Candidate Analyzer

Candidate Analyzer utilise des embeddings sémantiques et des modèles de langage pour scorer les candidats sur 5 dimensions pondérées : compétences techniques (30%), expérience professionnelle (25%), formation (15%), langues (15%) et localisation (15%). Le service analyse les CV structurés ou bruts, les compare aux fiches de poste et génère un rapport détaillé avec des recommandations. L'algorithme de matching va au-delà des mots-clés pour comprendre le sens réel des compétences et expériences.

EmbeddingsMatchingScoringRH

Comment ça marche

Envoi du CV et de la fiche de poste

Transmettez le CV du candidat (PDF, DOCX ou JSON structuré) et la description du poste à pourvoir.

Vectorisation sémantique

Le CV et la fiche de poste sont transformés en vecteurs sémantiques pour une comparaison au-delà des simples mots-clés.

Scoring multi-dimensionnel

Le candidat est évalué sur 5 axes pondérés : compétences (30%), expérience (25%), formation (15%), langues (15%), localisation (15%).

Rapport et recommandations

Un rapport détaillé est généré avec le score global, les scores par dimension, les points forts et les points d'attention.

Exemple d'appel API

analyze_candidate.py

import httpx

response = httpx.post(
    class="text-teal">"https:class="text-text-faint italicclass="text-teal">">//api.djinn.dev/v1/analyze",
    headers={class="text-teal">"X-API-Key": class="text-teal">"djinn_live_..."},
    json={
        class="text-teal">"candidate": {
            class="text-teal">"cv_file_url": class="text-teal">"https:class="text-text-faint italicclass="text-teal">">//storage.example.com/cv_martin.pdf",
            class="text-teal">"name": class="text-teal">"Sophie Martin",
        },
        class="text-teal">"job": {
            class="text-teal">"title": class="text-teal">"Développeur Python Senior",
            class="text-teal">"skills": [class="text-teal">"Python", class="text-teal">"FastAPI", class="text-teal">"PostgreSQL", class="text-teal">"Docker"],
            class="text-teal">"experience_years": 5,
            class="text-teal">"location": class="text-teal">"Paris",
        },
    },
)

result = response.json()
print(fclass="text-teal">"Score global: {result['score']}/100")
for dim in result[class="text-teal">"dimensions"]:
    print(fclass="text-teal">"  {dim['name']}: {dim['score']}/100 (poids: {dim['weight']}%)")
print(fclass="text-teal">"Recommandation: {result['recommendation']}")

Spécifications techniques

FormatsPDF, DOCX, TXT, JSON

Taille max10 MB

Latence P95< 5s

SLA99.9%

Services liés

📄

Disponible

Doc Extract

Extraction intelligente de documents par OCR et LLM

OCRLLMFacturesCV

💬

Disponible

AI Assistant

Assistant IA conversationnel avec RAG multi-tenant

RAGpgvectorStreamingCitations

Prêt à intégrer ce service ?

Testez l'API gratuitement avec 1 000 appels offerts. Intégration en quelques minutes.

Commencer gratuitement Voir la documentation