ATS intelligent, équitable et explicable

Contexte

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 classer les candidatures par apprentissage contrastif.
• Expliquer chaque score, compétence par compétence, avec SHAP.
• Auditer et corriger les biais et mettre en place 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 recherché

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

Candidature

PFE de 4 à 6 mois. Choisir au maximum deux sujets parmi les sept proposés. Envoyer un CV, une lettre de motivation et les sujets choisis avant le 15/12/2026. Les profils retenus passent un entretien technique avec l’équipe B2H.