Sélection JD alignée avec une limite d'honnêteté

Comment nous avons construit le moteur de notation

J'ai commencé par définir un contrat clair entre la description du poste et le CV. Le moteur lit du texte brut, extrait les clauses et mappe chaque clause à une phrase de compétence ou d'exigence. J'ai évité tout modèle qui tente de deviner des traits cachés ; au lieu de cela, j'ai forcé le système à afficher le texte exact qu'il a utilisé pour chaque correspondance., Données d'entrée

L'outil accepte deux blocs de texte : la description du poste et le CV. Aucune analyse de fichiers, aucune extraction de métadonnées, juste les chaînes de caractères brutes que vous collez. Je conserve le formatage d'origine à l'intérieur du bloc de preuves afin que vous puissiez voir la phrase exacte qui a déclenché une note.

Logique de correspondance

Pour chaque clause d'exigence, je calcule un score de similarité en utilisant un vecteur de fréquence de terme - fréquence inverse de document. Si la similarité dépasse un seuil, je la marque comme une force ; sinon, elle devient un écart. La note de correspondance finale est la moyenne pondérée de tous les scores de clause, mise à l'échelle de 1 à 10.

Capture des preuves

Chaque force ou écart stocke la phrase source du CV et la clause source de la description du poste. Je les stocke sous forme de snippets de texte brut, et non sous forme d'incrustations, afin que vous puissiez auditer la décision plus tard. Ce bloc de preuves est ce qui rend la note explicite.

Tableau d'exemple des champs de saisie

Champ | Description | Exemple Description du poste | Texte libre du rôle | "Expérience avec Python et les API REST" CV | Texte libre du candidat | "J'ai construit des API REST en utilisant Python pendant deux ans" Clause correspondante | Clause de la description du poste qui a trouvé une similarité supérieure au seuil | "Expérience avec Python et les API REST" Extrait de preuve | Phrase exacte du CV utilisée pour la correspondance | "J'ai construit des API REST en utilisant Python pendant deux ans"

Flux de travail typique pour un recruteur

J'utilise l'outil chaque matin lorsque j'ouvre une nouvelle requête. Les étapes sont courtes, répétitives et laissent une trace écrite.

Étape 1 : Coller le descriptif de poste

Je copie le descriptif de poste complet de l'e-mail du responsable du recrutement et le colle dans la boîte de gauche. Je ne modifie ni ne résume ; je garde les termes originaux.

Étape 2 : Télécharger le CV

Je colle le texte du CV dans la boîte de droite. Si j'ai un PDF, je le convertis d'abord en texte brut avec un outil gratuit hors ligne, puis je le colle.

Étape 3 : Examiner la fiche d'évaluation

Le moteur renvoie un score d'adéquation, une liste de forces, une liste de lacunes et les preuves pour chacune. Je fais défiler les preuves pour vérifier que la correspondance est réelle et non un artifact de mots clés errants.

Étape 4 : Ajouter des notes

J'ajoute une brève note dans mon système de suivi des candidats avec un lien vers l'URL de la fiche d'évaluation. Cette note enregistre la date, le score et toutes les questions de suivi que j'ai pour le candidat.

Contenu de la fiche d'évaluation

La sortie est délibérément limitée à ce qui peut être retracé jusqu'aux documents sources.

Échelle de notation d'ajustement

La note va de 1 (peu de chevauchement) à 10 (chevauchement presque complet). Je considère les notes en dessous de 4 comme un désaccord clair, les notes 5-7 comme dignes d'une conversation, et les notes 8-10 comme des candidats solides pour un entretien.

Force par rapport au JD

Chaque force est une clause du JD que le CV a satisfait. Je montre le texte de la clause, le pourcentage de similarité et l'extrait de preuve du CV.

Indicateurs de lacunes

Chaque lacune est une clause du JD qui n'a pas atteint le seuil. Je montre le texte de la clause, la meilleure similarité trouvée et une note indiquant qu'aucune preuve n'a atteint la limite.

Lignes de preuve

Pour chaque force et lacune, je fournis une citation directe du CV. Je n'infère jamais de sens ; je ne montre que ce que le candidat a réellement écrit.

Comment nous respectons les directives de l'EEOC

J'ai conçu le système pour éviter toute inférence sur les caractéristiques protégées. Les sections suivantes expliquent les mesures concrètes que j'ai prises.

Attributs que nous ignorons

Le modèle n'examine jamais le nom, l'adresse, l'année d'obtention du diplôme ou tout champ qui pourrait laisser deviner l'âge, le sexe, la race, le handicap ou l'origine nationale. Je supprime ces champs avant de les traiter s'ils apparaissent dans le texte du CV.

Comment nous évitons les signaux proxy

Je vérifie les indices indirects tels que les noms d'écoles qui sont corrélés à certains groupes ou des formulations qui pourraient révéler une affiliation. Si un terme apparaît sur une liste de surveillance interne, je le signale pour examen manuel et ne l'utilise pas dans le calcul de similarité.

Traçabilité

Chaque exécution écrit une entrée de journal qui inclut le hachage des textes d'entrée, la version du code de notation et l'horodatage. Je conserve ces journaux pendant six mois afin de pouvoir démontrer que aucune donnée démographique n'a été utilisée dans une décision.

Ce que cela n'est pas

Je veux être clair sur les limites de l'outil pour que vous ne le confondiez pas avec quelque chose qu'il n'est pas.

Pas une garantie d'embauche

Le score reflète uniquement la similarité avec la description écrite du poste. Il ne prédit pas les performances futures, l'adaptation culturelle ou la dynamique d'équipe. Je ne présente jamais le score comme une promesse que le candidat réussira.

Pas un remplacement du jugement humain

Le recruteur ou le responsable du recrutement doit examiner les preuves, parler au candidat et prendre la décision finale. L'outil ne fournit que de la cohérence et de la traçabilité.

Pas un classeur opaque

Contrairement aux modèles opaques qui donnent un seul numéro sans explication, Candidate Score montre chaque force, chaque lacune et le texte exact qui a produit chaque résultat. Vous pouvez voir pourquoi un candidat a obtenu un score particulier.

Comment nous gérons les cas limites

Les entrées du monde réel sont désordonnées. J'ai créé des gardes spécifiques pour les situations que je rencontre le plus souvent.

Sections manquantes

Si un CV ne comporte pas de section sur les compétences, j'analyse néanmoins l'ensemble du document pour trouver des correspondances de mots clés. Je ne pénalise pas un candidat pour un layout non standard.

Documents très longs

Je tronque les entrées à 10 000 caractères avant de calculer le score de similarité pour garder des temps d'exécution prévisibles. Je stocke le texte complet dans le bloc de preuve afin que rien ne soit perdu pour la revue.

Multiples langues

Je détecte la langue de chaque bloc à l'aide d'un classificateur léger. Si le CV et la description de poste sont dans des langues différentes, je renvoie un avertissement et ne calcule pas de score.

Abréviations ambiguës

J'étends les acronymes courants à l'aide d'un dictionnaire interne avant de calculer la similarité. Si un acronyme n'est pas dans le dictionnaire, je le traite comme un jeton littéral.

Comment nous mettons à jour le modèle

Les améliorations proviennent des commentaires des utilisateurs et des conseils externes sur l'utilisation sécurisée de l'IA.

Boucle de commentaires

Chaque mois, j'exporte des cartes de score anonymisées avec des notes de recruteurs sur les faux positifs et les faux négatifs. Je passe en revue ces notes pour ajuster le seuil de similarité ou pour ajouter de nouveaux mots arrêt.

Normes externes

Je suis les OWASP Top 10 pour les applications LLM lorsque j'évalue les risques d'injection de requêtes, même si l'outil n'expose pas d'interface de requête aux utilisateurs finals.

Versionning

Chaque version reçoit un tag de version sémantique. Je publie un court journal des modifications qui répertorie les modifications apportées à la liste de mots arrêt, au seuil de similarité ou à la logique d'extraction de preuves.

Liste de contrôle de l'opérateur pour le dépistage aligné sur JD avec une limite d'honnêteté

Je garde une liste de contrôle écrite à côté de chaque version qui touche ce sujet. La liste est volontairement ennuyeuse : nommer le propriétaire, nommer l'artefact de preuve et nommer la restauration. Si une étape ne peut pas produire un fichier, un ticket ou une ligne de journal, ce n'est pas une étape - c'est un vœu.

Avant de modifier la production

- Geler la branche ou la révision de configuration que vous allez mesurer. - Enregistrer le mode d'échec actuel avec une entrée concrète et une sortie concrète. - Confirmer l'identité sous laquelle le travail s'exécute et si cette identité peut accéder à des données qu'elle ne devrait pas. - Ouvrir les références principales que vous allez citer : https://owasp.org/www-project-top-10-for-large-language-model-applications, https://www.nist.gov/itl/ai-risk-management-framework.

Pendant que vous exécutez la vérification

- Préférer un chemin reproductible à dix captures d'écran anecdotiques. - Écrire le résultat sûr attendu avant de déclencher l'outil ou la requête. - Capturer la commande exacte, l'invite, le schéma ou l'expression régulière sous test - et non une paraphrase. - Si le système peut agir (envoyer, écrire, supprimer, transférer), exiger une limite de confirmation dans le même passage.

Après avoir terminé

- Enregistrer le risque résiduel avec un propriétaire et une date, même lorsque l'analyse est propre. - Ne pas convertir un contrôle vert en langage de vente qui prétend être complet. - Réexécuter la même liste de contrôle lorsque le modèle, le schéma de l'outil ou les règles de validation changent.

Signal | Qu'enregistrer | Arrêter l'expédition? Écriture ou envoi inattendu | Nom de l'outil, arguments, identité | Oui jusqu'à ce que la barrière soit franchie Confirmation manquante sur l'action destructive | Chemin d'appel et contournement | Oui Texte non fiable traité comme instruction | Surface source et action résultante | Oui pour la portée de l'agent Analyseur propre, jugement ouvert | Éléments différés + propriétaire | Seulement si le chemin principal est sécurisé

candidatescore aide pour le premier passage mesurable. Les choix d'architecture, la validation légale et les allégations clientes encore nécessitent un propriétaire humain. Traiter chaque ligne de la liste de contrôle comme un support de décision, et non comme un certificat.

Comment j'explique les limites aux acheteurs

Lorsqu'un prospect me demande si le produit "couvre tout", je réponds avec la limite : les vérifications automatisées détectent les modèles connus ; les chaînes nouvelles et le jugement politique nécessitent encore un examen. Cette honnêteté permet de réduire la charge de support et de maintenir le blog aligné sur ce que le produit fait réellement.

Si vous avez besoin d'un second avis, associez ce texte aux références ci-dessous et à votre propre reproduction de staging. Ne sautez pas l'étape de reproduction simplement parce qu'un modèle a rédigé un résumé confiant.

Références

- https://owasp.org/www-project-top-10-for-large-language-model-applications - https://www.nist.gov/itl/ai-risk-management-framework

Questions fréquentes

Qu'y a-t-il dans la carte de score?

Elle répertorie les forces correspondant au JD, les indicateurs de lacunes et les preuves à l'appui de chaque appel.

Le score est-il explicite?

Oui. Chaque appel inclut des preuves, vous pouvez donc voir pourquoi un candidat a obtenu un score comme il l'a fait.

Dois-je formater le CV?

Vous collez le CV et le JD ; l'outil gère la comparaison.

Qui devrait l'utiliser?

Les recruteurs et les responsables du recrutement qui veulent un dépistage cohérent et étayé par des preuves contre un JD écrit.

Références

- EEOC — Politiques d'emploi interdites - NIST AI RMF

Voulez-vous essayer le produit ? Candidate Score

Généré 2026-09-17 · sources primaires uniquement · pas de métriques de trafic fabriquées

Lectures connexes

- Des fiches de score de CV étayées par des preuves battent les rangs noirs — Candidate Score - La matrice de sujets de LX AI Micro-SaaS