratiques.

Chez M-Pearl, nous avons conçu une IA spécialisée dans l’étude du langage pour le domaine du recrutement. Nous avons plusieurs indicateurs : sémantiques, thématiques et de compétences.

Ces indicateurs sont asymétriques : ils ont une valeur du côté candidat qui est différente de la valeur côté recruteur. En effet, une compétence primordiale pour le recruteur n’est pas forcément la compétence que le candidat souhaite mettre en avant dans son futur emploi. C’est cette asymétrie qui nous permet d’éviter une situation courante et agaçante : “Monsieur effectivement vous me proposez d’utiliser cette compétence (A) développée dans mes précédentes expériences, mais dans mon parcours professionnel vous avez sûrement dû vous rendre compte que depuis, j’en ai développé d’autres compétences (B et C) que je souhaiterai également utiliser”.

Dans l’évaluation d’un match entre un poste et une expérience, nous calculons 5 scores qui peuvent être moyennés ou pondérés pour calculer un score global. C’est cette note globale que nous utilisons dans le tableau ci-dessous, dans lequel nous avons mis en regard des descriptions de postes et des expériences professionnelles.

Nous vous invitons à visiter notre page Démo  afin de visionner la vidéo explicative et réaliser des tests de matching entre un profil candidat et une fiche de poste pour assimiler plus facilement notre fonctionnement.

Intelligence Artificielle & Recrutement, MYTHE ou RÉALITÉ ?

Intelligence Artificielle & Recrutement, MYTHE ou RÉALITÉ ?

Nous faisons régulièrement face à des questions et des doutes sur l’intérêt, ou l’efficacité de l’Intelligence Artificielle dans le recrutement. Afin d’apporter des réponses à ces interrogations, je vais vous exposer des éléments de démonstration sur des cas pratiques.

Chez M-Pearl, nous avons conçu une IA spécialisée dans l’étude du langage pour le domaine du recrutement. Cette IA, associée à une interaction instantanée avec l’utilisateur, crée une véritable assistance dans le renseignement de son profil. Nous avons donc appelé notre technologie et son usage l’assistance sémantique au recrutement.

Nous  utilisons plusieurs  indicateurs: sémantiques, thématiques et de compétences. Ces deux derniers indicateurs sont asymétriques : ils ont une valeur du côté candidat qui est différente de la valeur côté recruteur. En effet, une compétence primordiale pour le recruteur n’est pas forcément la compétence que le candidat souhaite mettre en avant dans son futur emploi. C’est cette asymétrie qui nous permet d’éviter une situation courante et agaçante : “Monsieur effectivement vous me proposez d’utiliser cette compétence (C) développée dans mes précédentes expériences, mais dans mon parcours professionnel vous avez sûrement dû vous rendre compte que depuis, j’ai développé d’autres compétences (D et E) que je souhaiterai également utiliser”. J’entrerai plus en détails sur l’importance des indicateurs asymétriques dans un prochain article.

Dans l’évaluation d’un match entre un poste et une expérience, nous calculons 5 scores qui peuvent être moyennés ou pondérés pour calculer un score global. C’est cette note globale que nous utilisons dans le tableau ci-dessous. Pour le constituer nous avons extrait des descriptions de postes et d’expériences professionnelles volontairement choisies parmi plusieurs métiers et secteurs d’activité. Nous avons mis ces phrases en regard l’une de l’autre pour demander à notre IA de les comparer directement et d’évaluer leur niveau de matching. Nous avons trouvé cette démarche suffisamment parlante pour montrer ce qu’il est possible de faire avec notre outil.

Nous préparons actuellement une vidéo ainsi qu’une interface qui permettra à chacun de tester notre IA en ligne. Une fois en ligne, cette interface vous permettra de réaliser des tests de matching entre un (ou votre) profil candidat et une fiche de poste, et d’assimiler plus facilement notre fonctionnement.

Êtes-vous  prêts  à  intégrer  l’IA  dans  vos  processus  de recrutement?

Julien MASCLEF (CTO M-Pearl)

Article linkedIn: lien

Merci au Guide Informatique

Merci au Guide Informatique

https://www.guideinformatique.com/actualites-informatiques/m-pearl-nattendez-plus-1339.html

Nous avons trouvé l’article du Guide Informatique par une simple recherche Google. Quand vous découvrez un article que quelqu’un a rédigé sur vous, sans vous prévenir (!), c’est toujours un peu le stress…

Alors quelle fut notre heureuse surprise de découvrir un article détaillé, positif, contenant de nombreux arguments et d’éléments de compréhension sur notre projet et notre démarche. C’est rassurant et motivant de voir que nous sommes compris et soutenus. Merci !