Les données transmises à HrFlow.ai servent-elles à entraîner ou améliorer vos modèles ?
Cet article détaille :
les données utilisées par nos APIs de Ranking (scoring, matching, grading) ;
l'architecture des modèles ;
et les modes d'entrainements.
Le Chief of Science d’HrFlow.ai présente publiquement au Collège de France le fonctionnement de nos IAs. :
1 . Nature des données utilisées par les modèles IA Ranking : scoring, matching, grading.
Pour l'amélioration des modèles de Ranking, HrFlow.ai n'utilise pas les données brutes du client mais trois types de données dérivées :
a) Empreintes sémantiques de profils: Représentations mathématiques (vecteurs) construites à partir du parcours d'un candidat (expériences, formations, compétences, résumé), après exclusion des données directement identifiante (nom, prénom, adresse, coordonnées de contact) et de tout attribut susceptible de générer un biais discriminatoire (genre, localisation géographique précise, etc.).
b) Empreintes sémantiques d'offres d'emploi: Représentations mathématiques (vecteurs) construites selon le même procédé à partir des offres d'emploi, après exclusion des données directement identifiantes (adresse, coordonnées de contact) et de tout attribut source de biais.
c) Signaux de pertinence profil-offre: Indications de nature positive ou négative caractérisant l'adéquation entre une empreinte sémantique de profil et une empreinte sémantique d'offre, issues des retours d'expérience des utilisateurs du client (ex: like, dislike, retours utilisateurs ou interaction).
Les transformations de profils et de jobs en empreintes sémantiques sont effectuées par la technologie propriétaire d'HrFlow.ai.
Elles sont irréversibles : il n'est pas possible de reconstituer la donnée brute à partir d'une empreinte sémantique.
2. Architecture de modèles utilisée
Pour garantir la prévention des biais et maintenir la qualité des recommandations, HrFlow.ai exploite deux niveaux de modèles :
a) Un modèle central, commun à l'ensemble des clients d'HrFlow.ai, qui constitue la base technique ;
b) Un modèle personnalisé, dérivé du modèle central et adapté en continu par les retours d'expérience des utilisateurs du client. Seul ce modèle personnalisé est utilisé en production pour produire les recommandations destinées au client.
3. Consolidations et apprentissages
a) Les signaux de pertinence (ex: like, dislike, retours utilisateurs ou interaction) du modèle personnalisé servent prioritairement à adapter le modèle personnalisé du client.
b) Une fois par an, HrFlow.ai procède à une mise à jour du modèle central. Cette consolidation est techniquement indispensable au maintien de la robustesse des performances prédictives, à la prévention des biais et à la prise en compte de l'évolution naturelle du marché de l'emploi (apparition de nouvelles entreprises, de nouveaux métiers, évolution des intitulés et des compétences).