Le FARI (l’institut bruxellois de recherche, de démonstration et de sensibilisation dédié à l’Intelligence Artificielle), officiellement porté sur les fonts baptismaux début 2021 par l’ULB et la VUB, vient de dévoiler les quatre premiers projets-pilote sur lesquels les chercheurs et spécialistes en intelligence artificielle qui l’animent planchent actuellement.

Le FARI, rappelle en effet Hughes Bersini, co-directeur du laboratoire Iridia de l’ULB, c’est à la fois un axe recherche et innovation et un axe test et mise en oeuvre de projets “plus directement opérationnels, sans doute moins audacieux mais ayant des effets directs au niveau du tissu économique de la Région bruxelloise”. Pour le “bien commun” par le biais de “projets à impact” (santé, environnement, mobilité, énergie…).

Le projet qui est actuellement le plus avancé puisqu’entré en phase de validation opérationnelle est celui que le FARI mène en collaboration et pour les besoins d’Actiris. Le sujet? “Faire mieux concorder et permettre une corrélation plus efficace entre chercheurs d’emploi et offres d’emploi”.

La mission confiée au FARI – ou, pour être plus exact, le projet que le FARI a proposé de mener auprès d’Actiris, avec le soutien appuyé de son ministre de tutelle (Bernard Clerfayt) – était d’améliorer un processus qui souffrait d’inefficacités notoires. Le “matching” entre candidatures (formulaires remplis par les demandeurs d’emploi) et offres d’emploi (renseignements fournis par les futurs employeurs potentiels) laissait en effet à désirer.

Baptisé Elise, l’algorithme utilisé (le matching était en effet pour une bonne part automatisé depuis deux ans) ne permettait en effet pas de surmonter l’obstacle que constituait une variété et multiplicité de formes et de contenu, côté offres d’emploi. En termes plus simples, le repérage et la comparaison par mots-clés butaient contre la disparité des identifications ou définitions de compétences.

Parmi les autres faiblesses identifiées par l’équipe FARI: l’impossibilité pour un chercheur d’emploi de faire appel à l’outil à différents moments pour se voir formuler d’autres propositions que celle déjà reçue (sauf à adapter son profil entre-temps) ou encore le peu de visibilité sur la pondération des différents paramètres pris en considération (pondération qui, en outre, n’est pas adaptable ou personnalisable).

Premiers travaux

Démarré en octobre 2021, le projet se poursuivra pendant un an. La première étape a tout naturellement consisté en un état des lieux, “avec prise de connaissance de l’environnement informatique d’Actiris, de My Actiris, de l’outil de matching actuellement utilisé ainsi que de la littérature scientifique existante sur le matching”, indique-t-on du côté d’Actiris. “Des contacts ont également été pris avec d’autres équipes de recherche travaillant sur des solutions similaires”.

Objectif premier du projet confié au FARI: en arriver à un processus d’automatisation du matching qui soit performant quels que soient la provenance et le canal de notification des offres d’emploi.

Il s’agissait de “former” l’algorithme à mieux identifier, dans les offres d’emploi telles que formulées par les recruteurs et futurs employeurs, des compétences parfois mal formulées, ou en dissonance par rapport à celles que les chercheurs d’emploi sont appelés à cocher et indiquer de leur côté.

Mettant en oeuvre les principes de l’apprentissage automatique (machine learning), le chercheur du FARI a donc nourri l’algorithme pour lui faire résorber les blancs.

“Actiris disposait d’un stock important d’offres d’emploi. Dont un quart ou un cinquième seulement étaient correctement libellées ou dont les détails avaient été antérieurement labellisés, par les recruteurs eux-mêmes ou par les collaborateurs d’Actiris”, explique Hughes Bersini. “L’algorithme ne marchait pas sur les autres. Nous avons donc procédé via une labellisation par appariement.”

L’ensemble des offres d’emploi ont ainsi été labellisées. Selon les tests effectués sur le prototype de nouvel algorithme, le FARI dit avoir ainsi “récupéré 95% des offres qui, hier, n’étaient pas prises en compte pour le matching des compétences”. L’étape en cours actuellement est celle d’une vérification en situation opérationnelle par Actiris. Elle devrait donc se clôturer à l’automne.

Il s’agira en effet pour Actiris de confronter l’efficacité annoncée du prototype à la réalité. Et le travail, côté solution technique, n’est pas terminé.

Prochaines étapes

L’algorithme tel que retravaillé par le FARI peut – et devra – encore se perfectionner. 

“Notre objectif est de voir comment améliorer le matching actuel en essayant de déterminer les compétences sur base d’un CV, d’une offre, etc.”, déclare-t-on du côté d’Actiris. “Un Proof Of Concept est en cours en tenant compte de ce que d’autres universités ont déjà réalisé.”

En effet, en plus des contacts pris avec la VUB, qui était intervenue, voici plusieurs années, pour aider le VDAB à lancer sa propre solution de matching offres-demandes d’emploi, des contacts ont été pris par l’équipe du FARI, notamment avec l’université de Paris-Sarclay “qui a travaillé sur la recommandation d’offres à des chercheurs d’emploi pour une agence d’interim”.

Pour l’instant, la mise en corrélation entre offres et demandes d’emploi se limite encore à la comparaison et corrélation automatisée des compétences “hard”, c’est-à-dire les mots-clé décrivant les dizaines ou centaines de compétences considérées comme déterminantes ou nécessaires pour tel ou tel métier – depuis le développeur IT jusqu’au boucher.

“D’autres critères de mise en concordance pourront encore être pris en compte plus tard. Par exemple, la connaissance des langues ou encore les temps de déplacement potentiel entre le lieu de résidence et le lieu de travail”, indique Hughes Bersini.

Il y a aussi un autre champ d’amélioration qu’il faudra investiguer. En effet, l’algorithme, tel qu’amélioré, a appris par analogie: telle offre d’emploi correctement labellisée par le recruteur pour tel métier dans tel secteur a servi d’exemple pour déduire ou extrapoler le type de compétences que recherche “en principe” tel autre recruteur opérant dans le même secteur.

Et tant pis si cet autre recruteur a des besoins ou des exigences spécifiques, plus ou moins atypiques ou différenciatrices. C’est du nivellement par le commun dénominateur, à la mode algo… Ou du moins du formatage à l’extrême.

D’où la nécessité, selon Hughes Bersini, d’aller plus loin et de prévoir de nouveaux potentiels pouvant être moulinés par des automatismes plus “intelligents”. 

“Au laboratoire de recherche informatique de l’université Paris-Sarclay, l’équipe de Michèle Sebag [chercheuse en AI, apprentissage automatique et optimisation au CNRS] travaille actuellement avec Pôle Emploi [l’équivalent français d’Actiris, du Forem ou du VDAB] et est confrontée aux même problèmes que nous”, explique Nicolas Potvin, chercheur au FARI (Ecole Polytechnique ULB). “Ces problèmes viennent du fait que les institutions publiques utilisent des “référentiels” pour à peu prés tout. ça se traduit en pratique par l’imposition d’un format sur les données utilisées (offres, profils de chercheur d’emploi…).

Le référentiel utilisé chez Actiris est très similaire à celui des Français. Actiris jongle en fait avec le référentiel français et son homologue flamand. Quoi qu’il en soit, que ce soit à Paris, avec Pôle Emploi, ou à Bruxelles, nous planchons actuellement à la fois sur cette “structure rigide” et sur la manière de faire y faire entrer des offres non-formatées, en les formatant automatiquement.”

Quelle sera la solution qui sera choisie? Trop tôt pour le dire: “De notre côté”, explique Nicolas Potvin, “nous sommes en train de tester des modèles se basant sur des réseaux de neurones, c’est-à-dire du machine learning plutôt “classique”.

En France, ils sont en train de tester une solution basée sur une recherche de plus court chemin sur un graphe. Nous devons encore avoir une réunion pour discuter de nos résultats respectifs.

Je ne peux pas encore dire actuellement ce qu’on finira par utiliser comme technologie, probablement un hybride des deux, selon ce qui marche le mieux pour prédire les champs spécifiques du formulaire (langue, diplôme, permis de conduire, expériences passées…).”

Autre élément en jeu: l’importance des cohortes de talents recherchées. Pour les sociétés qui ont besoin de nombreux profils différents (dans le secteur informatique ou automobile, pour ne citer que ces deux-là), que ce soit de manière sporadique ou régulière, il serait utile, selon Hughes Bersini, de leur permettre de personnaliser les offres. D’autant plus que les profils recherchés ne se limitent pas à des compétences IT typiques ou classiques mais comportent également des dimensions plus “soft”.

“Une société comme SAP”, déclare en guise d’exemple Hughes Bersini, “recherche souvent des profils très différents et pas uniquement des informaticiens mais aussi des personnes ayant un esprit logique. Ce genre de compétences ou d’aptitudes doit également pouvoir être repéré…”

Une piste qu’envisage Hughes Bersini est d’inclure dans le site de recrutement un système d’auto-évaluation où le chercheur d’emploi pourrait venir insérer les critères correspondant à “esprit logique”, “capacité à travailler en équipe”, “aptitude de raisonnement”, etc. etc.

Une réflexion est également en cours pour le développement éventuel d’autres algorithmes, inspirés du mécanisme de recommandation que l’on connaît bien pour en être la cible par des plates-formes telles qu’Amazon, Netflix ou Spotify. L’idée serait alors de faire proposer “spontanément” par l’algorithme des postes potentiels qui pourraient intéresser les demandeurs d’emploi, même s’ils n’en font pas eux-mêmes la démarche, mais plutôt sur base de ce que des individus présentant un profil similaire ou ayant fait des recherches similaires. 

Ou encore de faire proposer par l’algorithme des postes présentant des critères voisins, de telle sorte que “les demandeurs d’emploi puissent découvrir d’autres opportunités potentielles”…