1. Lire
L'offre est découpée en phrases, mise en minuscules, débarrassée des accents et des mots vides. Les intertitres comptent : ce qui suit « Appréciés : » ou « Nice to have » pèse deux fois moins que ce qui est exigé.
Labo du machine learning à tester en direct
Mon CV passe-t-il votre ATS ?
Les recruteurs filtrent les CV avec des algorithmes. J'ai écrit le mien, à l'envers : collez votre offre, il la lit, la confronte à mon parcours et rend une note sur 100 — avec mes points forts et mes points faibles. Il ne flatte pas : il calcule.
La note est calculée dans votre navigateur. L'offre ne part vers une IA que si vous lui demandez son avis.
Pas d'offre rédigée ? Décrivez le poste en vrac, l'IA la met en forme
Vos notes sont envoyées à un modèle d'IA gratuit (via OpenRouter), chargé de les reformuler sans rien y ajouter. La note est ensuite calculée ici, par l'algorithme.
0/100
Points +
Points −
L'avis de l'IA — neutre, rédigé à partir de l'analyse ci-dessus
Envoie l'offre et l'analyse à un modèle d'IA gratuit (via OpenRouter). Il peut se tromper : la note, elle, vient de l'algorithme.
La ligne de son parcours la plus proche de votre offre
Voir les calculs
Sous le capot pas de LLM : du NLP classique, lisible de bout en bout
2. Repérer
Un lexique d'une quarantaine de compétences, chacune avec ses synonymes français et anglais et mon niveau réel, de « non » à « au quotidien ». Ce que je n'ai pas devient un point −, écrit noir sur blanc.
3. Comparer
TF-IDF sur l'offre et sur chaque ligne de mon parcours, puis similarité cosinus : la machine trouve la ligne de mon CV la plus proche de votre besoin, même quand les mots-clés diffèrent.
4. Noter
Une régression logistique combine la couverture des compétences, la similarité, le domaine (sport ou non) et l'écart d'expérience. Les poids ? Calibrés à la main sur une poignée d'offres de référence. Oui : du sur-apprentissage artisanal. Un vrai modèle demanderait des offres étiquetées — avis aux recruteurs.
JavaScriptNLPTF-IDFRégression logistiqueTests de non-régression