ATS intelligent, équitable et explicable

Sujet

ATS : correspondance candidat ↔ poste équitable et explicable

Le tri des candidatures est long et exposé à la subjectivité. La réglementation exige de pouvoir expliquer une décision assistée par algorithme.

Objectifs

• Extraire de manière structurée les CV en français, anglais et arabe à l'aide d'un modèle vision-langage.
• Construire un graphe de compétences basé sur ESCO et un classement par apprentissage contrastif.
• Expliquer chaque score, compétence par compétence, avec SHAP.
• Auditer et corriger les biais, avec un tri anonymisé.

Défis techniques

Peu de données étiquetées, équité algorithmique et protection des données personnelles.

Critères de réussite

• NDCG@10.
• Écart d'équité avant et après correction.
• Temps de tri gagné.

Technologies

VLM / OCR, embeddings, ESCO, SHAP et Fairlearn.

Profil

Data scientist / ingénieur IA — NLP, machine learning et éthique de l'IA.

Cadre commun B2H

Le sujet constitue une brique de la plateforme interne B2H. Les outils partagent une identité unique avec SSO OpenID Connect et des droits par rôle, un bus d'événements, des données PostgreSQL et pgvector, ainsi que des fonctions d'observabilité pour les traces, métriques et coûts IA. Le PFE est encadré par un référent technique, avec des points hebdomadaires et des revues de code.

Candidature

Choisir au maximum deux sujets parmi les sept sujets du PFE Book. La candidature doit comprendre un CV, une lettre de motivation et les sujets choisis. Les candidats retenus passent un entretien technique avec l'équipe B2H. Date limite : 15/12/2026. Les candidatures reçues après cette date ne seront pas traitées ; sans réponse sous deux semaines, la candidature n'a pas été retenue.