Présentation du service
HN Match Maker est une plateforme web qui propose un appariement automatisé entre les annonces publiées sur Who is Hiring et les profils déposés sur Who Wants to Be Hired. Le cœur du produit repose sur un moteur d’intelligence artificielle capable de générer un score pré‑calculé pour chaque paire offre‑candidat. Chaque score est accompagné d’une ventilation détaillée des signaux qui ont influencé la décision, offrant ainsi une visibilité sur les critères de correspondance.
Mécanismes d'appariement IA
Le moteur exploite probablement des modèles de langage pré‑entraînés pour transformer les textes d’annonces et de CV en vecteurs denses. Ces embeddings sont ensuite comparés à l’aide de mesures de similarité cosinus ou de distance euclidienne, ce qui fournit une première estimation de proximité sémantique. Au‑delà de la similarité brute, le système intègre des signaux additionnels : mots‑clés techniques, années d’expérience, localisation géographique, et éventuellement le niveau d’éducation. Chaque signal reçoit un poids défini dans un modèle de régression ou un réseau de neurones léger, ce qui aboutit au score final.
Analyse des scores et signaux
Le score affiché représente une agrégation pondérée de plusieurs indicateurs. Par exemple, un alignement fort sur les compétences requises augmente le poids du signal « skill match », tandis qu’une divergence sur la localisation réduit le poids du signal « geographic fit ». La ventilation présentée à l’utilisateur détaille ces contributions, permettant de comprendre pourquoi une offre obtient, par exemple, 78 % de pertinence. Cette transparence technique aide les recruteurs à ajuster leurs critères et les candidats à identifier les points faibles de leur profil.
Limites et perspectives
Le principal point d’incertitude réside dans la disponibilité des données d’entraînement. Sans accès à un jeu de données public, il est difficile d’évaluer la robustesse du modèle face aux biais de genre ou de région. De plus, le calcul de scores pré‑générés impose une charge de calcul importante : chaque nouvelle annonce ou CV doit être vectorisé et comparé à l’ensemble du catalogue existant, ce qui peut limiter la scalabilité sans infrastructure de calcul distribuée. Enfin, la granularité des signaux reste opaque ; une description plus précise des poids attribués améliorerait la confiance des utilisateurs. Malgré ces réserves, le concept montre comment l’IA peut automatiser la première étape du recrutement, en réduisant le temps de recherche et en offrant une base quantitative pour les décisions humaines.
