Intégrez notre technologie dans vos applications (SIRH, ATS, jobboard…) 

Le SaaS (Software as a Service) vous donne accès de façon transparente à notre moteur d’Intelligence Artificielle

Deux types de serveurs

Les serveurs mutualisés sont partagés par plusieurs clients, ils n’hébergent pas de données clients permanentes et sont préconfigurés pour des analyses générales. Les serveurs dédiés sont exclusifs et paramétrés selon l’usage spécifique.

Serveur SaaS Mutualisé

 

Fonctionnement:

  1. Demandez vos accès
  2. Utilisez le serveur mutualisé pour évaluer les matchs
  3. Paiement: abonnement mensuel forfaitaire + paiement à la consommation

Avantages de la solution mutualisée:

  • Faible coût de mise en service
  • Abonnement et résiliation rapide
  • Serveur déjà paramétré

Limites de la solution mutualisée:

  • Bande passante limitée
  • Pas de mémorisation des profils et opportunités
  • Pas de personnalisation des calculs de matchs
  • Coûts importants pour les gros volumes

Serveur SaaS Dédié

 

Fonctionnement:

  1. Spécifiez vos besoins pour la création d’un serveur dédié (frais de mise en service)
  2. Utilisez le serveur pour évaluer les matchs
  3. Paiement:  abonnement mensuel forfaitaire avec paliers de consommation

Avantages de la solution dédiée:

  • Bande passante dimensionnée selon vos besoins
  • Mémorisation des profils pour l’optimisation des flux de données et de la vitesse des analyses
  • Serveur paramétré selon vos spécificités

Limites de la solution dédiée:

  • Engagement sur une durée minimum
  • Délais de mise en service liés au paramétrage de votre serveur dédié

Dotés de deux modes d’analyse, avec ou sans interactions IA

Avant d’évaluer un match, l’intelligence artificielle analyse et “interprète” les données produites par les utilisateurs candidats et recruteurs. La question se pose alors de proposer aux candidats et aux recruteurs de confirmer ou de corriger ces interprétations pour optimiser les analyses de match. L’arbitrage de la décision doit dépendre essentiellement de la flexibilité des outils actuels: peuvent-ils être modifiés pour injecter des nouvelles fonctionnalités ? Si oui, la mise-en-oeuvre d’interactions entre les utilisateurs et l’intelligence artificielle est fortement recommandée pour améliorer l’objectivité des données utilisateur et la qualité des matchs. Dans le cas contraire, l’intelligence artificielle sera un processus transparent pour l’utilisateur et ses erreurs d’analyse ne seront pas corrigées (5-10% sur les compétences).
Ces deux modes d’analyse sont possibles que le serveur soit mutualisé ou dédié.

Comment intégrer les solutions SaaS M-Pearl dans vos outils actuels ?

Suivez le diagramme: il va vous orienter vers la solution la plus adaptée à vos besoins selon les réponses données à 3 questions: avez vous un site emploi carrières (jobboard) ? Avez vous une base de données structurées ? Pouvez vous modifier votre site pour y ajouter des interactions supplémentaires avec vos utilisateurs ?

Le protocole de communication (API)

Le protocole utilisé est un protocole entre machines (M2M) à base de requêtes HTTPS (GET, POST,…) et échangeant des données textes au format JSON.
La sécurité est assurée par la gestion de sessions cryptées avec jeton d’accès individuel (token).
Selon la fonction souhaitée, on interroge une URL précise de type: https://monserveurdedie.m-pearl.com/fonction_souhaitee
Ce protocole (HTTPS+JSON+TOKEN) est généralement appelé REST, il est d’usage courant entre machines.

Exemple avec une requête analyse métier de type ROME envoyée au serveur:

{ “USER_JOB_DESCRIPTION”: “Gestion des paies et notes de frais, établissement des fiches de paies, déclarations URSSAF”, “USER_CONTEXT_TYPE”:”CANDIDATE”}

Et un résumé de la réponse obtenue:

{  “SYSTEM_STATUS”: “OK”,
“USER_JOBS_TABLE_QUALITYSCORE”: 0.582,
“USER_JOBS_TABLE_WSCORE”: [ { “codeRome”: “M1503”, “index”: 0, “libelleMétier”: “responsable de rémunération”, “scoreAverage”: 0.658, “scoreSémantique”: 0.839, “source”: “rome”, “weightedMétierTopicScore”: 0.543, “weightedSentenceTopicScore”: 0.591 },
(…),
{ “codeRome”: “K1502”, “index”: 29, “libelleMétier”: “Contrôle et inspection des Affaires Sociales”, “scoreAverage”: 0.479, “scoreSémantique”: 0.719, “source”: “rome”, “weightedMétierTopicScore”: 0.326, “weightedSentenceTopicScore”: 0.392 } ],
“USER_PRECISION_SECTION”: { “USER_PRECISION_LIBELLE”: “TRÈS FAIBLE”, “USER_PRECISION_SCORE”: 0.010 },
“USER_TOPICSCONVERGENCE_SECTION”: { “USER_TOPICSCONVERGENCE_LIBELLE”: “TRÈS ÉLEVÉE”, “USER_TOPICSCONVERGENCE_SCORE”: 0.613,
“USER_TOPICS_LIST”: [ {“content_set”: [“déclarations”, “paie”,”urssaf”], “length”: 4, “title”: “Paie”, “weight”: 0.45387198647601634},
(…),
{“content_set”: [“gestion”], “length”: 1, “title”: “Gestion”, “weight”: 0.024691358151045062} ],
“USER_WARNING_MSG”: [ “Un message quelconque….” ] }

Exemple avec une requête de comparaison de deux expériences professionnelles A et B envoyée au serveur:

{ “USER_JOB_DESCRIPTION_A”: “Traitement des candidatures, entrevues candidats, négociation des contrats de travail et intégration”,”USER_JOB_DESCRIPTION_B” : “Sourcing, entretiens et recrutement de personnel”}

La réponse obtenue est beaucoup plus détaillée et complexe que dans l’exemple précédent.

On y retrouve un bloc résumant les scores de match: le score est étiqueté “très bon”, on y retrouve le score de similarité général puis les scores asymétriques (vue du côté A + vue du côté B)  dont le score d’analyse thématique (“TOPICS_ARE_SATISFIED”) et le score de compétences en commun (“GLOBAL_SKILLS_RATE”)

“USER_COMPARATOR_SECTION”: {
“AB_AVERAGE_SCORE_LIB”: “TRÈS BON”,
“AB_AVERAGE_SCORE_VALUE”: 0.709,
“AB_SIMILARITY_SCORE”: 0.787,
“A_GLOBAL_SKILLS_RATE”: 0.851,
“A_TOPICS_ARE_SATISFIED”: 0.516,
“B_GLOBAL_SKILLS_RATE”: 0.605,
“B_TOPICS_ARE_SATISFIED”: 0.633
}

Ensuite les résultats d’analyse pour la description A puis B dont: la liste des thèmes identifiés et pris en compte dans l’analyse thématique (“USER_TOPICS_LIST”), l’évaluation de la précision générale et l’évaluation de la convergence thématique.
Exemple avec l’analyse de la description B:

“USER_DESCRIPTION_SECTION_B”: {
“USER_JOBS_TABLE_QUALITYSCORE”: 0.595,
“USER_JOBS_TABLE_WSCORE”: [
{ “libelleMétier”: “chargé /chargée de recherche en recrutement”, “scoreAverage”: 0.652, “scoreSémantique”: 0.802, “weightedMétierTopicScore”: 0.355, “weightedSentenceTopicScore”: 0.800 },
(…),
{ “libelleMétier”: “Management des ressources humaines”, “scoreAverage”: 0.6065, “scoreSémantique”: 0.714, “weightedMétierTopicScore”: 0.360, “weightedSentenceTopicScore”: 0.745 }
],
“USER_OUT_OF_VOCABULARY”: [],
“USER_PRECISION_SECTION”: { “USER_PRECISION_LIBELLE”: “TRÈS FAIBLE”, “USER_PRECISION_SCORE”: 0.004 },
“USER_SKILLS_CODES”: […],
“USER_TOPICSCONVERGENCE_SECTION”: { “USER_TOPICSCONVERGENCE_LIBELLE”: “TRÈS ÉLEVÉE”, “USER_TOPICSCONVERGENCE_SCORE”: 0.771 },
“USER_TOPICS_LIST”: [
{ “content_set”: [ “entretiens”, “personnel”, “recrutement” ], “length”: 3, “title”: “Recrutement”, “weight”: 0.715 },
(…),
{ “content_set”: [ “sourcing” ], “length”: 1, “title”: “Sourcing”, “weight”: 0.284 }
],
“USER_WARNING_MSG”: [ “Votre description comprend 4 mots significatifs. La taille minimum de mots significatifs acceptée est de 10 mots. En dessous de cette limite les analyses sont beaucoup plus aléatoires.” ]
}